一种基于代表数据重构的增量SVR负荷预测方法技术

本发明专利技术公开了一种基于代表数据重构的增量SVR负荷预测方法，包括：获取电力负荷数据；利用相空间重构原理得到多输入‑单输出模式数据；利用所得模式数据和粒子群算法建立支持向量回归模型；实时获取新增的电力负荷预测数据；利用增量学习算法更新最优代表数据子集；利用嵌套粒子群方法更新模型参数；利用更新后的模型参数和最优代表数据子集建立支持向量回归模型；确定增量负荷预测并输出增量负荷预测值。本发明专利技术将支持向量回归的支持向量应用于海量数据的知识理解研究，提出的方法能够实现新增数据引起的代表数据重构，有效解决了海量数据计算复杂性高、难以提取知识的问题，嵌套地实现了模型参数的更新，为电力系统规划与运行提供参考依据。

【技术实现步骤摘要】

本专利技术涉及计算机数据快速分析领域，尤其涉及一种基于代表数据重构的增量SVR负荷预测方法。
技术介绍
由于电能是一种难以大量储存的能源，所以电能的生产、输送、分配和消费必须在同一瞬间进行，这就决定了电力负荷预测的结果是电力系统安全、稳定、经济运行的前提。目前比较典型的负荷预测方法主要有基于参数假设的统计法、神经网络方法、灰色方法等，这些方法往往只能在给定数据下训练出模型，而不能从大量数据中提取代表数据，因为只有确定了大量训练数据中的少量代表数据，才能产生人为理解的知识。支持向量回归方法正是针对训练数据稀疏提取产生的，它具有优越的预测表现，还能够提取少量的代表数据(称为支持向量)。但是，随着智能电网的快速发展，电力系统会不断地获取批量新数据，这不仅要求能更新代表数据，还要求能更新已有的预测方法，实现增量负荷预测。而目前的支持向量回归方法需要重新进行模型选择和模型训练，这会使得模型训练和存储复杂度不断变大，进一步会影响模型学习精度。这就亟需本领域技术人员解决相应的技术问题。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于代表数据重构的增量SVR负荷预测方法。为了实现本专利技术的上述目的，本专利技术提供了一种基于代表数据重构的增量SVR负荷预测方法，包括：S1，使用相空间重构分析历史电力负荷数据，得到电力负荷数据的嵌入维和时延，得到多输入-单输出模式数据；<br>S2，利用最优训练子集方法和粒子群方法，使用支持向量回归对历史电力负荷数据建模，得到电力负荷代表数据和支持向量回归的模型参数，根据该代表数据和支持向量回归的模型参数获取此时的电力负荷预测结果；S3，获取新的电力负荷数据，根据该多输入-单输出模式数据，采用代表数据重构方法更新该代表数据；并重新执行S3。所述的基于代表数据重构的增量SVR负荷预测方法，优选的，所述S2包括：初始电力负荷代表数据集由如下公式选取：x*=argmaxxi∈A{1|RDS|Σxj∈RDS(xj-xi)(xj-xi)T|xi||xj|本文档来自技高网...

【技术保护点】
一种基于代表数据重构的增量SVR负荷预测方法，其特征在于，包括：S1，使用相空间重构分析历史电力负荷数据，得到电力负荷数据的嵌入维和时延，得到多输入‑单输出模式数据；S2，利用最优训练子集方法和粒子群方法，使用支持向量回归对历史电力负荷数据建模，得到电力负荷代表数据和支持向量回归的模型参数，根据该代表数据和支持向量回归的模型参数获取此时的电力负荷预测结果；S3，获取新的电力负荷数据，根据该多输入‑单输出模式数据，采用代表数据重构方法更新该代表数据；并重新执行S3。

【技术特征摘要】
1.一种基于代表数据重构的增量SVR负荷预测方法，其特征在于，包括：
S1，使用相空间重构分析历史电力负荷数据，得到电力负荷数据的嵌入维和时延，得到
多输入-单输出模式数据；
S2，利用最优训练子集方法和粒子群方法，使用支持向量回归对历史电力负荷数据建
模，得到电力负荷代表数据和支持向量回归的模型参数，根据该代表数据和支持向量回归
的模型参数获取此时的电力负荷预测结果；
S3，...

【专利技术属性】
技术研发人员：祝志芳，车金星，李丽，曾宇露，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：江西;36