[发明专利]一种基于LSSVM优化的负荷预测方法及系统

说明书

本发明公开了一种基于LSSVM优化的负荷预测方法及系统，包括：(1)在获取原始的历史负荷数据之后，甄别并修正其中的异常数据，构建特征向量，对特征向量进行k均值聚类，根据聚类效果，选择输入变量；(2)以LSSVM模型的惩罚因子C和核函数宽度参数σ，作为粒子群算法的粒子在搜索空间的位置坐标，选择使得适应度值最小的粒子坐标向量值[C,σ]作为粒子群算法的输出；(3)利用优化处理后的输入变量数据作为LSSVM模型的输入和输出，利用步骤(2)中得到的[C,σ]，求解负荷预测回归方程，利用回归方程进行负荷预测。本发明修正了异常数据，找到最适宜的惩罚因子和核函数宽度参数，从而提高基于LSSVM的负荷预测精度。

技术领域

本发明属于负荷预测领域，更具体地，涉及一种基于LSSVM优化的负荷预测方法及系统。

背景技术

在现有的负荷预测技术中，LSSVM具有计算速度快、预测精度高、推广性能好的优点，非常适用于非线性、高维度、小样本的负荷预测应用场景。通过对建筑负荷的实时预测，将预测值与实际负荷值进行对比，可以及时发现建筑能耗使用异常及存在的设备故障，采取补救措施，避免可能带来的损失；分析建筑的节能状态和节能潜力，调整节能策略，为合理分配能量提供决策依据。

在基于LSSVM技术进行负荷预测时，对预测结果影响较大的主要是样本数据的质量和模型的参数。提高LSSVM负荷预测精度和速度的关键在于提高数据的质量和选择合适的惩罚因子和核函数宽度参数。在数据质量方面，传统的横向比较法，是利用负荷曲线中连续的两点不会产生突变的性质，如果前后两个时刻的负荷之差超过一定的阈值，则认为该处有异常点，取前后两个时刻平均值进行修正，由于负荷数据中连续异常值的存在，传统的横向比较法不能充分修正存在的异常数据；训练样本集不能充分体现负荷的内在特征；输入变量的维数过多及变量之间的相关性，使模型结构复杂化，对负荷的影响因素进行属性约简可以起到降维的作用，但是舍弃了其余因素中携带的信息，且无法解决变量之间相关问题。

在参数选择方面，LSSVM负荷预测模型的主要缺点在于惩罚项参数C和核函数宽度参数的选择没有一定的依据，只能依靠预测人员的经验或是实验方法。基于经验选择参数的方法随机性太强，基于网格搜索、交叉验证等实验方法计算量比较大，非常耗时。基于标准的PSO粒子群算法可以对LSSVM的模型参数进行寻优，但PSO算法在寻找最佳参数的过程中，粒子容易向局部极值靠拢，造成早熟收敛问题。

综上，现有技术基于LSSVM技术进行负荷预测时，模型数据样本的质量不高、惩罚项参数C以及核函数宽度参数σ选择困难为基于LSSVM的实时负荷预测带来了困难。

发明内容

针对现有技术的缺陷，本发明的目的在于解决现有技术基于LSSVM技术进行负荷预测时，模型数据样本的质量不高、惩罚项参数C以及核函数宽度参数σ选择困难为基于LSSVM的实时负荷预测带来了困难的技术问题。

为实现上述目的，一方面，本发明提供一种基于LSSVM优化的负荷预测方法，包括以下步骤：

(1)在获取原始的历史负荷数据之后，利用双向比较法处理数据，甄别并修正其中的异常数据；然后以温度、日期类型、负荷数据构建特征向量，对特征向量进行k均值聚类，根据聚类效果，选择与待预测日数据特征相似度较高的日期的数据作为训练样本的输入变量；对输入变量进行主成分分析降维处理，去除冗余信息。

(2)以LSSVM模型的惩罚因子C和核函数宽度参数σ，作为粒子群算法的粒子在搜索空间的位置坐标，将每次迭代过程中每个粒子的位置向量[C,σ]输入到LSSVM模型，并计算训练集的预测值和实际值的误差作为适应度；在迭代过程中选择适应度好的粒子作为父代粒子，进行交叉操作，然后对粒子的位置变量进行变异；选择使得适应度值最小的粒子坐标向量值[C,σ]作为粒子群算法的输出。