[发明专利]一种基于粒子群优化的支持向量机停电预测方法

说明书

本发明公开了一种基于粒子群优化的支持向量机停电预测方法，包括如下步骤：获取预先确定的有效特征的参数；将有效特征的参数输入预先训练的支持向量机模型中，支持向量机模型预测输出停电数据。在已有的停电特征基础上构造新特征；采用随机森林方法计算已有的停电特征重要性和新特征重要性，根据重要性对已有的停电特征和新特征进行排名，按照重要性排名顺序由高到低选择若干个已有的停电特征或新特征组成有效特征的参数；用有效特征的参数训练新建立的支持向量机模型，训练得到的支持向量机模型预测停电数据。通过对收集的停电数据进行数据分析和处理进行停电预测，可以为电力公司的停电决策提供参考，改善资源分配并可能缩短恢复时间，也可以给群众一定的反应时间。

技术领域

本发明涉及一种基于粒子群优化的支持向量机停电预测方法，属于输配电技术与信息科学技术领域。

背景技术

电力建设被认为是现代社会中较为关键的基础设施之一，随着智慧电网的快速建设，电网系统中产生了大量的电力数据，为了更好地收集和管理电力数据搭建了电力大数据平台。通过对收集到的电力数据进行数据挖掘，可以更好地了解到电网的运行状态。

停电现象在日常生活中发生的可能性较小，但在广泛分布时会造成严重影响。它的影响几乎渗透到社会的各个方面，包括经济、社会、公共卫生和其他重要方面。停电通常会造成巨大的经济损失，影响其他关键基础设施系统并严重破坏日常生活，因此对停电数据进行分析很有必要。预测是数据挖掘中较为常见的技术之一，停电预测可以为电网公司、政府等提前做好停电的响应规划和决策。从短期看，停电预测可以帮助公共事业更好地计划其响应，从而更好地平衡成本和恢复速度。对于大规模停电事件，有利于电网企业提前准备相应的修复材料，以便更快地恢复电力节约成本。

发明内容

本发明所要解决的技术问题是克服现有技术中缺乏停电预测方法的缺陷，提供一种基于粒子群优化的支持向量机停电预测方法，为了拥有更多有效特征的参数训练数据，在已有特征基础上构造新的特征；为了提取与停电预测相关度大的有效数据，采用随机森林方法提取有效特征的参数，提高模型性能；为了获取更优的模型参数，使用基于线性递减权重的粒子群优化算法搜索最优的支持向量机参数，根据确定的参数训练停电数据。

为达到上述目的，本发明提供一种基于粒子群优化的支持向量机停电预测方法，包括：

获取预先确定的有效特征的参数；将有效特征的参数输入预先训练的支持向量机模型中，支持向量机模型预测输出停电数据。

优先地，训练支持向量机模型，包括：

在已有的停电特征基础上构造新特征；

采用随机森林方法计算已有的停电特征重要性和新特征重要性，根据重要性对已有的停电特征和新特征进行排名，按照重要性排名顺序由高到低选择若干个已有的停电特征或新特征组成有效特征的参数；

用有效特征的参数训练参数待确定的支持向量机模型，构建有效特征的参数和停电数据之间的映射关系。

优先地，采用随机森林方法计算已有的停电特征重要性和新特征重要性，根据重要性对已有的停电特征和新特征进行排名，按照重要性排名顺序由高到低选择若干个已有的停电特征或新特征组成有效特征的参数，包括：

随机森林使用固定的概率分布下的随机向量产生若干个不相关的决策树，对多个决策树的分类结果进行投票产生最终的分类结果，最终的分类结果包括会停电和不会停电；随机森林计算得到已有的停电特征在多个决策树上的重要性和新特征在多个决策树上的重要性，已有的停电特征和新特征一起按照重要性进行排名，排名顺序由高到低选择若干个已有的停电特征或新特征组成有效特征的参数。

优先地，随机森林计算得到已有的停电特征在多个决策树上做的重要性和新特征在多个决策树上做的重要性，包括：