一种优化支持向量机参数的短期负荷预测方法及系统与流程

本发明涉及电力系统负荷预测领域，特别是涉及一种优化支持向量机参数的短期负荷预测方法及系统。

背景技术：

电力作为一种重要能源，在日常生活以及工作中都起着举足轻重的作用，随着国民经济的快速发展，全社会用电量以及各个产业用电量也稳定增长，因此用电量的使用趋势不但影响着电网经营企业的生产决策及经济效应，还会影响到社会经济的趋势分析，合理地进行电力负荷预测是电力资源进行调度、规划的前提条件。而电力负荷的多种构成决定了它受外界多种影响因素的制约，在繁多的影响因素的共同作用下，负荷将呈现非常奇妙的波动变化。与其它影响因素相比，气象影响因素能够最直观地影响负荷变化，温度的改变会导致用户制冷和取暖负荷的变化，天气状况也会影响用户照明负荷的变化。面对群体越来越庞大，用电越来越灵活的电力用户，高效地对海量用户负荷数据进行聚类分析、相关性分析，挖掘负荷数据潜在价值越来越重要。

通过国内外学者的深入广泛的研究，提出了很多种负荷预测的方法。较早提出的一些预测方法多是依靠人们长期积累的经验，存在着较大误差，但是随着对负荷预测的不断研究，逐渐提出了很多新的预测方法，其中经典的预测方法有外推法、时间序列法、回归分析法和灰色系统法等；人工智能方法有专家系统法、小波分析法、人工神经网络法等。经过长期的研究，负荷预测是一个非线性的问题，而对于影响它变化的因素只能进行定性处理，这使得负荷和影响因素间的关系变得更加复杂，建立模型更加困难。

综上所述，现有的负荷预测方法存在如下问题：(1)多元线性回归预测精度不高，不能做较长期的预测；(2)时间序列预测模型对原始数据的平稳性要求高，而实际负荷一般不满足平稳性的要求，从而导致预测精度不理想；(3)神经网络对负荷预测存在易于陷入局部极小点，预测精度在实际应用中不够理想等问题；(4)基于支持向量机(svm)的负荷预测方法比上述方法能取得更好的预测精度，但是其在负荷预测中的应用还存在精度不高，时间复杂度较高等问题。

技术实现要素：

本发明的目的是提供一种优化支持向量机参数的短期负荷预测方法及系统，能够提高负荷预测的准确率和效率。

为实现上述目的，本发明提供了如下方案：

一种优化支持向量机参数的短期负荷预测方法，包括：

获取负荷的预测特征，所述预测特征包括：历史负荷数据以及相应的天气参数数据；

对所述历史负荷数据进行预处理，得到预处理后的负荷数据；

对所述预处理后的负荷数据采用主成分分析法进行分析，得到分析后的负荷数据；

采用引力搜索算法和复合形法对支持向量机的参数进行优化，得到优化后的支持向量机；

根据所述分析后的负荷数据和所述优化后的支持向量机，确定预测负荷。

可选的，所述对所述历史负荷数据进行预处理，得到预处理后的负荷数据，具体包括：

对所述历史负荷数据进行数据清洗和数据结构调整处理，得到预处理后的负荷数据。

可选的，所述对所述预处理后的负荷数据采用主成分分析法进行分析，得到分析后的负荷数据，具体包括：

对所述预处理后的负荷数据采用主成分分析法进行降维处理，得到分析后的负荷数据。

可选的，所述采用引力搜索算法和复合形法对支持向量机的参数进行优化，得到优化后的支持向量机，具体包括：

步骤1：设置种群大小n，档案大小，最大迭代次数，初始化外部档案，在搜索空间内随机初始化个体位置，将个体的速度初始化为零；

步骤2：从所述外部档案中选取部分非劣解，与种群合并，形成合并种群；

步骤3：对所述合并种群进行快速非支配排序和拥挤距离比较，选择其中最好的n个个体形成新的种群；

步骤4：计算所述新的种群中每个个体的适应值，并根据各所述适应值更新对应个体的惯性质量；

步骤5：计算引力系数函数和每个个体不同方向上的力的总和；

步骤6：根据所述引力系数函数和所述力的总和，更新个体加速度；

步骤7：根据所述个体加速度更新每个个体的速度和位置；

步骤8：计算群体适应度方差和平均粒距；

步骤9：判断是否满足所述适应度方差小于设定方差阈值且满足所述平均粒距小于设定粒距阈值；

若满足，则转到步骤10；若不满足，则转到步骤14；

步骤10：将当前的个体位置作为初始负荷形顶点；

步骤11：采用复合形法进行局部搜索，搜索出适应值更优的反射点，将所述更优的反射点替换掉最差点，形成新的复合形顶点；

步骤12：判断是否满足复合形终止条件；

步骤13：若满足，将最终形成的复合形顶点的位置值作为改进的引力搜索新的个体位置值；若不满足，则返回步骤11。

步骤14：判断是否达到最大迭代次数或者预设精度；

步骤15：若达到，则终止搜索，输出最优解；若不达到，则返回步骤4。

可选的，所述计算所述新的种群中每个个体的适应值，并根据各所述适应值更新对应个体的惯性质量，具体包括：

采用公式计算所述新的种群newpop中每个个体的适应值fitnessi(t)；

根据各所述适应值fitnessi(t)采用公式和更新对应个体的惯性质量mi(t)；

其中，n为样本数；yi和yi'为第i个负荷的实际值及预测值，mi(t)为引力质量；mi(t)为惯性质量；fitnessi(t)为个体i在t时刻的适应值，best(t)为在t时刻所有个体中最好的适应值，worst(t)为在t时刻所有个体中最坏的适应值。

可选的，所述计算引力系数函数和每个个体不同方向上的力的总和，具体包括：

采用公式计算引力系数函数g(t)；

其中，t为当前迭代次数，t为最大迭代次数，γ为常数，设为2.5；和分别表示当前种群中的个体在d维空间中的最大位置值和最小位置值；

采用公式计算每个个体不同方向上的力的总和fi^d(t)；

其中，为个体i和个体j之间的万有引力，mi(t)和mj(t)分别为个体i的被动引力质量和个体j的主动引力质量，ξ是一个很小的常量，防止分母为零，g(t)为t时刻的引力常数，rij(t)为个体i与个体j之间的欧式距离；randj为[0,1]之间的随机数，kbest(t)为在第t次迭代的时候一组质量比较大的个体的质量。

可选的，所述根据所述引力系数函数和所述力的总和，更新个体加速度，具体包括：

根据所述引力系数函数g(t)和所述力的总和fi^d(t)采用公式更新个体加速度

可选的，所述根据所述个体加速度更新每个个体的速度和位置，具体包括：

采用公式更新每个个体的速度vi^d(t+1)，其中，vi^d为在t时刻个体在第d维空间上的速度；

采用公式更新每个个体的位置其中，为在t时刻个体在第d维空间上的位置。

可选的，所述计算群体适应度方差和平均粒距，具体包括：

采用公式计算群体适应度方差σ²；

采用公式计算平均粒距d(t)；

其中，n为种群大小，fi为第i个个体的适应度，favg为平均适应度，f为归一化定标因子，用来限制σ²的大小；l为目标搜索空间对角最大长度，n为空间维数，pid为第i个个体在第d维空间上的位置值，为所有个体在第d维空间上的位置平均值。

一种优化支持向量机参数的短期负荷预测系统，包括：

获取模块，用于获取负荷的预测特征，所述预测特征包括：历史负荷数据以及相应的天气参数数据；

预处理模块，用于对所述历史负荷数据进行预处理，得到预处理后的负荷数据；

分析模块，用于对所述预处理后的负荷数据采用主成分分析法进行分析，得到分析后的负荷数据；

优化模块，用于采用引力搜索算法和复合形法对支持向量机的参数进行优化，得到优化后的支持向量机；

预测模块，用于根据所述分析后的负荷数据和所述优化后的支持向量机，确定预测负荷。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

1、在寻优初期利用引力搜索算法进行全局搜索，同时对引力系数进行了改进，以提高全局收敛速度；在寻优后期，当算法出现早熟收敛现象时，引入复合形法，利用复合形法较强的局部搜索能力，帮助种群快速跳出局部最优解。

2、基于改进引力搜索的支持向量机(svm)参数优化方法，利用改进引力搜索算法对svm的重要参数进行优化，并将该方法用于短期负荷预测，平衡了支持向量机回归模型的拟合度和收敛速度，能够提高负荷预测的准确率和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明优化支持向量机参数的短期负荷预测方法流程图；

图2为本发明采用引力搜索算法和复合形法对支持向量机的参数进行优化的流程图；

图3为本发明优化支持向量机参数的短期负荷预测系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种优化支持向量机参数的短期负荷预测方法及系统，能够提高负荷预测的准确率和效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明优化支持向量机参数的短期负荷预测方法流程图。如图1所示，该优化支持向量机参数的短期负荷预测方法包括：

步骤101：获取负荷的预测特征，所述预测特征包括：历史负荷数据以及相应的天气参数数据；

影响负荷的因素有很多，在该实施例中主要选取预测日前一周某时刻的负荷值，预测日前一周的最低及最高温度，预测日前一周的最低及最高湿度，预测时刻的最高和最低温度，预测时刻的最低及最高湿度共14个属性作为负荷预测的特征。

步骤102：对所述历史负荷数据进行预处理，得到预处理后的负荷数据，具体包括：

对所述历史负荷数据进行数据清洗和数据结构调整处理，得到预处理后的负荷数据。

在采集到负荷预测特征后，会发现数据总存在一些问题，有些数据明显不符合实际情况，有些数据有跳变等。造成这些问题出现的原因有很多，监控仪器的损坏、天气突变、人为的失误等都会使数据出现误差。因此，在采集完负荷预测特征后，需对历史负荷数据进行预处理，主要包括数据清洗和数据结构调整两部分。

所述的数据清洗用于对数据中明显错误进行改正，使用相邻两个数据算数平均数值的方法对数据中的一些缺失进行填补，在保证数据有效性和高质量的前提下，尽最大努力使数据完整、无缺、无错误。

所述的数据结构调整用于对历史负荷数据的结构进行调整，调整成适合支持向量机训练和预测的结构。

步骤103：对所述预处理后的负荷数据采用主成分分析法进行分析，得到分析后的负荷数据，具体包括：

对所述预处理后的负荷数据采用主成分分析法进行降维处理，得到分析后的负荷数据。

在采集完负荷预测特征后，得到的是由上述14个特征组成的一个14列矩阵，这会大大增加支持向量机做训练与预测的时间复杂度。因此步骤103引入主成分分析算法，在保证数据的有效性的前提下，对负荷历史数据做降维处理，以此降低支持向量机做训练与预测的难度和时间复杂度。

步骤104：采用引力搜索算法和复合形法对支持向量机的参数进行优化，得到优化后的支持向量机，图2为本发明采用引力搜索算法和复合形法对支持向量机的参数进行优化的流程图，如图2所示，采用引力搜索算法和复合形法对支持向量机的参数进行优化，得到优化后的支持向量机，具体包括：

步骤1：设置种群大小n，档案大小，最大迭代次数，初始化外部档案，在搜索空间内随机初始化个体位置，将个体的速度初始化为零；

步骤2：从所述外部档案中选取部分非劣解，与种群合并，形成合并种群；

步骤3：对所述合并种群进行快速非支配排序和拥挤距离比较，选择其中最好的n个体形成新的种群。

步骤4：计算所述新的种群中每个个体的适应值，并根据各所述适应值更新对应个体的惯性质量，具体包括：

采用公式计算所述新的种群newpop中每个个体的适应值fitnessi(t)；

根据各所述适应值fitnessi(t)采用公式和更新对应个体的惯性质量mi(t)；

其中，n为样本数；yi和yi'为第i个负荷的实际值及预测值，mi(t)为引力质量；mi(t)为惯性质量；fitnessi(t)为个体i在t时刻的适应值，best(t)为在t时刻所有个体中最好的适应值，worst(t)为在t时刻所有个体中最坏的适应值。

步骤5：计算引力系数函数和每个个体不同方向上的力的总和，具体包括：

采用公式计算引力系数函数g(t)；

其中，t为当前迭代次数，t为最大迭代次数，γ为常数，设为2.5；和分别表示当前种群中的个体在d维空间中的最大位置值和最小位置值；

采用公式计算每个个体不同方向上的力的总和fi^d(t)；

其中，为个体i和个体j之间的万有引力，mi(t)和mj(t)分别为个体i的被动引力质量和个体j的主动引力质，ξ是一个很小的常量，防止分母为零，g(t)为t时刻的引力常数，rij(t)为个体i与个体j之间的欧式距离；randj为[0,1]之间的随机数，kbest(t)为在第t次迭代的时候一组质量比较大的个体的质量。

步骤6：根据所述引力系数函数和所述力的总和，更新个体加速度，具体包括：

根据所述引力系数函数g(t)和所述力的总和fi^d(t)采用公式更新个体加速度

步骤7：根据所述个体加速度更新每个个体的速度和位置，具体包括：

采用公式更新每个个体的速度vi^d(t+1)，其中，vi^d为在t时刻个体在第d维空间上的速度；

采用公式更新每个个体的位置其中，为在t时刻个体在第d维空间上的位置。

步骤8：计算群体适应度方差和平均粒距，具体包括：

采用公式计算群体适应度方差σ²；

采用公式计算平均粒距d(t)；

其中，n为种群大小，fi为第i个个体的适应度，favg为平均适应度，f为归一化定标因子，用来限制σ²的大小；l为目标搜索空间对角最大长度，n为空间维数，pid为第i个个体在第d维空间上的位置值，为所有个体在第d维空间上的位置平均值。

步骤9：判断是否满足所述适应度方差小于设定方差阈值且满足所述平均粒距小于设定粒距阈值；

若满足，则转到步骤10；若不满足，则转到步骤14；

步骤10：将当前的个体位置作为初始负荷形顶点；

步骤11：采用复合形法进行局部搜索，搜索出适应值更优的反射点，将所述更优的反射点替换掉最差点，形成新的复合形顶点；

步骤12：判断是否满足复合形终止条件；

步骤13：若满足，将最终形成的复合形顶点的位置值作为改进的引力搜索新的个体位置值；若不满足，则返回步骤11。

步骤14：判断是否达到最大迭代次数或者预设精度；

步骤15：若达到，则终止搜索，输出最优解；若不达到，则返回步骤4。

上述步骤104利用引力搜索算法所具备的全局搜索能力和复合形法所具备的局部搜索能力对支持向量机的参数进行寻优，以此提高支持向量机的预测能力，达到提高预测精度的效果，且具有实用性高、推广能力强等优点。

步骤105：根据所述分析后的负荷数据和所述优化后的支持向量机，确定预测负荷。

根据步骤104优化后的支持向量机参数，建立基于改进引力搜索算法优化支持向量机的负荷预测模型，当需要做负荷预测时，仅需要提供预测日的相关特征并输入到预测模型中即可快速、准确地得到预测的负荷。

图3为本发明优化支持向量机参数的短期负荷预测系统结构图。参见图3，该优化支持向量机参数的短期负荷预测系统包括：

获取模块301，用于获取负荷的预测特征，所述预测特征包括：历史负荷数据以及相应的天气参数数据；

预处理模块302，用于对所述历史负荷数据进行预处理，得到预处理后的负荷数据；

分析模块303，用于对所述预处理后的负荷数据采用主成分分析法进行分析，得到分析后的负荷数据；

优化模块304，用于采用引力搜索算法和复合形法对支持向量机的参数进行优化，得到优化后的支持向量机；

预测模块305，用于根据所述分析后的负荷数据和所述优化后的支持向量机，确定预测负荷。

本发明将改进的引力搜索算法应用到改进支持向量机模型优化参数选取过程中，基于改进引力搜索算法和svm方法的短期负荷预测方法的算法思想如下：

1.参数初始化

设定ε、c和σ的参数范围，令ε∈[0,1]、c∈[0,10⁶]和σ∈[0,1]，利用改进的引力搜索算法的初始化步骤随机给出一个初始解，设定初始温度t0＝20(t0＞0)，基本步长v0，检验精度ε＝0.001，检验抽样稳定性的阈值nr。设定目标函数：

f(x)＝mse(y'-y)

其中，y'和y分别表示预测结果和实际值。计算此参数下目标值f(x0)，令xopt＝x0，fopt＝f(x0)。

2.利用改进引力搜索算法确定svm的参数

(1)引力质量和惯性质量是根据优化问题的适应值函数计算得到的，计算公式如下：

其中，fitnessi(t)是个体i在t时刻的适应值，而best(t)和worst(t)表示在t时刻所有个体中最好的适应值和最坏的适应值。

(2)引力系数g(t)是引力搜索算法的重要参数，为了使引力搜索更快更准确地搜索到最优解区域，这里使用线性函数对引力系数g(t)进行了改进，计算公式如下所示：

其中，t为当前迭代次数，t为最大迭代次数，γ为常数，设为2.5；和分别表示当前种群中的个体在第d维空间中的最大位置值和最小位置值。

在该算法中个体的初始位置是随机产生的，在某时刻，个体i和个体j之间的万有引力大小为在第d维空间中，个体i所受来自其他所有的个体作用力的总和为fi^d(t)：

其中，mi(t)和mj(t)分别为个体i的被动引力质量和个体j的主动引力质；ξ是一个很小的常量，防止分母为零，g(t)表示t时刻的引力常数，rij(t)表示个体i与个体j之间的欧式距离；randj是[0,1]之间的随机数，kbest(t)代表在第t次迭代的时候一组质量比较大的个体的质量。

根据牛顿第二定律，物体的加速度跟它所受合外力的大小成正比，与它的质量成反比。因此，在t时刻个体在第d维空间上的加速度定义如下：

个体的速度和位置更新公式如下：

为了判断引力搜索是否陷入早熟收敛，因为只采用一种来判断种群的聚集程度是不全面的，所以这里采用群体适应度方差σ²和平均粒距d(t)两种早熟判定条件对种群的聚集程度进行判断。其定义如下：

其中，n为种群大小，fi为第i个个体的适应度，favg为平均适应度，f为归一化定标因子，用来限制σ²的大小；l为目标搜索空间对角最大长度，n为空间维数，pid为第i个个体在第d维空间上的位置值，为所有个体在第d维空间上的位置平均值。

本发明提供了一种基于改进引力搜索算法优化svm参数的负荷预测方法。借助引力搜索算法和复合形法对支持向量机负荷预测模型进行参数优化选择，进一步提高预测的准确率和效率。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。