[发明专利]电力负荷预测方法及预测系统

权利要求书

1.一种电力负荷预测方法，其特征在于，所述预测方法包括：

S1、基于电力负荷数据将电力负荷曲线分为N类；

S2、选取3组数据集，利用基于交叉验证的网格搜索方法优化惩罚参数C和核函数参数g，并对N(N-1)/2个SVM分类器进行训练，得到对电力负荷曲线进行分类的分类模型；

S3、利用分类模型对电力负荷数据进行分类；

S4、基于分类的电力负荷数据和负荷预测模型对电力负荷进行预测。

2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述电力负荷曲线分为13类，包括：

类1，用电驳杂不稳定，负荷波动大；

类2，负电且驳杂，在0的附近上下波动；

类3，峰电，且电力负荷波峰出现在上午9点到下午5点的用电高峰；

类4，峰电，且用电在晚上8点以后逐渐下降；

类5，负电且规律，负荷存在负值且规律明显，区别于类2；

类6，谷电，用电高峰出现在晚上；

类7，三波峰，存在三个用电高峰期，但是高峰期时间不规律；

类8，双波峰，以中午为界限，两侧存在用电高峰；

类9，双波峰，两个波峰基本存在于下午时段，且波峰大小趋于一样；

类10，双波峰，两个波峰都在下午且前侧高峰负荷明显低于后侧高峰负荷；

类11，双波峰，两个波峰都在下午，且前侧波峰远大于后侧；

类12，双波谷，晚上用电高，以中午为界限，两侧产生用电低；

类13，数值一定的一条直线。

3.根据权利要求2所述的电力负荷预测方法，其特征在于，所述分类模型包括78个SVM分类器。

4.根据权利要求1或3所述的电力负荷预测方法，其特征在于，所述步骤S2中，“对N(N-1)/2个SVM分类器进行训练”具体为：

采用3-折叠交叉验证的方法，获取分类器的性能指标，所述性能指标为分类准确率；

以获得的分类器的分类准确率及参数C、g的合理性来判断惩罚参数C和核函数参数g是否达到最佳；

若否，重复上述过程，利用网格搜索法，优化惩罚参数C和核函数参数g。

5.根据权利要求4所述的电力负荷预测方法，其特征在于，“采用3-折叠交叉验证的方法，获取分类器的性能指标”，具体为：

选取若干样本数据，分设为3组子数据集；

将每个子集数据分别做一次验证集，其余的2组子集数据作为训练集，得到3个模型，用这3个模型最终的验证集的分类准确率的平均数作为此分类器的性能指标。

6.根据权利要求4所述的电力负荷预测方法，其特征在于，“利用网格搜索法，优化惩罚参数C和核函数参数g”具体为：

先进行粗略选择，选择大的搜索区间和搜索步长；

然后逐渐缩小搜索范围和步长，选择3-折叠交叉验证检验参数；

通过搜索后所得3D视图确定一组最佳的惩罚参数C和核函数参数g。

7.根据权利要求1所述的电力负荷预测方法，其特征在于，所述步骤S3具体为：

将往年电力负荷数据输入到分类模型中，得到对应负荷曲线的类别；

将同一年同一负荷类别进行叠加，得到N条数据叠加的分类曲线。

8.根据权利要求1所述的电力负荷预测方法，其特征在于，所述步骤S4具体为：

采用趋势外推的方法，通过往年的电力负荷数据拟合出未来某一年中最大负荷日的负荷曲线。

9.根据权利要求7或8所述的电力负荷预测方法，其特征在于，所述负荷曲线的拟合通过最小二乘法进行拟合。

10.根据权利要求5所述的电力负荷预测方法，其特征在于，所述方法还包括：

针对每年的电力负荷数据优化惩罚参数C和核函数参数g。

11.一种电力负荷预测系统，其特征在于，所述预测系统包括：

曲线分类模块，用于基于电力负荷数据将电力负荷曲线分为N类；

模型建立模块，选取3组数据集，利用基于交叉验证的网格搜索方法优化惩罚参数C和核函数参数g，并对N(N-1)/2个SVM分类器进行训练，得到对电力负荷曲线进行分类的分类模型；

预测模块，用于利用分类模型对电力负荷数据进行分类，并基于分类的电力负荷数据和负荷预测模型对电力负荷进行预测。