一种基于POFP-SVM算法的省级月度用电量预测方法技术

本发明专利技术公开了基于POFP

【技术实现步骤摘要】
一种基于POFP
‑
SVM算法的省级月度用电量预测方法


[0001]本专利技术属于电力调度
，具体涉及一种基于POFP
‑
SVM算法的省级月度用电量预测方法。

技术介绍

[0002]电力的供需均衡会影响到社会的正常运行、家庭以及个人的正常生活，充足且平衡的电力供应具有重要意义。发电侧的发电量主要取决于用电侧的电力需求，因此，全社会的月度用电量的准确预测成为一个很有意义的问题。
[0003]近年来，对于用电量预测问题或负荷预测问题的研究已经不断深入，各式各样的方法层出不穷。月度用电量预测由于其影响因素复杂、样本点较少等特点，相对短期用电量预测呈现出不同的特点。现有的研究多采用一阶灰色模型作为核心预测方法，也有采用支持向量机做预测分析的。然而，一阶灰色模型对周期变化的序列预测表现不佳，且没有考虑到用电量影响因素对于预测过程的影响，建模不够精细化。支持向量机的输入值要么是基于一维时间序列的单一历史值，要么是和预测值相关的多个影响因素的多维矩阵，但不管是模型的建立阶段还是预测阶段，都是基于输入矩阵已知或可以测量的情况。而在实际应用中，对于载未来一定时间内，输入矩阵未知或不确定的情况下如何预测这一问题却缺乏讨论。

技术实现思路

[0004]专利技术目的：针对以上问题，本专利技术提出一种基于POFP
‑
SVM算法的省级月度用电量预测方法，采用特征输入和参数调优双重改进的支持向量机算法提高预测模型的准确度和实用性。
[0005]技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于POFP
‑
SVM算法的省级月度用电量预测方法，具体包括如下步骤：
[0006]步骤1，采集并统计得到历史省级全社会月度用电量数据、月度平均温度数据、月度平均电价数据以及月度GDP数据，并分别针对月度用电量、月度平均温度、月度平均电价以及月度GDP构建各自对应的初始数据集；
[0007]步骤2，构建支持向量机预测模型，将步骤1得到的月度平均温度初始数据集、月度平均电价初始数据集、月度GDP初始数据集作为输入，月度用电量初始数据集作为输出，对支持向量机预测模型进行训练；利用粒子群算法对支持向量机预测模型的参数对(c,g)进行迭代寻优，得到最优参数的支持向量机预测模型；其中，c表示惩罚参数，g表示核参数；
[0008]步骤3，将月度平均温度、月度平均电价以及月度GDP作为特征参量，利用步骤1得到的初始数据集分别对上述三个特征参量构建各自对应的二阶灰色预测模型；
[0009]步骤4，利用月度平均温度对应的二阶灰色预测模型对月度平均温度进行前级预测，利用月度平均电价对应的二阶灰色预测模型对月度平均电价进行前级预测，利用月度GDP对应的二阶灰色预测模型对月度GDP进行前级预测，得到上述特征参量各自对应的预测
值；
[0010]步骤5，将步骤4得到的三个特征参量的预测值作为步骤2所述最优参数的支持向量机预测模型的输入，得到省级全社会月度用电量预测值。
[0011]进一步地，所述步骤2的方法如下：
[0012]步骤2.1，对步骤1得到的初始数据集进行归一化处理；
[0013]步骤2.2，粒子群算法初始化以及粒子群初始化，方法如下：
[0014]设置局部学习因子c1、全局学习因子c2、终止迭代次数以及粒子群数量m；
[0015]在一个三维空间中初始化粒子群x＝{x1,x2,
…
,x
i
,...,x
m
}，其中，第i个粒子x
i
的位置为x
i
＝{x
i1
,x
i2
,x
i3
}，速度为v
i
＝{v
i1
,v
i2
,v
i3
}；
[0016]其中，x
i1
,x
i2
,x
i3
分别表示第i个粒子x
i
在三维空间坐标的位置分量；v
i1
,v
i2
,v
i3
分别表示第i个粒子x
i
在三维空间坐标的速度分量；
[0017]步骤2.3，利用LIBSVM计算粒子适应度；
[0018]步骤2.4，根据粒子适应度更新个体极值P
i
＝{P
i1
,P
i2
,P
i3
}以及全局极值P
g
＝{P
g1
,P
g2
,P
g3
}；其中，P
i1
,P
i2
,P
i3
分别为取得局部最优时的x
i1
,x
i2
,x
i3
对应的数值；P
g1
,P
g2
,P
g3
分别为取得全局最优时的P
i1
,P
i2
,P
i3
；
[0019]步骤2.5，利用下列公式更新粒子群的速度和位置：
[0020][0021][0022]其中，r1和r2均为0
‑
1区间的随机数；表示更新后的第i个粒子的位置；表示更新后的第i个粒子的速度；表示更新前的第i个粒子的位置；P
ij
表示更新前的个体极值；表示更新前的第i个粒子的速度；j表示迭代次数；
[0023]步骤2.6，判断是否达到终止迭代次数，如果判断没有达到终止迭代次数，则返回步骤2.3；否则，得到最优参数对(c,g)取值。
[0024]进一步地，所述步骤3中，利用步骤1得到的初始数据集分别对月度平均温度、月度平均电价以及月度GDP这三个特征参量构建各自对应的二阶灰色预测模型的方法一致，具体方法如下：
[0025]步骤3.1，设定原始数据集序列为其中，为第t个月度的第k个特征参量值，t＝1,2,
…
,n，n表示共有n个月度，k＝1,2,3，且k＝1表示月度平均温度，k＝2表示月度平均电价，k＝3表示月度GDP；利用一阶缓冲算子对原始数据集进行处理，得到一阶缓冲算子序列，记为：其中，第t个月度的第k个特征参量值的一阶缓冲算子结果为：
[0026][0027]步骤3.2，对步骤3.1所述一阶缓冲算子序列进行一次累加运算，得到一次累加序列，记为：其中，第t个月度的第k个特征参量值的一
次累加结果为：q表示第q个月度；
[0028]步骤3.3，对步骤3.2得到的累加序列作一次累差，得到一次累差序列，记为：其中，第t个月度的第k个特征参量值的一次累差结果为：
[0029]步骤3.4，对一次累差序列进行二次累差，得到二次累差序列记为其中，第t个月度的第k个特征参量值的二次累差结果为：...

【技术保护点】

【技术特征摘要】
1.一种基于POFP
‑
SVM算法的省级月度用电量预测方法，其特征在于，具体包括如下步骤：步骤1，采集并统计得到历史省级全社会月度用电量数据、月度平均温度数据、月度平均电价数据以及月度GDP数据，并分别针对月度用电量、月度平均温度、月度平均电价以及月度GDP构建各自对应的初始数据集；步骤2，构建支持向量机预测模型，将步骤1得到的月度平均温度初始数据集、月度平均电价初始数据集、月度GDP初始数据集作为输入，月度用电量初始数据集作为输出，对支持向量机预测模型进行训练；利用粒子群算法对支持向量机预测模型的参数对(c,g)进行迭代寻优，得到最优参数的支持向量机预测模型；其中，c表示惩罚参数，g表示核参数；步骤3，将月度平均温度、月度平均电价以及月度GDP作为特征参量，利用步骤1得到的初始数据集分别对上述三个特征参量构建各自对应的二阶灰色预测模型；步骤4，利用月度平均温度对应的二阶灰色预测模型对月度平均温度进行前级预测，利用月度平均电价对应的二阶灰色预测模型对月度平均电价进行前级预测，利用月度GDP对应的二阶灰色预测模型对月度GDP进行前级预测，得到上述特征参量各自对应的预测值；步骤5，将步骤4得到的三个特征参量的预测值作为步骤2所述最优参数的支持向量机预测模型的输入，得到省级全社会月度用电量预测值。2.根据权利要求1所述的一种基于POFP
‑
SVM算法的省级月度用电量预测方法，其特征在于，所述步骤2的方法如下：步骤2.1，对步骤1得到的初始数据集进行归一化处理；步骤2.2，粒子群算法初始化以及粒子群初始化，方法如下：设置局部学习因子c1、全局学习因子c2、终止迭代次数以及粒子群数量m；在一个三维空间中初始化粒子群x＝{x1,x2,
…
,x
i
,...,x
m
}，其中，第i个粒子x
i
的位置为x
i
＝{x
i1
,x
i2
,x
i3
}，速度为v
i
＝{v
i1
,v
i2
,v
i3
}；其中，x
i1
,x
i2
,x
i3
分别表示第i个粒子x
i
在三维空间坐标的位置分量；v
i1
,v
i2
,v
i3
分别表示第i个粒子x
i
在三维空间坐标的速度分量；步骤2.3，利用LIBSVM计算粒子适应度；步骤2.4，根据粒子适应度更新个体极值P
i
＝{P
i1
,P
i2
,P
i3
}以及全局极值P
g
＝{P
g1
,P
g2
,P
g3
}；其中，P
i1
,P
i2
,P
i3

【专利技术属性】
技术研发人员：冯迎春，喻洁，钱长钰，范洁，蒋宇，刘胥雯，
申请(专利权)人：东南大学，
类型：发明
国别省市：