一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法技术方案

本发明专利技术公开了一种基于气象指数的加权LS‑SVM的电力系统短期负荷预测方法，包括以下步骤:S1、获取原始数据的样本；S2、根据原始数据计算气象综合指数；S3、对日期类型数据和气象综合指数进行数据预处理；S4、根据得到的无量纲负荷特征量与电力系统负荷之间进行灰色关联分析，并通过灰色关联分析得到的关联度计算特征量权重；S5、建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型，采用果蝇优化算法进行参数优化，通过模型输出得到待预测日的电力系统负荷预测数据。本发明专利技术具有很好的全局优化性能、调整参数少且不易陷入局部极小值，可以有效提高电力系统短期负荷的预测精度。

A short-term LS-SVM load forecasting method based on weather index and weighted system

The invention discloses a weighted LS_SVM short-term load forecasting method for power system based on Meteorological index, which comprises the following steps: S1, obtaining the sample of original data; S2, calculating the meteorological composite index according to the original data; S3, data preprocessing for date type data and meteorological composite index; S4, no data obtained according to the original data. The grey correlation analysis is carried out between the dimension load characteristic parameters and the power system load, and the correlation degree obtained by the grey correlation analysis is used to calculate the feature weight; S5. The short-term load forecasting model of power system based on Meteorological comprehensive index and weighted least squares support vector machine is established, and the Drosophila optimization algorithm is used to optimize the parameters. Through the model output, we can get the load forecasting data of the power system to be forecasted. The invention has good global optimization performance, few adjusting parameters and is not easy to fall into local minimum, and can effectively improve the short-term load forecasting accuracy of power system.

【技术实现步骤摘要】
一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法
本专利技术涉及电力系统工程领域，尤其涉及一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法。
技术介绍
随着我国新电力行业体制改革的日益深入，电力相关企业逐步走入市场，电力系统短期负荷预测对电网系统调控和电力市场运营都具有重要意义。但是电力负荷受到很多如温度、历史负荷、用电日期等因素的影响，存在较强的不确定性和非线性特征，增加了负荷预测的难度，造成短期负荷预测结果精度偏低。目前短期负荷预测方法主要有回归分析法、时间序列法、人工神经网络法等，这些传统的预测方法优点在于技术成熟算法简单，缺点是学习速度慢、泛化能力弱、预测精度不高。支持向量机已被广泛应用于负荷预测领域，并且成为一种解决非线性回归问题的有效方法，与传统的预测方法相比，支持向量机在预测精度以及算法的有效性上有着明显的优势。在现有的电力系统短期电力负荷预测方法中，大多数方法只考虑了气象因素、日期因素、历史负荷等单一因素对负荷的因素。本专利技术在此基础上提出气象综合指数来综合各因素对电力负荷的耦合作用，相比温度、湿度等单一因素对负荷的影响，气象综合指数对电力系统短期负荷的变化有更好的描述效果；其次，为了弥补其它短期预测方法不能区别对待每个样本重要性的缺陷，本专利技术通过灰色关联分析得到电力系统负荷与负荷特征量之间的关联度来计算特征量权重,并在负荷预测模型中提出了高斯核函数和特征量权重系数结合的加权最小二乘支持向量机，可以有效提高负荷的预测精度；最后，鉴于支持向量机核函数及其参数的选择直接决定了它的学习性能，本专利技术采用兼具全局性搜索与群智能思想的果蝇优化算法来优化选取模型相关的最优参数组合，然后将训练好的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型用于负荷预测，进一步提高了模型的学习能力和预测精度。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中学习速度慢、泛化能力弱、预测精度不高的缺陷，提供一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法。本专利技术解决其技术问题所采用的技术方案是：本专利技术提供一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法，包括以下步骤:S1、获取原始数据的样本，原始数据包括：电力系统历史负荷数据、气象数据、日期类型数据；S2、根据原始数据计算气象综合指数，气象综合指数包括：实感温度、人体舒适度指数和温湿指数；S3、对日期类型数据和气象综合指数进行数据预处理，得到无量纲负荷特征量，预处理过程包括：首先对日期类型数据进行分组映射，然后对气象综合指数数据进行归一化处理；S4、根据得到的无量纲负荷特征量与电力系统负荷之间进行灰色关联分析，并通过灰色关联分析得到的关联度计算特征量权重；S5、根据预处理的结果和特征量权重建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型，并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化，通过模型输出得到待预测日的电力系统负荷预测数据。进一步地，本专利技术的步骤S2中计算气象综合指数的方法具体为:根据如下公式计算实感温度：式中，ET为实感温度，T为日平均气温，H为日平均相对湿度；V为日平均风速；根据如下公式计算人体舒适度指数：式中，HCI为人体舒适度指数值，T为日平均气温，H为日平均相对湿度，V为日平均风速；根据如下公式计算温湿指数：THI＝Td-0.55(1-Hd)(58-Td)式中，THI为温湿指数，Td为当天14时的温度，Hd为当天14时的相对湿度。进一步地，本专利技术的步骤S3中对日期类型数据进行分组映射和对气象综合指数数据进行归一化处理，具体步骤包括：S31、对于连续变化的气象综合指数数据，根据如下公式线性映射到[0,1]区间来归一化处理数据；式中，d是归一化后的值，ti是第i个特征量原始数据，tmax和tmin分别是该特征量样本中的最大值和最小值，n为该特征量样本总数；S32、根据分组映射的方法将日期类型数据映射到[0,2.5]的区间中，将日期类型分为三类：第一类是周一至周五为工作日，线性映射到[0,0.5]范围内；第二类是周六，介于节假日与工作日之间的日期类型，映射到1.6；第三类是周日及节假日，是正常休息日，映射到2.5。进一步地，本专利技术的步骤S4中各负荷特征量与电力系统负荷进行灰色关联分析并通过灰色关联分析得到的关联度计算特征量权重，具体包括以下步骤：S41、根据如下公式计算电力系统负荷与特征量指标i的差值Δi(k)，得到差值序列矩阵Δi(k)：Δi(k)＝|z'(k)-p'i(k)|(i＝1,2,3，4)式中，{z'(k)|k＝1,2,...,n}为电力系统负荷在第k天的归一化数据，{p'i(k)|k＝1,2,...,n},i＝1,2,3,4为第i个特征量在第k天的数据，Δi(k)为特征量指标i与对应负荷序列的差值，i为特征量指标个数，k为数据样本序数，n为样本总数；S42、根据如下公式计算电力系统负荷与特征量指标i在第k天的关联系数λi(k)并得到其关联系数矩阵λi(k)：式中，Δmin为差值序列矩阵λi(k)中元素的最小值，Δmax为差值序列矩阵λi(k)中元素的最大值，ρ为分辨系数，取值为0.5；S43、根据如下公式计算电力系统负荷与特征量指标i的灰色关联度Ri：S44、根据如下公式计算第i个特征量指标对电力系统负荷的权重si：式中，m＝1/lnq，为关联度系数，q＝4为负荷特征量总数。进一步地，本专利技术的步骤S5中基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型包括：输入层：输入变量为n个与电力系统短期负荷预测相关的气象综合指数数据、日分类数据和负荷数据的训练集部分，其中输入变量构成向量x＝[x(i)|i＝1,2,...,n]，n为输入变量的维数；训练层：采用高斯核函数与步骤S4获得的负荷特征量权重结合的加权最小二乘支持向量机，并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化，使输入样本非线性变换到一个高维的线性特征空间，并在此空间中使用训练样本对所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型进行训练，决策函数描述为：式中，y为输出预测负荷值，x*为预测输入向量，C为惩罚参数，ξi为松弛变量，b为偏置常量，σ为核函数参数。进一步地，本专利技术的步骤S5中短期负荷预测模型采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化，具体包括以下步骤：S51、以n个待预测日的负荷预测数据与待预测日的实际数据的平均平方误差作为适应度函数，在所述的原始数据的电力系统电力负荷中选取n组数据其中xi为所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型的第i组输入数据，为对应xi的期望输出，建立适应度函数：式中，g(σ,C)为适应度函数，yi为第i个已知样本的负荷值，为第i个样本的预测输出值；S52、将所述的适应度函数作为目标函数，利用迭代优化算法对目标函数进行参数寻优；S53、根据历史数据建立训练样本集和测试样本集；S54、随机初始化果蝇群体位置作为(σ，C)的初始参数，根据参数变化范围初始化果蝇个体的初始位置(X0，Y0)本文档来自技高网...

【技术保护点】
1.一种基于气象指数的加权LS‑SVM的电力系统短期负荷预测方法，其特征在于，包括以下步骤:S1、获取原始数据的样本，原始数据包括：电力系统历史负荷数据、气象数据、日期类型数据；S2、根据原始数据计算气象综合指数，气象综合指数包括：实感温度、人体舒适度指数和温湿指数；S3、对日期类型数据和气象综合指数进行数据预处理，得到无量纲负荷特征量，预处理过程包括：首先对日期类型数据进行分组映射，然后对气象综合指数数据进行归一化处理；S4、根据得到的无量纲负荷特征量与电力系统负荷之间进行灰色关联分析，并通过灰色关联分析得到的关联度计算特征量权重；S5、根据预处理的结果和特征量权重建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型，并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化，通过模型输出得到待预测日的电力系统负荷预测数据。

【技术特征摘要】
1.一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法，其特征在于，包括以下步骤:S1、获取原始数据的样本，原始数据包括：电力系统历史负荷数据、气象数据、日期类型数据；S2、根据原始数据计算气象综合指数，气象综合指数包括：实感温度、人体舒适度指数和温湿指数；S3、对日期类型数据和气象综合指数进行数据预处理，得到无量纲负荷特征量，预处理过程包括：首先对日期类型数据进行分组映射，然后对气象综合指数数据进行归一化处理；S4、根据得到的无量纲负荷特征量与电力系统负荷之间进行灰色关联分析，并通过灰色关联分析得到的关联度计算特征量权重；S5、根据预处理的结果和特征量权重建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型，并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化，通过模型输出得到待预测日的电力系统负荷预测数据。2.根据权利要求1所述的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法，其特征在于，步骤S2中计算气象综合指数的方法具体为:根据如下公式计算实感温度：式中，ET为实感温度，T为日平均气温，H为日平均相对湿度；V为日平均风速；根据如下公式计算人体舒适度指数：式中，HCI为人体舒适度指数值，T为日平均气温，H为日平均相对湿度，V为日平均风速；根据如下公式计算温湿指数：THI＝Td-0.55(1-Hd)(58-Td)式中，THI为温湿指数，Td为当天14时的温度，Hd为当天14时的相对湿度。3.根据权利要求1所述的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法，其特征在于，步骤S3中对日期类型数据进行分组映射和对气象综合指数数据进行归一化处理，具体步骤包括：S31、对于连续变化的气象综合指数数据，根据如下公式线性映射到[0,1]区间来归一化处理数据；式中，d是归一化后的值，ti是第i个特征量原始数据，tmax和tmin分别是该特征量样本中的最大值和最小值，n为该特征量样本总数；S32、根据分组映射的方法将日期类型数据映射到[0,2.5]的区间中，将日期类型分为三类：第一类是周一至周五为工作日，线性映射到[0,0.5]范围内；第二类是周六，介于节假日与工作日之间的日期类型，映射到1.6；第三类是周日及节假日，是正常休息日，映射到2.5。4.根据权利要求1所述的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法，其特征在于，步骤S4中各负荷特征量与电力系统负荷进行灰色关联分析并通过灰色关联分析得到的关联度计算特征量权重，具体包括以下步骤：S41、根据如下公式计算电力系统负荷与特征量指标i的差值Δi(k)，得到差值序列矩阵Δi(k)：Δi(k)＝|z'(k)-p'i(k)|(i＝1,2,3，4)式中，{z'(k)|k＝1,2,...,n}为电力系统负荷在第k天的归一化数据，{p'i(k)|k＝1,2,...,n},i＝1,2,3,4为第i个特征量在第k天的数据，Δi(k)为特征量指标i与对应负荷序列的差值，i为特征量指标个数，k为数据样本序数，n为样本总数；S42、根据如下公式计算电力系统负荷与特征量指标i在第k天的关联系数λi(k)并得到其关联系数矩阵λi(k)：式中，Δmin为差值序列矩阵λi(k)中元素的最小值，Δmax...

【专利技术属性】
技术研发人员：孔政敏，吕何，付卓林，刘晓帆，陈培垠，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42