一种基于SFO-TSVR的短期电力负荷预测方法技术

本发明专利技术涉及一种基于SFO

【技术实现步骤摘要】
一种基于SFO
‑
TSVR的短期电力负荷预测方法


[0001]本专利技术涉及电力系统负荷预测
，尤其是涉及一种基于SFO
‑
TSVR的短期电力负荷预测方法。

技术介绍

[0002]短期负荷预测是电力系统经济调度的基础组成部分，也是电力系统安全运行的重要保障。随着社会经济的高速发展，各行各业对电能的需求与日剧增，与此同时，对电力负荷预测精度的要求也逐渐提高，提高负荷预测精度可以合理地安排电力生产和调度运行计划，也对电网的的经济效益有重要影响。
[0003]随着计算机技术、人工智能等领域的发展，目前短期电力负荷预测方法主要有支持向量回归、随机森林、深度神经网络等方法。其中，深度神经网络具有学习能力强、特征提取效果好等优点，但对数据规模和硬件需求较高；支持向量回归具有擅长处理小样本数据、泛化能力强等优点，但存在运行速度慢、精度相对较低的缺点；此外，孪生支持向量回归(twin support vector regression，TSVR)是在支持向量回归基础上，通过使用两个非平行的超平面将一个复杂的凸优化问题转化为两个简单的凸二次规划问题，大幅度地提高了模型的训练效率和拟合能力，然而孪生支持向量回归是参数依赖型模型，参数的选择会直接影响模型的预测精度，而人工调参的方式势必容易受主观经验影响，传统的智能优化算法也在寻优能力和收敛速度方面存在一定的局限性。以上均会影响预测结果的准确性以及预测效率。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SFO (sailfish optimizer，旗鱼优化)
‑
TSVR的短期电力负荷预测方法，以实现高效、准确预测的目的。
[0005]本专利技术的目的可以通过以下技术方案来实现：一种基于SFO
‑
TSVR的短期电力负荷预测方法，包括以下步骤：
[0006]S1、获取历史负荷数据、气象数据及对应的日期类型数据，以作为原始样本数据；
[0007]S2、将原始样本数据划分为训练集和测试集；
[0008]S3、设定输入数据序列，并构建TSVR模型；
[0009]S4、基于训练集，并采用SFO算法，对TSVR模型进行训练；
[0010]S5、基于测试集，对训练后的TSVR模型进行验证，若验证通过，则执行步骤S6，否则返回步骤S3；
[0011]S6、根据设定的输入数据序列，将实际待预测日的相关数据输入训练后的 TSVR模型，得到实际待预测日的电力负荷预测值。
[0012]进一步地，所述步骤S1具体是对历史负荷数据和气象数据进行归一化处理，并将相应的日期类型数据量化到[0,1]范围内，以此得到原始样本数据。
[0013]进一步地，所述步骤S3具体包括以下步骤：
[0014]S31、设定输入数据序列具体为：待预测日前两日的气象数据、负荷数据及日期类型，待预测日前一日的气象数据、负荷数据及日期类型，以及待预测日的气象数据和日期类型；
[0015]S32、建立TSVR模型的回归函数：
[0016]f(x)＝(f1(x)+f1(x))/2
[0017][0018][0019]其中，f(x)为TSVR模型的回归函数，f1(x)和f2(x)分别为TSVR模型的上、下界决策函数，w1和w2分别为决策函数f1(x)和f2(x)的权重系数，b1和b2分别为决策函数f1(x)和f2(x)的偏置项。
[0020]进一步地，所述步骤S32中权重系数和偏置项具体为：
[0021][0022][0023]G＝[X e][0024]f＝Y
‑
eε1[0025]h＝Y+eε2[0026]X＝[x1,x2,
…
,x
n
]T
[0027]Y＝[y1,y2,
…
,y
n
]T
[0028]其中，α和β为拉格朗日算子，X为输入矩阵，Y为输出矩阵，ε1、ε2为不敏感损失因子，ξ1和ξ2为松弛变量，e为元素均为1的列向量。
[0029]进一步地，所述步骤S4具体包括以下步骤：
[0030]S41、确定待寻优的TSVR的惩罚参数C1、C2，不敏感损失因子ε1和ε2以及高斯核参数σ，并设定SFO算法中，每个旗鱼的位置对应TSVR的一组参数；
[0031]S42、确定SFO的适应度函数：
[0032][0033]其中，M为训练集样本数量，和y
k
分别为训练样本的实际输出值和期望输出值；
[0034]S44、根据待寻优参数可行域随机初始化旗鱼种群和沙丁鱼种群的位置，并设置SFO算法的相关参数；
[0035]S44、计算旗鱼种群和沙丁鱼种群的初始适应度值；
[0036]S45、确定初始状态下旗鱼种群和沙丁鱼种群的适应度值最优个体、并分别记为精英旗鱼和受伤沙丁鱼；
[0037]S46、旗鱼种群根据精英旗鱼的位置和受伤沙丁鱼的位置更新自身位置；
[0038]S47、沙丁鱼种群会根据旗鱼的攻击力和精英旗鱼的方位来更新位置；
[0039]S48、重新计算旗鱼和沙丁鱼的适应度值并进行比较，若沙丁鱼的适应度值优于旗鱼，旗鱼会占据沙丁鱼的位置并将沙丁鱼从种群中移除，具体可表述为：
[0040]if f(S
i
)<f(SF
i
)
[0041]其中，为当前旗鱼的位置，为当前沙丁鱼的位置，S
i
为沙丁鱼的适应度至，SF
i
为旗鱼的适应度值；
[0042]S49、判断是否达到最大迭代次数，若是，则输出当前精英旗鱼的位置，即TSVR 的最优参数，否则返回步骤S46。
[0043]进一步地，所述步骤S46中旗鱼种群更新位置的计算公式为：
[0044][0045]其中，和分别表示当前精英旗鱼和受伤沙丁鱼的位置，r是0～1 之间均匀分布的一个随机数，λ
i
是一个动态变化的系数，其表达式为：
[0046][0047]其中，N
SF
和N
S
分别代表旗鱼和沙丁鱼的数量。
[0048]进一步地，所述步骤S47中沙丁鱼种群更新位置的计算公式为：
[0049][0050]其中，表示当前沙丁鱼的位置，AP表示旗鱼的攻击力，在每次攻击之后均会线性降低，其计算公式为：
[0051]AP＝A*(1
‑
2Itr*ε)
[0052]其中，A和ε是旗鱼的攻击力变化系数，Itr是当前迭代次数。
[0053]进一步地，所述步骤S5具体包括以下步骤：
[0054]S51、根据设定的输入数据序列，从测试集中选取相应数据输入训练后的TSVR 模型，得到对应的验证预测值；
[0055]S52、将验证预测值进行反归一化处理，得到验证预测结果；...

【技术保护点】

【技术特征摘要】
1.一种基于SFO
‑
TSVR的短期电力负荷预测方法，其特征在于，包括以下步骤：S1、获取历史负荷数据、气象数据及对应的日期类型数据，以作为原始样本数据；S2、将原始样本数据划分为训练集和测试集；S3、设定输入数据序列，并构建TSVR模型；S4、基于训练集，并采用SFO算法，对TSVR模型进行训练；S5、基于测试集，对训练后的TSVR模型进行验证，若验证通过，则执行步骤S6，否则返回步骤S3；S6、根据设定的输入数据序列，将实际待预测日的相关数据输入训练后的TSVR模型，得到实际待预测日的电力负荷预测值。2.根据权利要求1所述的一种基于SFO
‑
TSVR的短期电力负荷预测方法，其特征在于，所述步骤S1具体是对历史负荷数据和气象数据进行归一化处理，并将相应的日期类型数据量化到[0,1]范围内，以此得到原始样本数据。3.根据权利要求1所述的一种基于SFO
‑
TSVR的短期电力负荷预测方法，其特征在于，所述步骤S3具体包括以下步骤：S31、设定输入数据序列具体为：待预测日前两日的气象数据、负荷数据及日期类型，待预测日前一日的气象数据、负荷数据及日期类型，以及待预测日的气象数据和日期类型；S32、建立TSVR模型的回归函数：f(x)＝(f1(x)+f1(x))/2(x))/2其中，f(x)为TSVR模型的回归函数，f1(x)和f2(x)分别为TSVR模型的上、下界决策函数，w1和w2分别为决策函数f1(x)和f2(x)的权重系数，b1和b2分别为决策函数f1(x)和f2(x)的偏置项。4.根据权利要求3所述的一种基于SFO
‑
TSVR的短期电力负荷预测方法，其特征在于，所述步骤S32中权重系数和偏置项具体为：述步骤S32中权重系数和偏置项具体为：G＝[X e]f＝Y
‑
eε1h＝Y+eε2X＝[x1,x2,...,x
n
]
T
Y＝[y1,y2,...,y
n
]
T
其中，α和β为拉格朗日算子，X为输入矩阵，Y为输出矩阵，ε1、ε2为不敏感损失因子，ξ1和ξ2为松弛变量，e为元素均为1的列向量。5.根据权利要求4所述的一种基于SFO
‑
TSVR的短期电力负荷预测方法，其特征在于，所
述步骤S4具体包括以下步骤：S41、确定待寻优的TSVR的惩罚参数C1、C2，不敏感损失因子ε1和ε2以及高斯核参数σ，并设定SFO算法中，每个旗鱼的位置对应TSVR的一组参数；S42、确定SFO的适应度函数：其中，M为训练集样本数量，和y
k
分别为训练样本的实际输出值和期望输出值；S44、根据待寻优参数可行域...

【专利技术属性】
技术研发人员：陈昱吉，成贵学，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：