[发明专利]一种基于DFS和SVM特征选择的短期负荷预测方法及系统

说明书

本发明涉及一种基于DFS和SVM特征选择的短期负荷预测方法及系统，所述方法包括：根据影响短期负荷预测的特征的F‑score值获取特征子集，根据特征子集所对应的SVM分类模型的分类正确率确定最优特征子集，利用所述最优特征子集中特征所对应的历史数据训练短期负荷预测模型，并利用该短期负荷预测模型预测预测日负荷值；本发明实现了输入数据的有效降维，综合考虑全局搜索能力以及局部搜索能力，实现了对神经网络权值和阈值的优化，避免陷入局部最优，提高了负荷预测的精度。

技术领域

本发明涉及电力工程技术领域，具体涉及一种基于DFS和SVM特征选择的短期负荷预测方法及系统。

背景技术

电力系统短期负荷预测关系到电力系统的规划与可靠、经济运行，准确的短期负荷预测结果有助于提高系统的安全性和稳定性，能够减少发电成本。但是近年来，随着智能化、数字化、信息化电网的全面建设，电力行业数据量呈现爆发式增长态势，如何在海量的数据中挖掘出相对重要的信息就显得格外重要，因此需要一种数据挖掘方法以提高短期负荷预测的精度。

根据数据来源的不同，可以将智能电网大数据分为两大类：一类是电网内部数据；另一类是外部数据。内部数据来自用电信息采集系统(CIS)、营销系统、广域监测系统(WAMS)、配电管理系统、生产管理系统(PMS)、能量管理系统(EMS)、设备检测和监测系统、客户服务系统、财务管理系统等的数据。外部数据来自电动汽车充换电管理系统、气象信息系统、地理信息系统(GIS)、公共服务部门、互联网等。这些数据分散放置在不同地方，由不同单位部门管理，具有分散放置、分布管理的特性。

这些数据之间并不完全独立，其相互关联、相互影响，存在着比较复杂的关系。如气象条件和社会经济形势会影响用户的用电情况、用户用电数据影响电力市场交易情况，电力市场数据可以为相关公共服务部门决策提供依据。

随着智能电网的建设，电力负荷预测理论研究得到快速发展，负荷预测方法不断涌现，回归分析法、小波分析法、模糊理论法，神经网络法、贝叶斯法等。但是就目前海量电力数据而言，现有负荷预测方法存在一定的局限性，回归分析法：只是单纯从统计意义上描述变量之间的数量关系，往往对数据量有所限制；神经网络法：在训练过程中容易出现过拟合现象，在面对多个输入变量可能会出现收敛速度慢以及陷入局部最小值等问题。对于海量数据，一方面，特征量越多获取的信息也就越多；另一方面，过多的特征会增加计算的复杂性，并且其中冗余的、不相关的甚至噪声信息会影响结果的准确性。

发明内容

本发明提供一种基于DFS和SVM特征选择的短期负荷预测方法及系统，其目的是降低数据的冗余度，提高短期负荷预测的精度。

本发明的目的是采用下述技术方案实现的：

一种基于DFS和SVM特征选择的短期负荷预测方法，其改进之处在于，所述方法包括：

根据影响短期负荷预测的特征的F-score值获取特征子集；

根据特征子集所对应的SVM分类模型的分类正确率确定最优特征子集；

利用所述最优特征子集中特征所对应的历史数据训练短期负荷预测模型，并利用该短期负荷预测模型预测预测日负荷值。

优选的，所述影响短期负荷预测的特征包括负荷特征、温度特征、天气情况特征、湿度特征、预测日日期类型特征、气压特征、风速特征及露点温度特征。

优选的，所述根据影响短期负荷预测的特征的F-score值获取特征子集，包括：

(1)根据所述特征的历史数据确定所述特征的F-score值；

(2)建立特征子集，其中，所述特征子集初始为空集；

(3)选择F-score值最大的特征不放回地加入到特征子集，输出所述特征子集；