[发明专利]一种电力负荷预测方法及系统

权利要求书

1.一种电力负荷预测方法，其特征在于，包括以下步骤：

收集电力负荷影响因子：采集电力负荷在时间段T内的原始历史负荷数据，以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷数据集N，其中，T的单位为天；

采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷预测模型，将电力负荷数据集N以9:1的比例划分为训练集以及测试集；将训练集中对应电力负荷历史数据的影响参数作为输入变量，输入电力负荷模型中进行训练，训练完成后通过测试集，对训练结果进行测试；

选使用将实时的电力负荷的影响参数输入至训练好的电力负荷预测模型，输出对应的电力负荷。

2.根据权利要求1所述的一种电力负荷预测方法，其特征在于，数据集N包括最高温度、最低温度和平均温度，相对湿度和降雨量以及日期类型。

3.根据权利要求1所述的一种电力负荷预测方法，其特征在于，筛选对应电力负荷的历史数据的影响参数的步骤包括：

根据电力负荷的基本参数，初选8个负荷参数作为电力负荷的影响参数；其中，8个负荷参数分别为最高温度、最低温度和平均温度，相对湿度和降雨量，负荷地区，天气类型以及日期类型；

对影响参数进行数据去重和异常值去除，删除影响参数中的重复数据和因噪声干扰因素引起的输出值超出正常范围的数据；

根据互信息理论，对初选的影响参数进行数据特征量的提取，计算各影响参数的权重,选取权重大于预设阈值的影响参数作为电力负荷测量模型的输入变量。

4.根据权利要求3所述的一种电力负荷预测方法，其特征在于，作为飞灰含碳量测量模型的输入变量的六个影响参数分别为:最高温度、最低温度和平均温度，相对湿度和降雨量以及日期类型。

5.根据权利要求1所述的一种电力负荷预测方法，其特征在于，在采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷测量模型的步骤中，构建支持向量机的电力负荷预测模型，通过自适应模拟退火粒子群优化算法对电力负荷预测模模型进行优化，构建支持向量机的电力负荷预测模具体包括步骤：

步骤1：支持向量机核函数的内积公式如下所示：

Φ(x_i)^T·Φ(x_j)＝K(x_i,x_j)

其中，Φ(x)为非映射关系，K(x_i,x_j)为支持向量机的核函数；

步骤2：设定一组非线性样本集S＝{(x_i,y_i),i＝1,2,...}，式中x_i∈Rⁿ为输入因子，为预测的对象，y_i＝f(x)具有典型的非线性关系，所描述的问题即为非线性回归问题；

ε决定了SVM支持向量的泛化能力和个数，若预测值和实测值的误差在ε范围内，则定义损失为0；

步骤3：通过将样本空间映射到另一高维空间并实现相应的线性回归分析后，利用反向还原使初始样本数据完成回归运算，该过程所表达的函数关系如以下公式所示：

f(x)＝w·Φ(x)+b

步骤4：通过加入松弛因子ξ_i＝(ξ₁,…ξ_n),i＝1,2,…,n，将带约束的最优化目标函数问题做如以下公式表达：

其中，w,b为权向量和偏置量，c为与拟合度保持正相关性的惩罚参数；

步骤5：拉格朗日因子L的极值应符合Karush-Kuhn-Tucker条件(KKT条件)，即将Lagrange乘数法所处理涉及等式的约束优化问题推广至不等式,最佳解的必要条件包括Lagrange函数的定常方程式、原始可行性、对偶可行性以及互补松弛性，以期达到对a_i,λ_i,λ_i^*的最大化；

转换成相应的对偶问题，如下公式所述：

把w,b代入f(x)＝w·Φ(x)+b中；而得到具有核函数的非线性SVM表达式：