一种基于MWOA算法优化SVM的短期负荷预测方法技术

本发明专利技术公开了一种基于MWOA算法优化SVM的电力系统短期负荷预测方法，首先通过获取电力系统历史负荷数据和天气数据，并对所获取到的数据进行预处理；其次通过灰色关联度分析构建相似日集合，生成训练样本和测试样本；建立多输入单输出的支持向量机模型(SVM)用于特征学习，训练过程中采用改进鲸鱼算法(MWOA)寻找向量机模型最优核参数p和正则化参数C；最后，将测试样本输入预测模型中，得到电力系统短期负荷预测结果。本发明专利技术负荷预测模型算法收敛速度快，并且具有较好的均衡遍历性，不易陷入局部极值，有效获得较高精度的电力系统短期负荷预测结果。

A short-term load forecasting method based on mwoa algorithm to optimize SVM

The invention discloses a short-term load forecasting method of power system based on mwoa algorithm optimization SVM. Firstly, the historical load data and weather data of power system are acquired, and the acquired data are preprocessed; secondly, the similar day aggregation is constructed through grey correlation analysis, training samples and test samples are generated; and the multi input single output support vector machine model (SVM) is established In the training process, mwoa is used to find the optimal kernel parameter P and regularization parameter C of vector machine model. Finally, the test samples are input into the prediction model to get the short-term load prediction results of power system. The load forecasting model algorithm of the invention has fast convergence speed, good balance ergodicity, and is not easy to fall into local extreme value, so as to effectively obtain short-term load forecasting results of high precision power system.

【技术实现步骤摘要】
一种基于MWOA算法优化SVM的短期负荷预测方法
：本专利技术涉及电力系统调度通信领域，尤其涉及一种基于MWOA算法优化SVM的电力系统短期负荷预测方法。
技术介绍
：电能是目前世界上最重要的能量来源，但由于电能难以储存的缺点尚未得到有效解决，这就要求发电计划与负荷需求达到动态平衡，因此高精度的短期负荷预测是电力系统的正常安全运行以及高供电质量的重要保证。精确的预测结果是实现调度和精细化管理的基础，是开展安全稳定分析、动态状态估计、检修计划编制等工作的前提。而短期负荷预测是用户侧微电网能量管理系统的重要组成部分，是实现微电网优化调度的基础，预测结果可影响微电网的运行策略和电能交易。从预测方法的角度，由于温度、气候、日类型等因素的影响，以及需求侧的调度，电力系统负荷存在较强的不确定性和非线性特性，使得短期负荷预测的精度较低。传统的负荷预测方法包括回归分析，时间序列法、趋势外推法等，这些方法多采用数学表达式的方式来描述预测模型，难以满足电力负荷周期性、时变性的要求；现代预测方法主要有灰色预测法、模糊预测法等，由于电力负荷本身特征复杂，特征之本文档来自技高网...

【技术保护点】
1.一种基于MWOA算法优化SVM的短期负荷预测方法，其特征在于，包括如下步骤：/nS1获取数据样本，所述数据样本包括：电力系统历史负荷数据、日类型和天气数据；/nS2对所述负荷数据中的异常数据进行预处理，并对所述电力系统负荷数据和影响因素数据进行归一化，得到无量纲特征量；/nS3对S2中的归一化数据，采用灰色关联度分析方法选取关联度大于设定阈值的天数作为相似日集合，以此构建起训练样本和测试样本；/nS4构建SVM模型进行特征学习，其中采用MWOA算法寻找最优核参数p和正则化参数C；/nS5将测试样本输入S4中训练好的SVM模型中进行预测，得到电力系统短期负荷预测结果。/n

【技术特征摘要】
1.一种基于MWOA算法优化SVM的短期负荷预测方法，其特征在于，包括如下步骤：
S1获取数据样本，所述数据样本包括：电力系统历史负荷数据、日类型和天气数据；
S2对所述负荷数据中的异常数据进行预处理，并对所述电力系统负荷数据和影响因素数据进行归一化，得到无量纲特征量；
S3对S2中的归一化数据，采用灰色关联度分析方法选取关联度大于设定阈值的天数作为相似日集合，以此构建起训练样本和测试样本；
S4构建SVM模型进行特征学习，其中采用MWOA算法寻找最优核参数p和正则化参数C；
S5将测试样本输入S4中训练好的SVM模型中进行预测，得到电力系统短期负荷预测结果。


2.如权利要求1所述的的短期负荷预测方法，其特征在于，S2中所述异常数据为所述负荷数据在采集及传输过程中可能造成出现的数据缺省和异常大值。


3.如权利要求1或2所述的的电力系统短期负荷预测方法，其特征在于，S2中对所述异常数据进行预处理，为采用相似日同一时间点负荷数据平均值方法对所述异常数据进行替换；


4.如权利要求1所述的的电力系统短期负荷预测方法，其特征在于，所述影响因素数据包括天气温度、湿度、日期类型。


5.如权利要求1所述的的短期负荷预测方法,其特征在于，所述S3中相似日选取的具体步骤为：
求取待预测日因素序列与历史日因素序列的差序列矩阵，Δ＝[Δ10,...,Δm0,...,Δn0]其中，Δm0＝(|xm(1)-x0(1)|,...,|xm(t)-x0(t)|)再求取两级最大差和最小差，如式(1)和式(2)所示：
Δmin＝minmin(Δ)(1)
Δmax＝maxmax(Δ)(2)
最后计算x0对xm的的灰色关联度，如下式所示:



其中，Δm0(k)＝|xm(k)-x0(k)|；ρ为分辨系数，取0.5。根据灰色关联度排序，选取得到相似日样本集合。


6.如权利要求1所述的的电力系统短期负荷预测方法,其特征在于，S3中的训练样本以前一日和前俩日的电力系统负荷数据归一化值、前一日和当日的最高温度、平均温度、最低温度、平均湿度...

【专利技术属性】
技术研发人员：徐杰彦，陈征，郝添翼，苏子云，张涵，褚渊，潘方圆，李芸霄，刘蕾，刘金鑫，雷涛，张晓斌，倪骏康，
申请(专利权)人：国网北京节能设计研究院有限公司，国网江苏省电力有限公司，西北工业大学，
类型：发明
国别省市：北京;11