[发明专利]一种基于SVM的短期电网负荷预测方法

说明书

本发明提供一种基于SVM短期电网负荷预测方法，首先通过数据爬取或官方合作等手段获取城市的天气信息；随后，对所有的特征属性进行主成分分析，将原始特征转换为有效的组合特征；最后，利用支持向量机对这些特征属性和电网负荷之间的关联关系进行学习并达到预测的效果。采用本发明方法能够较为准确的预测未来一天的电网负荷变化趋势，使得调度人员能够参考变化趋势，结合已有调度经验，对电力分配进行合理调度，减少用电成本，具有重要的经济和社会意义。

技术领域

本发明涉及一种电网负荷预测方法，尤其是一种基于支持向量机SVM的短期电网负荷预测方法，属于信息技术领域。

背景技术

短期电网负荷预测一般主要指对未来1天至1周的电力负荷进行预测，对电网负荷的预测可有效指导电力的分配，缓解电力网络的输送压力，其预测的精度将直接影响电力市场下各运营商的经济成本，在现代电力管理中占有重要地位。准确的电力负荷预测可以保证电网的安全稳定和经济运行，优化电力系统调度，降低发电机组的生产成本，是实施电网优化控制的重要前提，在发展低碳经济的时代背景下具有重要的实际意义。

短期电力负荷波动较大，具有明显的趋势性和周期性，受温度、风力、降水等多方面因素的影响，负荷数据存在显著的突变结构。目前，传统的负荷预测方法包括回归分析法、时间序列法、趋势外推法等，这些方法多采用数学表达式的方式来描述预测模型，难以满足电力负荷周期性、时变性的要求；现代预测方法主要有灰色预测法、模糊预测法等，由于电力负荷本身特征复杂，特征之间的非线性关联关系，致使此类方法易陷入局部极小值，影响其预测精度。人工神经网络模型得到广泛应用，但此类模型大多不考虑气象因素，同时，BP网络学习算法实际利用梯度下降法调节权重使目标函数最小，而目标函数仅仅是给定输入和相应输出差的平方和，导致BP网络过分强调学习，泛化能力不强。而支持向量机SVM的不同在于，对未来样本具有较好的泛化性能。SVM的一个显著优点在于它的训练等价于解决一个线性约束的二次规划问题，存在唯一解。目前SVM已经扩展为解决非线性回归预测问题。

发明内容

针对上述现有技术的不足，本发明提供一种基于SVM的短期电网负荷预测方法，能够较为准确的预测某市未来一天的电力负荷趋势，为电力调度人员平衡调度提供合理有效的指导。

为了达到上述目的，本发明的技术方案在于提供一种基于SVM的短期电网负荷预测方法，包含以下过程：

获取待预测地的电力负荷相关数据，获取待预测地的天气数据进行主成分分析得到有效的线性无关的特征，确定影响电网负荷的特征属性；

确定支持向量机的预测模型中的线性判别函数和判别面，利用支持向量机对特征属性和电网负荷之间的关联关系进行学习；

根据待预测地的电网总负荷及工业总负荷的历史数据的规律进行调参，将由调参确定的最优参数作为支持向量机的输入，对电网负荷进行预测。可选地，获取待预测地在设定日期范围内的天气数据，包含每天8个时间节点的多个原始特征属性；

将每天8个时间节点的天气数据以15分钟的时间间隔扩展为96个时间点；对多个原始特征属性采用主成分分析进行降维；

将日期对应的星期信息以及每天内的时刻信息加入到特征信息中。

可选地，降维后天气数据的特征属性，包含温度、水平大气压、平均海平面大气压、气压趋势、观测前三小时内大气压的变化。

可选地，获取待预测地在设定日期范围内的电力负荷相关数据，进行归一化和降噪处理；所述电力负荷相关数据包含电网总负荷、工业总负荷；将已有电网总负荷的数据集作为样本集，将缺少电网总负荷的数据集作为预测集。

可选地，基于平均值方法对数据集中的异常值进行替换：对于预测集中工业总负荷为异常值的时刻，以该时刻所在日期之前设定天数内同一时刻的工业总负荷的平均值，对异常值进行替换。