[发明专利]一种基于LSSVM优化的负荷预测方法及系统

摘要

本发明公开了一种基于LSSVM优化的负荷预测方法及系统，包括：(1)在获取原始的历史负荷数据之后，甄别并修正其中的异常数据，构建特征向量，对特征向量进行k均值聚类，根据聚类效果，选择输入变量；(2)以LSSVM模型的惩罚因子C和核函数宽度参数σ，作为粒子群算法的粒子在搜索空间的位置坐标，选择使得适应度值最小的粒子坐标向量值[C,σ]作为粒子群算法的输出；(3)利用优化处理后的输入变量数据作为LSSVM模型的输入和输出，利用步骤(2)中得到的[C,σ]，求解负荷预测回归方程，利用回归方程进行负荷预测。本发明修正了异常数据，找到最适宜的惩罚因子和核函数宽度参数，从而提高基于LSSVM的负荷预测精度。

主权项

一种基于LSSVM优化的负荷预测方法，其特征在于，包括以下步骤：(1)在获取原始的历史负荷数据之后，利用双向比较法处理数据，甄别并修正其中的异常数据；然后以温度、日期类型、负荷数据构建特征向量，对特征向量进行k均值聚类，根据聚类效果，选择与待预测日数据特征相似度较高的日期的数据作为训练样本的输入变量；对输入变量进行主成分分析降维处理，去除冗余信息；(2)以LSSVM模型的惩罚因子C和核函数宽度参数σ，作为粒子群算法的粒子在搜索空间的位置坐标，将每次迭代过程中每个粒子的位置向量[C，σ]输入到LSSVM模型，并计算训练集的预测值和实际值的误差作为适应度；在迭代过程中选择适应度好的粒子作为父代粒子，进行交叉操作，然后对粒子的位置变量进行变异；选择使得适应度值最小的粒子坐标向量值[C，σ]作为粒子群算法的输出；(3)利用步骤(1)中优化处理后的输入变量数据作为LSSVM模型的输入和输出，利用步骤(2)中得到的[C，σ]的坐标值C作为LSSVM模型的惩罚因子，坐标值σ作为LSSVM模型的核函数宽度参数，求解负荷预测回归方程，利用回归方程进行负荷预测。