一种基于LSSVM优化的负荷预测方法及系统技术方案

本发明专利技术公开了一种基于LSSVM优化的负荷预测方法及系统，包括：(1)在获取原始的历史负荷数据之后，甄别并修正其中的异常数据，构建特征向量，对特征向量进行k均值聚类，根据聚类效果，选择输入变量；(2)以LSSVM模型的惩罚因子C和核函数宽度参数σ，作为粒子群算法的粒子在搜索空间的位置坐标，选择使得适应度值最小的粒子坐标向量值[C,σ]作为粒子群算法的输出；(3)利用优化处理后的输入变量数据作为LSSVM模型的输入和输出，利用步骤(2)中得到的[C,σ]，求解负荷预测回归方程，利用回归方程进行负荷预测。本发明专利技术修正了异常数据，找到最适宜的惩罚因子和核函数宽度参数，从而提高基于LSSVM的负荷预测精度。

A load forecasting method and system based on LSSVM optimization

The invention discloses a method and system load forecasting method based on LSSVM optimization includes: (1) after obtaining the original historical load data, screening and correction of anomalous data and construct feature vector and K clustering of feature vectors according to the clustering results, selection of input variables; (2) to the penalty factor C LSSVM model and kernel width parameter, as the particle particle swarm algorithm in the search space coordinates, are selected so that the fitness value of particle coordinates of vector minimum value [C, sigma] as the output of the particle swarm algorithm; (3) using the data after the optimization of input variables as the input of LSSVM model and output by step (2) in [C, sigma], for load forecasting regression equation of load forecasting using the regression equation. The invention modifies the abnormal data, finds the most suitable penalty factor and the kernel function width parameter, so as to improve the load forecasting precision based on LSSVM.

【技术实现步骤摘要】
一种基于LSSVM优化的负荷预测方法及系统
本专利技术属于负荷预测领域，更具体地，涉及一种基于LSSVM优化的负荷预测方法及系统。
技术介绍
在现有的负荷预测技术中，LSSVM具有计算速度快、预测精度高、推广性能好的优点，非常适用于非线性、高维度、小样本的负荷预测应用场景。通过对建筑负荷的实时预测，将预测值与实际负荷值进行对比，可以及时发现建筑能耗使用异常及存在的设备故障，采取补救措施，避免可能带来的损失；分析建筑的节能状态和节能潜力，调整节能策略，为合理分配能量提供决策依据。在基于LSSVM技术进行负荷预测时，对预测结果影响较大的主要是样本数据的质量和模型的参数。提高LSSVM负荷预测精度和速度的关键在于提高数据的质量和选择合适的惩罚因子和核函数宽度参数。在数据质量方面，传统的横向比较法，是利用负荷曲线中连续的两点不会产生突变的性质，如果前后两个时刻的负荷之差超过一定的阈值，则认为该处有异常点，取前后两个时刻平均值进行修正，由于负荷数据中连续异常值的存在，传统的横向比较法不能充分修正存在的异常数据；训练样本集不能充分体现负荷的内在特征；输入变量的维数过多及变量之间的相关性，使模型结构复杂化，对负荷的影响因素进行属性约简可以起到降维的作用，但是舍弃了其余因素中携带的信息，且无法解决变量之间相关问题。在参数选择方面，LSSVM负荷预测模型的主要缺点在于惩罚项参数C和核函数宽度参数的选择没有一定的依据，只能依靠预测人员的经验或是实验方法。基于经验选择参数的方法随机性太强，基于网格搜索、交叉验证等实验方法计算量比较大，非常耗时。基于标准的PSO粒子群算法可以对LSSVM的模型参数进行寻优，但PSO算法在寻找最佳参数的过程中，粒子容易向局部极值靠拢，造成早熟收敛问题。综上，现有技术基于LSSVM技术进行负荷预测时，模型数据样本的质量不高、惩罚项参数C以及核函数宽度参数σ选择困难为基于LSSVM的实时负荷预测带来了困难。
技术实现思路
针对现有技术的缺陷，本专利技术的目的在于解决现有技术基于LSSVM技术进行负荷预测时，模型数据样本的质量不高、惩罚项参数C以及核函数宽度参数σ选择困难为基于LSSVM的实时负荷预测带来了困难的技术问题。为实现上述目的，一方面，本专利技术提供一种基于LSSVM优化的负荷预测方法，包括以下步骤：(1)在获取原始的历史负荷数据之后，利用双向比较法处理数据，甄别并修正其中的异常数据；然后以温度、日期类型、负荷数据构建特征向量，对特征向量进行k均值聚类，根据聚类效果，选择与待预测日数据特征相似度较高的日期的数据作为训练样本的输入变量；对输入变量进行主成分分析降维处理，去除冗余信息。(2)以LSSVM模型的惩罚因子C和核函数宽度参数σ，作为粒子群算法的粒子在搜索空间的位置坐标，将每次迭代过程中每个粒子的位置向量[C,σ]输入到LSSVM模型，并计算训练集的预测值和实际值的误差作为适应度；在迭代过程中选择适应度好的粒子作为父代粒子，进行交叉操作，然后对粒子的位置变量进行变异；选择使得适应度值最小的粒子坐标向量值[C,σ]作为粒子群算法的输出。(3)利用步骤(1)中优化处理后的输入变量数据作为LSSVM模型的输入和输出，利用步骤(2)中得到的[C,σ]的坐标值C作为LSSVM模型的惩罚因子，坐标值σ作为LSSVM模型的核函数宽度参数，求解负荷预测回归方程，利用回归方程进行负荷预测。可选地，在步骤(2)中，将经过步骤(1)优化处理后的输入变量数据作为步骤(2)中所述的训练集的输入输出。可选地，所述LSSVM负荷预测模型利用Correct-Cluster-PCA算法优化模型完成所述步骤(1)，所述步骤(1)具体包括以下步骤：步骤1-1、对于原始的n天历史负荷数据，从第d天的第2个时刻点开始，计算t时刻点相对于t-1时刻点负荷的变化量D(d,t)＝L(d,t)-L(d,t-1)和n天负荷变化量的平均值判断每天的负荷变化量是否超过阈值，即判断D(d,t)>λα(t)是否成立，若是，跳到步骤1-2，否则跳到步骤1-4，λ为修正因子常数，1≤d≤n，2≤t≤∞，L(d,t)为第d天第t时刻的负荷量。步骤1-2、计算双向比较法的横向阈值若待判定的负荷数据值满足判断该待判定的负荷数据为异常数据，跳到步骤1-3，否则跳到步骤1-4。步骤1-3、筛选出异常数据，统计异常数据的个数。步骤1-4、统计判定为正常的数据，计算正常数据的平均值，作为异常数据的修正值。步骤1-5、修正异常数据。步骤1-6、判断第d天的数据修正是否完成，若是，则跳到步骤1-6，若否，则t+1，跳到步骤1-1。步骤1-7、判断n天的数据是否修正完成，若是，则结束算法的Correct部分，若否，则d+1，跳到步骤1-1。步骤1-8、利用步骤1-7中修正完成后的负荷数据和日平均温度数据、日期类型数据构成相似日特征向量，对n天的相似日特征向量进行k均值聚类，完成算法的Cluster部分。步骤1-9、根据步骤1-8中的聚类结果，选择与待预测日同一类的日期的数据作为训练样本，利用PCA算法，即主成分分析法，对输入向量进行降维处理，完成算法的PCA部分。可选地，所述的LSSVM模型利用Improved-PSO-LSSVM参数寻优算法找到模型最适宜的惩罚因子参数C和核函数宽度参数σ，步骤(2)具体包括以下步骤：步骤2-1、初始化粒子群PSO算法的粒子群规模、参数C的搜索范围和参数σ的搜索范围、最大迭代次数maxgen、惯性因子参数w、加速参数c1和c2、速度上限参数vmax，交叉概率pc和变异概率pm。步骤2-2、在C和σ的搜索范围内初始化粒子的位置，将每个粒子的当前位置作为其个体历史最优位置Pid。步骤2-3、将步骤2-2中粒子的初始化位置向量[C,σ]的坐标值分别作为LSSVM模型的惩罚因子C和核函数宽度参数σ，以步骤1-9中得到的Correct-Cluster-PCA算法处理后的数据作为输入，以历史负荷数据作为输出，计算预测负荷值与实际预测值之间的平均绝对误差作为适应度值；在每个粒子的个体历史最优位置中找出适应度值最小的位置作为群体最优位置Pgd。步骤2-4、在第n+1次迭代时粒子的速度更新公式为：位置更新公式为分别按照速度更新公式和位置更新公式更新粒子的位置，式中，为第n次迭代时粒子的速度，为第n次迭代时粒子的位置，w为第n次迭代时粒子的惯性因子常数，为第n次迭代时粒子的个体最优位置，为第n次迭代时粒子的群体最优位置，c1、c2为加速常数因子，r1、r2为取值范围为[0,1]的随机数。步骤2-5、按照适应度值的大小将粒子进行排序。步骤2-6、选择适应度好的粒子构成粒子池，按照概率pc选择粒子池中的粒子作为父代粒子，进行交叉操作，子代粒子的速度更新公式为：位置更新公式为：式中p为取值范围为[0,1]的随机数，parent1(Vi)、parent1(Xi)为父代粒子1的速度和位置，parent2(Vi)、parent2(Xi)分别为父代粒子2的速度和位置，child1(Vi)、child1(Xi)为子代粒子1的速度和位置，child2(Vi)、child2(Xi)为子代粒子2的速度和位置，式中i为微粒迭代的次数。步骤2-7、按照概率pm对步骤2本文档来自技高网...

【技术保护点】
一种基于LSSVM优化的负荷预测方法，其特征在于，包括以下步骤：(1)在获取原始的历史负荷数据之后，利用双向比较法处理数据，甄别并修正其中的异常数据；然后以温度、日期类型、负荷数据构建特征向量，对特征向量进行k均值聚类，根据聚类效果，选择与待预测日数据特征相似度较高的日期的数据作为训练样本的输入变量；对输入变量进行主成分分析降维处理，去除冗余信息；(2)以LSSVM模型的惩罚因子C和核函数宽度参数σ，作为粒子群算法的粒子在搜索空间的位置坐标，将每次迭代过程中每个粒子的位置向量[C，σ]输入到LSSVM模型，并计算训练集的预测值和实际值的误差作为适应度；在迭代过程中选择适应度好的粒子作为父代粒子，进行交叉操作，然后对粒子的位置变量进行变异；选择使得适应度值最小的粒子坐标向量值[C，σ]作为粒子群算法的输出；(3)利用步骤(1)中优化处理后的输入变量数据作为LSSVM模型的输入和输出，利用步骤(2)中得到的[C，σ]的坐标值C作为LSSVM模型的惩罚因子，坐标值σ作为LSSVM模型的核函数宽度参数，求解负荷预测回归方程，利用回归方程进行负荷预测。

【技术特征摘要】
1.一种基于LSSVM优化的负荷预测方法，其特征在于，包括以下步骤：(1)在获取原始的历史负荷数据之后，利用双向比较法处理数据，甄别并修正其中的异常数据；然后以温度、日期类型、负荷数据构建特征向量，对特征向量进行k均值聚类，根据聚类效果，选择与待预测日数据特征相似度较高的日期的数据作为训练样本的输入变量；对输入变量进行主成分分析降维处理，去除冗余信息；(2)以LSSVM模型的惩罚因子C和核函数宽度参数σ，作为粒子群算法的粒子在搜索空间的位置坐标，将每次迭代过程中每个粒子的位置向量[C，σ]输入到LSSVM模型，并计算训练集的预测值和实际值的误差作为适应度；在迭代过程中选择适应度好的粒子作为父代粒子，进行交叉操作，然后对粒子的位置变量进行变异；选择使得适应度值最小的粒子坐标向量值[C，σ]作为粒子群算法的输出；(3)利用步骤(1)中优化处理后的输入变量数据作为LSSVM模型的输入和输出，利用步骤(2)中得到的[C，σ]的坐标值C作为LSSVM模型的惩罚因子，坐标值σ作为LSSVM模型的核函数宽度参数，求解负荷预测回归方程，利用回归方程进行负荷预测。2.根据权利要求1所述的负荷预测方法，其特征在于，在步骤(2)中，将经过步骤(1)优化处理后的输入变量数据作为步骤(2)中所述的训练集的输入输出。3.根据权利要求1或2所述的负荷预测方法，其特征在于，所述LSSVM负荷预测模型利用Correct-Cluster-PCA算法优化模型完成所述步骤(1)，所述步骤(1)具体包括以下步骤：步骤1-1、对于原始的n天历史负荷数据，从第d天的第2个时刻点开始，计算t时刻点相对于t-1时刻点负荷的变化量D(d,t)＝L(d,t)-L(d,t-1)和n天负荷变化量的平均值判断每天的负荷变化量是否超过阈值，即判断D(d,t)>λα(t)是否成立，若是，跳到步骤1-2，否则跳到步骤1-4，λ为修正因子常数，1≤d≤n，2≤t≤∞，L(d,t)为第d天第t时刻的负荷量；步骤1-2、计算双向比较法的横向阈值i＝1,2,...,n，若待判定的负荷数据值满足判断该待判定的负荷数据为异常数据，跳到步骤1-3，否则跳到步骤1-4；步骤1-3、筛选出异常数据，统计异常数据的个数；步骤1-4、统计判定为正常的数据，计算正常数据的平均值，作为异常数据的修正值；步骤1-5、修正异常数据；步骤1-6、判断第d天的数据修正是否完成，若是，则跳到步骤1-6，若否，则t+1，跳到步骤1-1；步骤1-7、判断n天的数据是否修正完成，若是，则结束算法的Correct部分，若否，则d+1，跳到步骤1-1；步骤1-8、利用步骤1-7中修正完成后的负荷数据和日平均温度数据、日期类型数据构成相似日特征向量，对n天的相似日特征向量进行k均值聚类，完成算法的Cluster部分；步骤1-9、根据步骤1-8中的聚类结果，选择与待预测日同一类的日期的数据作为训练样本，利用PCA算法，即主成分分析法，对输入向量进行降维处理，完成算法的PCA部分。4.根据权利要求3所述的负荷预测方法，其特征在于，所述的LSSVM模型利用Improved-PSO-LSSVM参数寻优算法找到模型最适宜的惩罚因子参数C和核函数宽度参数σ，步骤(2)具体包括以下步骤：步骤2-1、初始化粒子群PSO算法的粒子群规模、参数C的搜索范围和参数σ的搜索范围、最大迭代次数maxgen、惯性因子参数w、加速参数c1和c2、速度上限参数vmax，交叉概率pc和变异概率pm；步骤2-2、在C和σ的搜索范围内初始化粒子的位置，将每个粒子的当前位置作为其个体历史最优位置Pid；步骤2-3、将步骤2-2中粒子的初始化位置向量[C,σ]的坐标值分别作为LSSVM模型的惩罚因子C和核函数宽度参数σ，以步骤1-9中得到的Correct-Cluster-PCA算法处理后的数据作为输入，以历史负荷数据作为输出，计算预测负荷值与实际预测值之间的平均绝对误差作为适应度值；在每个粒子的个体历史最优位置中找出适应度值最小的位置作为群体最优位置Pgd；步骤2-4、在第n+1次迭代时粒子的速度更新公式为：位置更新公式为分别按照速度更新公式和位置更新公式更新粒子的位置，式中，为第n次迭代时粒子的速度，为第n次迭代时粒子的位置，w为第n次迭代时粒子的惯性因子常数，为第n次迭代时粒子的个体最优位置，为第n次迭代时粒子的群体最优位置，c1、c2为加速常数因子，r1、r2为取值范围为[0,1]的随机数；步骤2-5、按照适应度值的大小将粒子进行排序；步骤2-6、选择适应度好的粒子构成粒子池，按照概率pc选择粒子池中的粒子作为父代粒子，进行交叉操作，子代粒子的速度更新公式为：位置更新公式为：式中p为取值范围为[0,1]的随机数，parent1(Vi)、parent1(Xi)为父代粒子1的速度和位置，parent2(Vi)、parent2(Xi)分别为父代粒子2的速度和位置，child1(Vi)、child1(Xi)为子代粒子1的速度和位置，child2(Vi)、child2(Xi)为子代粒子2的速度和位置，式中i为微粒迭代的次数；步骤2-7、按照概率pm对步骤2-6中得到的子代粒子执行变异操作，变异公式为Xi′＝Xi+rand×η，式中rand为取值范围为[0,1]的随机数，η为与Xi同维的服从(0,1)标准正态分布的随机向量，Xi′为执行变异操作后粒子在空间中的位置，Xi为执行变异操作前粒子在空间中的位置；步骤2-8、计算经过选择、交叉、变异后的粒子的适应度值，更新个体最优位置Pid和群体最优位置Pgd；步骤2-9、判断是否到达最大迭代次数或群体迄今搜索到...

【专利技术属性】
技术研发人员：戴彬，王曼，徐方琳，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42