[发明专利]一种支持向量机宽度学习的可再生能源市场长期储热方法

说明书

本发明提出一种支持向量机宽度学习的可再生能源市场长期储热方法。所提方法通过支持向量机和宽度学习的结合来预测可再生能源市场中的分布式电蓄热的长期消耗量。所提方法中的支持向量机通过对原始数据即气温和相应的可再生能源市场中的分布式电蓄热的长期消耗量进行分类，且分为三类。之后，把各类的原始数据分别输入所提方法中的宽度学习进行训练。在所提方法中的宽度学习完成训练后，通过输入相应的气温就可以预测出可再生能源市场中的分布式电蓄热的长期消耗量。所提方法中的支持向量机具有较好的分类性能，所提方法中的宽度学习结构简单且性能完善。所提方法提高了预测可再生能源市场中的分布式电蓄热长期消耗量的准确性。

技术领域

本发明属于综合能源系统的调度领域，是一种两类人工智能方法深度结合的方法，适用于可再生能源市场中的分布式电蓄热的长期消耗量预测。

背景技术

国家节能减排政策对空调温度的规定是：所有公共建筑内的单位，包括国家机关、社会团体、企事业组织和个体工商户，除医院等特殊单位以及在生产工业上对温度有特定要求并经批准的用户外，夏季室内空调的温度设置不得低于26摄氏度，冬季室内空调温度设置不得高于20摄氏度。因此我们可以认为，当气温低于20摄氏度时，人们普遍使用相关电负荷供暖；当气温高于26摄氏度时，人们普遍使用相关电负荷制冷；而气温在20摄氏度至26摄氏度之间时，人们一般不需要使用电负荷来进行供暖或制冷。

随着经济的发展，城乡居民的日常生活用电量快速增加，尤其是在气温的影响下，冬季供暖和夏季制冷负荷快速增长，使得城乡居民的生活用电量快速增加。为了提高电网系统稳定性和优化调度，负荷预测的准确性显得尤为重要。分布式电蓄热系统能实现电力削峰填谷。本发明提出一种支持向量机宽度学习的方法来预测可再生能源市场中的分布式电蓄热的消耗量。深层神经网络在处理大量数据上取得了非常好的效果，但深层神经网络结构复杂。这种复杂结构使得在理论上分析深层神经网络结构变得及其困难。此外，为了在应用中提高预测的准确性，深层神经网络不得不持续地增加网络层数或者调整参数个数。因此，一系列为了提高训练速度的神经网络以及相应的结合方法逐渐发展起来。其中，宽度学习系统提供了一种深层神经网络的代替方法。同时，如果网络需要扩展，则无需完整网络再训练，而是通过快速增量学习方法来提高预测的准确性。所提方法中的支持向量机的分类思想简单，就是将样本与决策面的间隔最大化，使用核函数可以解决非线性支持向量机的分类问题，且分类效果好。所提方法中的宽度学习结构相比深层神经网络结构更加简单并且性能更加完善。所提支持向量机宽度学习的方法提高了预测可再生能源市场中的分布式电蓄热的长期消耗量的准确性。

发明内容

本发明提出一种支持向量机宽度学习的可再生能源市场长期储热方法。所提支持向量机宽度学习的可再生能源长期储热方法可以应用在对可再生能源市场中的分布式电蓄热的长期消耗量预测中。可再生能源市场中的分布式电蓄热的消耗量和气温的高低有着紧密的联系。设T为气温，P为可再生能源市场中的分布式电蓄热的长期消耗量，分类类别为A、B和C三类；设T为气温，P为可再生能源市场中的分布式电蓄热的长期消耗量；A类为T＜20℃且P≥0的情况；B类为20℃≤T≤26℃且P≥0的情况；C类为T≥26℃且P≥0的情况。所提方法中的支持向量机首先通过对原始数据即气温和相应的可再生能源市场中的分布式电蓄热的长期消耗量进行分类。之后再把每类的原始数据分别输入所提方法中的宽度学习进行训练。最后所提方法中的宽度学习训练完成后，通过输入相应的气温就可以预测出所需的可再生能源市场中的分布式电蓄热的长期消耗量。具体做法如下所示：

步骤1：首先，给定输入数据和学习目标：X＝{X₁,...,X_N},y＝{y₁,...,y_N}，N为样本个数。输入数据的每个样本都包含气温和可再生能源市场中的分布式电蓄热的长期消耗量两个特征：X_i＝[T_i,P_i]，其中i＝1,...,N。而学习目标为二元变量y_i∈{-1,1}表示负类和正类，其中i＝1,...,N。