一种基于CSA-SVM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CSA

【技术实现步骤摘要】
一种基于CSA
‑
SVM的短期电力负荷预测方法


[0001]本专利技术属于短期电力负荷预测领域，涉及一种基于CSA
‑
SVM(Crow Search Algorithm，CSA为乌鸦搜索算法；Support Vector Machine，SVM为支持向量机)的短期电力负荷预测方法。

技术介绍

[0002]负荷预测，是指根据电力系统的运行特性、历史负荷数据与社会影响等多重因素，在满足一定精度的条件下，对未来一段时间的负荷功率进行预测。负荷预测是电网调度决策的重要支持条件之一，它对于电力系统的合理调度包括电网发电机组的启停、安排各机组的检修计划等具有重大的参考意义，有助于降低发电成本，保障电力系统的正常稳定运行。
[0003]支持向量机(SVM)于1964年由V.N.Vapnik等人基于统计学理论提出，是一种广泛应用于回归和分类的智能算法。通过定义最优超平面及支持向量的概念，将低维空间的样本点经非线性映射转换为高维特征空间中的点，使得原始的难题可以在极宽的解空间进行求解，在高维空间中找到线性解，并获得高维空间中的线性解对应于原始样本空间中寻求的非线性解。SVM参数的取值对其回归性能有着非常重要的影响，正确选择SVM的参数有助于提升SVM的性能。
[0004]乌鸦搜索算法(CSA)由Askarzadeh在2016年提出，它是受到乌鸦在储藏食物和偷窃食物的智能行为的启发，是一种基于种群的新型进化算法，充分利用种群的优势来增加寻找最优解的可能，不容易陷于局部最优。具有全局寻优能力强，且寻优速度快精度高，适合用于优化SVM的参数。但目前来说，缺乏像两者有机结合的方式以提高预测模型的准确度。

技术实现思路

[0005]本专利技术的目的在于考虑到对负荷预测精度的要求，如何进一步提高电力功率预测模型的准确性。
[0006]为了解决上述技术问题，本专利技术的技术方案是提供了一种基于CSA
‑
SVM的短期电力负荷预测方法，包括以下步骤：
[0007]步骤一：采集地区主变电站出线及其各节点的负荷功率峰值、均值数据，构建基于时间序列的功率原始数据集；
[0008]步骤二：对原始数据集进行预处理，将数据集划分为训练集和测试集两部分；
[0009]步骤三：计算CSA算法各项参数的初始适应值；
[0010]步骤四：初始化乌鸦位置和藏食物的记忆，将初始位置用于训练SVM负荷预测模型，更新乌鸦位置并检查新位置的可行性；
[0011]步骤五：计算新位置的适应度并更新乌鸦记忆；
[0012]步骤六：得到参数优化后的SVM短期电力负荷预测模型，用测试集来测试优化后模
型的预测性能，最终输出模型的预测准确率；
[0013]步骤七：采用负荷预测模型进行负荷预测，得到短期的电力负荷预测数据，为区域电网调度提供决策支持。
[0014]进一步的：
[0015]所述步骤二中，采用min
‑
max标准化方式对原始数据集进行归一化处理从而消除由于数据量纲不同带来的误差。
[0016]进一步的：
[0017]所述步骤三中，计算CSA算法各项参数的初始适应值。本文以均方误差平方和作为适应度函数，建立适应度函数如下：
[0018][0019]其中，n表示训练集数据的总数，P
mt
、Q
mt
表示时间t的预测值，P
pt
、Q
pt
表示时间t的实际值。min.f
MSE
表示以均方误差平方和达到最小值为算法优化目标。
[0020]初始化CSA算法的各项参数。设置初始化乌鸦的种群数量为N＝20，最大迭代次数为K＝100，飞行长度为fl＝3，辨识度为AP＝0.2。
[0021]进一步的：
[0022]所述步骤四中，SVM算法中需要优化的参数为：惩罚因子C和核参数σ，因此设置CSA的种群搜索空间为二维，乌鸦所处的位置和记忆都由一组二维数据(C，σ)构成。初始化乌鸦位置x
i,k
＝(C,σ)和藏食物的记忆m
j,k
＝(C,σ)，其中，x
i,k
表示乌鸦i在迭代过程中的原位置，m
j,k
表示乌鸦j在迭代过程中的记忆。初始乌鸦记忆即乌鸦的初始位置。
[0023]将初始的乌鸦位置用于训练SVM模型，并计算此时对应的适应度值，更新乌鸦位置，乌鸦i的位置更新公式如下：
[0024][0025]其中，x
i,k+1
表示乌鸦i的新位置，r
i
表示取0～1之间均匀分布的随机数，fl
i,k
表示乌鸦i的飞行长度，AP
j,k
代表乌鸦j发现被乌鸦i跟踪的概率。
[0026]检查新位置是否处于定义的二维搜索空间内，若在，乌鸦i飞往新位置是可行的。
[0027]进一步的：
[0028]所述步骤五中，计算新位置的适应度值，乌鸦i的记忆更新公式如下：
[0029][0030]进一步的：
[0031]所述步骤六中，不断重复更新位置及记忆，直至满足终止条件，得到SVM最优参数：惩罚因子C和核参数σ。
[0032]进一步的：
[0033]所述步骤七中，得到参数优化后的SVM短期电力负荷预测模型后，用测试集来测试优化后模型的预测性能，最终输出模型的预测准确率；采用负荷预测模型进行负荷预测，得到短期的电力负荷预测数据，根据预测的短期负荷变化为区域电网调度提供决策支持。
[0034]综上所述，通过两者CSA和SVM的结合优化，并匹配步骤六的反复训练有效的提高了预测的准确定。
附图说明
[0035]图1是本专利技术实施例所述的基于CSA
‑
SVM的短期电力负荷预测方法流程示意图。
具体实施方式
[0036]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。下面将实施的方案进行详细阐述。
[0037]如图1所示，一种基于CSA
‑
SVM的短期电力负荷预测方法，包括以下步骤：
[0038]步骤一：采集地区主变电站出线及其各节点的负荷功率峰值、均值数据具体包括，t时刻对应的有功功率峰值P
tmax
、P
tmin
、平均值P
tave
及无功功率大小Q
tmax
、Q
tmin
、平均值Q
tave
，构建基于时间序列的功率原始数据集；
[0039]步骤二：对于原始数据集中的功率数据，去除功率值为负的数据点，采用min
‑
max标准化方式进行归一化处理，将经过预处理后的数据集划分为训练集和测试集两部分；
[0040]步骤三：计算CSA算法各项参数的初始适应值。本文以均方误差平方和作为适应度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CSA
‑
SVM的短期电力负荷预测方法，其特征在于，包括以下步骤：步骤一、采集地区主变电站出线及其各节点的负荷功率峰值、均值数据，构建基于时间序列的功率原始数据集；步骤二、对原始数据集进行预处理，将数据集划分为训练集和测试集两部分；步骤三、计算CSA算法各项参数的初始适应值；步骤四、初始化乌鸦位置和藏食物的记忆，将初始位置用于训练SVM负荷预测模型，更新乌鸦位置并检查新位置的可行性；步骤五、计算新位置的适应度并更新乌鸦记忆；步骤六、得到参数优化后的SVM短期电力负荷预测模型，用测试集来测试优化后模型的预测性能，最终输出模型的预测准确率；步骤七、采用负荷预测模型进行负荷预测，得到短期的电力负荷预测数据。2.根据权利要求1所述的一种基于CSA
‑
SVM的短期电力负荷预测方法，其特征在于，所述获取地区主变电站出线及其各节点的负荷功率峰值、均值数据具体包括，t时刻对应的有功功率峰值P
tmax
、P
tmin
、平均值P
tave
及无功功率大小Q
tmax
、Q
tmin
、平均值Q
tave
，构建基于时间序列的功率原始数据集。3.根据权利要求1所述的一种基于CSA
‑
SVM的短期电力负荷预测方法，其特征在于，对于原始数据集中的功率数据，去除功率值为负的数据点，采用min
‑
max标准化方式进行归一化处理，将经过预处理后的数据集划分为训练集和测试集两部分。4.根据权利要求1所述的一种基于CSA
‑
SVM的短期电力负荷预测方法，其特征在于，建立适应度函数如下：本文以均方误差平方和作为适应度函数，其中，n表示训练集数据的总数，P
mt
、Q
mt
表示时间t的预测值，P
pt
、Q
pt
表示时间t的实际值。min.f
MSE
表示以均方误差平方和达到最小值为算法优化目标。初始化CSA算法的各项参数。设置初始化乌鸦的种群数量为N，最大迭代次数为K，飞行长度为fl，辨识度为AP。5.根据权利要求1所述的一种基于CSA
...

【专利技术属性】
技术研发人员：钱宇，张峰，谢斌鑫，苏南，顾育君，
申请(专利权)人：国网江苏省电力有限公司江阴市供电分公司，
类型：发明
国别省市：