[发明专利]一种短期电力负荷预测方法

说明书

技术领域

本发明涉及一种预测方法，尤其涉及一种短期电力负荷预测方法，属于电力负荷领域。

背景技术

电力负荷预测是电力系统领域的一个重要的研究问题，它是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索电力负荷之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测．

科学的预测是正确决策的依据和保证．电力负荷预测是电力调度中一项非常重要的内容，是电力管理系统的重要组成部分，是电网能够安全、经济运行的前提．电力系统的稳定运行要求发电量能紧跟系统负荷的变化，电能必须能够平衡线路负荷，如果不事先预测负荷或负荷预测不准，将会导致大量电能的浪费．因此准确预测负荷不但对系统运行和生产费用具有重要影响，而且对确定日运行方式有关键作用．此外，随着电力改革的深化，电力市场的进一步开放，高质量的负荷预测愈显得重要和迫切．电力负荷预测将直接影响电力系统的生产计划、运行方式以及电力系统的优化调度．

但无论是传统的预测方法还是现代的方法，它们都是在获得预测对象的历史变化规律后，将这种变化规律延伸以预测未来。传统方法模型简单，预测速度快，但很难描述模型与负荷影响因素之间的非线性关系。现代的智能预测方法如神经网络，支持向量机等通过借鉴人脑对信息的处理过程而建立的数学方法，具有良好的学习能力和便于处理负荷及影响因素之间的关系，而得到广泛应用。

支持向量机（Support Vector Machine,SVM）作为新的机器学习技术，采用结构风险最小化原则，能根据有限的样本信息，在模型的复杂度和学习能力之间寻求最佳折中，并将问题最终转化为求解凸二次规划问题。最小二乘支持向量机(least squares support vector machines，LS-SVM)采用与SVM不同的损失函数，用等式约束代替了不等式约束，同时最小化误差的平方项，由于所求解的是线性方程组，因此使问题得到了简化，明显提高了运行效率，所以LS-SVM是对SVM的有效改进。LS-SVM回归的基本原理为：

给定样本数据集

x_k∈Rⁿ,y_k∈R

LS-SVM用如下形式的回归函数对未知函数进行估计，

上述函数的估计问题转化为如下优化问题

minω,b,eJ(ω,e)=12||ω||2+12γΣk=1Nek2]]>

k=1,…N    (1)

其中表示内积，是权值向量，是把输入空间映射到高维线性特征空间的非线性函数，特征空间维数n_h可以无穷大，阀值b∈R，偏差变量e_k∈R，惩罚参数γ≥0。

为求优化问题（1）的解，构造Lagrangian函数

其中a_k∈R为拉格郎日乘子，根据最优性条件有

消去ω,e得到线性方程组