[发明专利]一种基于Verhulst-SVM的中长期负荷预测方法

权利要求书

1.一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：包括以下步骤：

步骤1、分析经济新常态背景下各种新影响因素造成的不确定影响；

步骤2、基于步骤1做出的分析，建立基于Verhulst模型的负荷影响因素预测模型，解得影响因素的预测值；并利用支持向量机完成相关历史数据的回归建模；

步骤3、建立基于Verhulst-SVM的中长期负荷预测模型，得到目标年份负荷预测值。

2.根据权利要求1所述的一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：所述步骤1的经济新常态下宏观经济的发展趋势与电力体制改革的政策背景下的新影响因素包括：经济增速放缓、经济结构逐步调整和经济增长动力转换，并分别选取GDP、工业产值和固定投资作为代表指标。

3.根据权利要求1所述的一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：所述步骤2的Verhulst预测模型可表示为：

y⁽⁰⁾(k)+az⁽¹⁾(k)＝b(z⁽¹⁾(k))²

式中，a,b为模型参数，Y⁽⁰⁾为电力负荷影响因素的原始序列：

Y⁽⁰⁾＝[y⁽⁰⁾(1),y⁽⁰⁾(2),...,y⁽⁰⁾(n)]

Y⁽¹⁾为Y⁽⁰⁾的1-AGO数列：

Y⁽¹⁾＝[y⁽¹⁾(1),y⁽¹⁾(2),...,y⁽¹⁾(n)]

式中，

Z⁽¹⁾为Y⁽¹⁾的紧邻均值生成序列：

Z⁽¹⁾＝[z⁽¹⁾(1),z⁽¹⁾(2),...,z⁽¹⁾(n)]

式中，z⁽¹⁾(k)＝0.5*(y⁽¹⁾(k)+y⁽¹⁾(k-1))，k＝2，3，...，n

Verhulst模型的白化方程为：

通过最小二乘法求解[a,b]后，取y⁽¹⁾(0)＝y⁽⁰⁾(1),可得Verhulst模型的白化方程式解为：

Verhulst模型的白化方程式的累减还原后即得到影响因素的预测值为：

4.根据权利要求1所述的一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：所述步骤2的利用支持向量机完成相关历史数据的回归建模的具体步骤包括：

(1)最优超平面回归估计式为：

式中，a_i和是拉格朗日乘子；K(x,x_i)为核函数；

(2)选择径向基函数为：

K(x,x_i)＝exp(-g|x-x_i|²)

式中，g为参数；

(3)利用支持向量机进行回归预测就是以各负荷的影响因素预测值为自变量，以负荷实际值为因变量，通过多元回归拟合得到一个非线性的关系式为：

式中，为目标时刻的预测结果；y_it为影响因素的预测结果；w_t表示的是各影响因素的隐含权重。

5.根据权利要求4所述的一种基于Verhulst-SVM的中长期负荷预测方法，其特征在于：所述步骤3的具体步骤：

(1)利用步骤1分析的负荷影响因素与电力负荷历史数据完成步骤2基于Verhulst模型的负荷影响因素预测模型的建模；

(2)利用步骤3的第(1)步中构建的基于Verhulst模型的负荷影响因素预测模型对目标年份负荷影响因素进行预测；

(3)对负荷影响因素历史数据及其目标年份预测结果进行归一化预处理，缩放到[-1,1]之间，形成标准值以提高支持向量机的效率与准确性；

(4)以步骤3的第(3)步中的负荷影响因素历史数据标准值为自变量，以负荷历史数据为因变量，通过网格搜索与交叉验证设置支持向量机参数(c,g,p)后，将二者输入支持向量机中进行回归分析即可得到步骤2第(3)步的目标时刻的预测结果模型；

(5)将各负荷影响因素预测结果标准值输入步骤3第(4)步的目标时刻的预测结果模型中得到目标年份负荷预测值。