The invention discloses a method and device for power system prediction, which includes: S1: initializing population parameters to generate individual population; S2: assigning parameters in S1 to support vector machines to calculate the fitness of each individual in the population; S3: calculating the selection probability of individual population according to individual fitness, and making individual selection with the selection probability; S4: selecting S3. Individual population crossover and mutation; S5: judging whether the current population has reached the training termination condition, if so, get the optimized support vector machine and execute S6; otherwise, execute S3; S6: input the training samples into the optimized support vector machine for training to obtain the prediction model. The invention effectively improves the efficiency of load forecasting by support vector machine, and improves the accuracy of selected parameters, thereby reducing the prediction error of support vector machine model in actual forecasting and improving the accuracy of load forecasting.
【技术实现步骤摘要】
一种电力系统预测的方法和装置
本专利技术涉及计算机算法
,特别涉及一种电力系统预测的方法和装置。
技术介绍
科学的预测是正确决策的依据和保证。负荷预测是电力系统领域的一个传统研究问题,是指从已知的电力系统、经济、社会、气象等情况出发,通过对历史数据的分析和研究,探索事物之间的内在联系和发展变化规律,对负荷发展做出预先估计和推测。负荷预测是电力系统规划、计划、用电、调度等部门的基础工作,其重要性早已被人们所认识。负荷预测本质上是对功率曲线进行拟合与回归,由于实时功率曲线受电力系统、经济、社会、气象等诸多因素影响,一般表现为复杂非线性特点,宜采用对复杂非线性特性具备较强学习能力的预测模型。目前应用较多且比较成熟的预测方法,主要为支持向量机(SupportVectorMachine,SVM)等。SVM同时考虑经验风险最小和结构风险最小,使模型具有较强的推广性,在小样本识别方面有较大优势,且SVM有严格的数学理论基础,其决策为全局最优。SVM参数的选取策略目前尚没有统一的方法,SVM参数选取的优劣将直接影响模型的拟合和回归能力。现有技术中,较为常用的SVM参数优化算法包括网格搜索算法、粒子群算法等。利用这些算法虽然可以选取SVM参数,但并不能得到特别合适的参数值,并且搜索到最优解或满意解的速度太慢,依据选取的参数进行负荷预测的效率低。
技术实现思路
本专利技术实施例提供了一种电力系统预测的方法和装置,不仅能够获得更加优化的参数值,并且解决了支持向量机搜索到最优解或满意解的速度太慢导致负荷预测效率低的问题。第一方面,本专利技术实施例提供了一种电力系统预测的方法,该 ...
【技术保护点】
1.一种电力系统预测的方法,其特征在于,该方法包括:S1:初始化种群参数,生成种群个体;S2:将S1中的参数赋值给支持向量机,计算种群中每个个体的适应度;S3:根据个体适应度,计算种群个体的选择概率,并以该选择概率进行个体选择;S4:对S3选择的种群个体进行交叉、变异;S5:判断当前种群是否达到训练终止条件,若是,则获得优化后的支持向量机,并执行S6;否则,执行S3;S6:将训练样本输入到优化后的支持向量机进行训练获得预测模型。
【技术特征摘要】
1.一种电力系统预测的方法,其特征在于,该方法包括:S1:初始化种群参数,生成种群个体;S2:将S1中的参数赋值给支持向量机,计算种群中每个个体的适应度;S3:根据个体适应度,计算种群个体的选择概率,并以该选择概率进行个体选择;S4:对S3选择的种群个体进行交叉、变异;S5:判断当前种群是否达到训练终止条件,若是,则获得优化后的支持向量机,并执行S6;否则,执行S3;S6:将训练样本输入到优化后的支持向量机进行训练获得预测模型。2.根据权利要求1所述的电力系统预测的方法,其特征在于,步骤S2具体为将S1中的参数赋值给最小二乘机支持向量机,获得预测值,并计算每个个体的适应度,计算公式为:其中,fi为第i个个体的适应度;为预测值;yi为真实值。3.根据权利要求2所述的电力系统预测的方法,其特征在于,步骤S3中计算种群个体的选择概率的公式为:其中,Pi为第i个个体的选择概率。4.根据权利要求2所述的电力系统预测的方法,其特征在于,步骤S4中种群个体进行交叉的概率为:其中,fc为个体进行交叉前父代两个个体中适应度大者;fmax为个体进行交叉前父代种群中的最大适应度;为个体进行交叉前父代种群中所有个体的平均适应度;k1和k2为常数。5.根据权利要求2所述的电力系统预测的方法,其特征在于,步骤S4中种群个体进行变异的概率为:其中,fm为需要变异个体的适应度;k3和k4为常数。6.根据权利要求1所述的电力系统预测的方法,其特征在于,步骤S6中的训练样本是经过筛选的训练样本,该筛选过程包括:M1:确定当日时间,获取当日特征向量;M2:分别计算符合预设条件的历史日的特征向量与当日特征向量的相似度是否符合预设阈...
【专利技术属性】
技术研发人员:刘胜伟,黄信,
申请(专利权)人:新智数字科技有限公司,
类型:发明
国别省市:河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。