[发明专利]一种电力系统预测的方法和装置

说明书

本发明公开了一种电力系统预测的方法和装置，该方法包括：S1：初始化种群参数，生成种群个体；S2：将S1中的参数赋值给支持向量机，计算种群中每个个体的适应度；S3：根据个体适应度，计算种群个体的选择概率，并以该选择概率进行个体选择；S4：对S3选择的种群个体进行交叉、变异；S5：判断当前种群是否达到训练终止条件，若是，则获得优化后的支持向量机，并执行S6；否则，执行S3；S6：将训练样本输入到优化后的支持向量机进行训练获得预测模型。本发明有效地提高了支持向量机进行负荷预测的效率，而且提高了选取的参数的准确性，从而降低支持向量机模型在实际预测时的预测误差，提高负荷预测的精度。

技术领域

本发明涉及计算机算法技术领域，特别涉及一种电力系统预测的方法和装置。

背景技术

科学的预测是正确决策的依据和保证。负荷预测是电力系统领域的一个传统研究问题，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，探索事物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。负荷预测是电力系统规划、计划、用电、调度等部门的基础工作，其重要性早已被人们所认识。

负荷预测本质上是对功率曲线进行拟合与回归，由于实时功率曲线受电力系统、经济、社会、气象等诸多因素影响，一般表现为复杂非线性特点，宜采用对复杂非线性特性具备较强学习能力的预测模型。

目前应用较多且比较成熟的预测方法，主要为支持向量机(Support VectorMachine，SVM)等。SVM同时考虑经验风险最小和结构风险最小，使模型具有较强的推广性，在小样本识别方面有较大优势，且SVM有严格的数学理论基础，其决策为全局最优。

SVM参数的选取策略目前尚没有统一的方法，SVM参数选取的优劣将直接影响模型的拟合和回归能力。现有技术中，较为常用的SVM参数优化算法包括网格搜索算法、粒子群算法等。利用这些算法虽然可以选取SVM参数，但并不能得到特别合适的参数值，并且搜索到最优解或满意解的速度太慢，依据选取的参数进行负荷预测的效率低。

发明内容

本发明实施例提供了一种电力系统预测的方法和装置，不仅能够获得更加优化的参数值，并且解决了支持向量机搜索到最优解或满意解的速度太慢导致负荷预测效率低的问题。

第一方面，本发明实施例提供了一种电力系统预测的方法，该方法包括：

S1：初始化种群参数，生成种群个体；

S2：将S1中的参数赋值给支持向量机，计算种群中每个个体的适应度；

S3：根据个体适应度，计算种群个体的选择概率，并以该选择概率进行个体选择；

S4：对S3选择的种群个体进行交叉、变异；

S5：判断当前种群是否达到训练终止条件，若是，则获得优化后的支持向量机，并执行S6；否则，执行S3；

S6：将训练样本输入到优化后的支持向量机进行训练获得预测模型。

优选地，步骤S2具体为将S1中的参数赋值给最小二乘机支持向量机，获得预测值，并计算每个个体的适应度，计算公式为：

其中，f_i为第i个个体的适应度；为预测值；y_i为真实值。

优选地，步骤S3中计算种群个体的选择概率的公式为：

其中，P_i为第i个个体的选择概率。

优选地，步骤S4中种群个体进行交叉的概率为：