[发明专利]一种基于模糊信息粒化与支持向量机的空间负荷预测方法

摘要

本发明是一种基于模糊信息粒化与支持向量机的空间负荷预测方法，其特征是，包括的步骤有：首先构建电力地理信息系统，并在其中分别生成两类元胞；其次按照时间尺度的长短区分Ⅰ类元胞负荷颗粒度的粗细，通过划分模糊粒化窗口，建立合理的模糊集对Ⅰ类元胞细颗粒度下的历史负荷数据进行模糊信息粒化，进而确定出Ⅰ类元胞粗颗粒度下的历史负荷的合理最大值；然后采用支持向量机模型，对粗颗粒度下的Ⅰ类元胞负荷进行预测；最后确定Ⅰ类元胞负荷密度均衡系数，求取分类负荷密度指标，结合用地信息求得各Ⅱ类元胞负荷预测值，从而实现对空间电力负荷预测结果的网格化。具有方法科学合理，适用性强，预测效果更佳等优点。

主权项

1.一种基于模糊信息粒化与支持向量机的空间负荷预测方法，其特征在于，它包括以下步骤：1)构建电力地理信息系统①配准基图；②建立待预测区域内的10kV馈线供电范围图层；③建立待预测区域内的用地信息图层；④分别建立I类、II类元胞图层；以待预测区域内的各10kV馈线供电范围生成Ⅰ类元胞，建立I类元胞图层；选取适当的空间分辨率，在待预测区域内生成II类元胞，建立II类元胞图层；2)建立模糊信息粒化与支持向量机预测模型首先划分模糊信息粒化窗口，然后对Ⅰ类元胞细颗粒度下的负荷数据进行模糊信息粒化，提取各窗口内模糊粒子的有效信息，确定Ⅰ类元胞历史负荷的合理最大值，最后对Ⅰ类元胞合理最大值进行支持向量机预测，得到基于Ⅰ类元胞的空间负荷预测结果；颗粒度是根据时间尺度划分的，颗粒度的粗细是个相对的概念，粗颗粒度的选取根据预测目标的时间尺度来决定，细颗粒度根据历史负荷数据的采样频率以及预测需求合理选取；①划分模糊粒化窗口信息粒化将复杂的信息数据按照一定的特征划分为若干个集合，每个集合就是一个信息粒；应用基于模糊集的信息粒化模型；划分模糊粒化窗口将Ⅰ类元胞历史负荷数据序列划分为若干个负荷数据子序列，每一个负荷数据子序列为一个信息粒化窗口；②窗口信息的模糊化窗口信息的模糊化的关键在于建立合理的模糊集，对窗口信息进行模糊化，用模糊信息粒取代原窗口的负荷数据的信息；窗口信息模糊化是在划分的负荷数据序列X上建立一个模糊粒子h，即一个能够合理描述X的模糊概念G，G是以X为论域的模糊集合，确定了G也就确定了模糊粒子h，其关系如公式(1)：其中，x是论域中的变量；模糊概念G是以X为论域的模糊集合；模糊化过程的本质是确定函数A，A是模糊概念G的隶属函数；模糊粒化时首先要确定模糊粒子的形式再确定具体的隶属函数A，选用三角形模糊粒子，其隶属函数A如公式(2)：其中，x为论域中的变量；a、l、b为隶属函数的参数，分别对应于每个窗口模糊粒化后的三个参数：LOW，R和UP；针对单个模糊粒子而言，LOW参数描述了该粒子相应的原始数据的最小值，R参数描述了该粒子相应的原始数据的平均值，UP参数描述了该粒子相应的原始数据的最大值；③确定I类元胞历史负荷的合理最大值对任意一个I类元胞，各窗口信息为I类元胞细颗粒度下的历史负荷数据，通过模糊信息粒化技术对其模糊化的过程中挖掘并提取有用信息，克服异常数据带来的干扰，得到各窗口的UP粒子；UP粒子准确的描述了粗颗粒度下I类元胞历史负荷数据变化的最大空间，从而将该窗口的UP粒子确定为粗颗粒度下I类元胞历史负荷的合理最大值；④支持向量机回归预测采用高斯核函数作为支持向量机(support vector machine，SVM)的核函数，采用K步交叉验证法(k‑fold cross validation，K‑CV)法对惩罚参数c和核参数g进行寻优来提高回归预测的准确率；采用I类元胞历史负荷的合理最大值作为SVM模型的训练样本进行支持向量机预测，得到基于Ⅰ类元胞的空间负荷预测结果；3)空间电力负荷的网格化①生成II类元胞根据步骤1)所建立的电力地理信息系统中，以等大小正方形网格生成II类元胞，建立II类元胞图层；②确定负荷密度均衡系数首先，求出每个I类元胞的负荷密度，在每个单位时间段内的I类元胞的负荷密度由公式(3)求得，dik＝pik/Sik              (3)其中，dik为第k个单位时间段内第i个I类元胞的负荷密度，i＝1,2,…,n，n为I类元胞的个数；k＝1,2,…,q，q为单位时间段的个数；pik为第k个单位时间段内第i个I类元胞的负荷最大值；Sik为第k个单位时间段内第i个I类元胞的面积；考虑到同类负荷在发展程度不同的I类元胞中负荷密度也有差异，在此，引入负荷密度均衡系数，记作β，βik＝dik/dk.max                         (4)其中，βik为第k个单位时间段内第i个I类元胞的负荷密度均衡系数；i＝1,2,…,n，n为I类元胞的个数；k＝1,2,…,q，q为单位时间段的个数；dik为第k个单位时间段内第i个I类元胞的负荷密度；dk.max为第k个单位时间段内的所有I类元胞中负荷密度的最大值；③求取各分类负荷密度指标各I类元胞内第j类用地负荷密度的最大值乘以对应的负荷密度均衡系数，即可得到各I类元胞内第j类用地负荷密度，见公式(5)，Dijk＝βikDjk                          (5)其中，Dijk为第k个单位时间段内第i个I类元胞内第j类用地负荷密度，i＝1,2,…,n，n为I类元胞的个数；j＝1,2,…,m，m为用地类型的类数；k＝1,2,…,q，q为单位时间段的个数；βik为第k个单位时间段内第i个I类元胞的负荷密度均衡系数；Djk为第k个单位时间段内各I类元胞内第j类用地负荷密度的最大值；对于任意一个I类元胞，其负荷等于该I类元胞内各类用地面积与对应分类负荷密度乘积的和，见公式(6)，其中，pik为第k个单位时间段内第i个I类元胞的负荷最大值，i＝1,2,…,n，n为I类元胞的个数；k＝1,2,…,q，q为单位时间段的个数；Sijk为第k个单位时间段内第i个I类元胞内第j类用地面积；j＝1,2,…,m，m为用地类型的类数；Dijk为第k个单位时间段内第i个I类元胞内第j类用地负荷密度；结合公式(5)和公式(6)，可得公式(7)，其中，pik为第k个单位时间段内第i个I类元胞的负荷最大值，i＝1,2,…,n，n为I类元胞的个数；k＝1,2,…,q，q为单位时间段的个数；βik为第k个单位时间段内第i个I类元胞的负荷密度均衡系数；Sijk为第k个单位时间段内第i个I类元胞内第j类用地面积，j＝1,2,…,m，m为用地类型的类数；Djk为第k个单位时间段内各I类元胞内第j类用地负荷密度的最大值；公式(7)的矩阵表示形式如公式(8)，P＝BSD＝CD                    (8)其中，P为I类元胞的单位时间段内负荷最大值矩阵；B为各负荷密度的均衡系数矩阵；S为I类元胞内用地面积矩阵；D为各I类元胞内分类负荷密度最大值矩阵；C为I类元胞内各类用地的面积与其对应的负荷密度均衡系数乘积的矩阵；I类元胞的单位时间段内负荷最大估计值与分类负荷密度最大估计值之间的关系表示为公式(9)，其中，为I类元胞的单位时间段内负荷最大估计值矩阵；C为I类元胞内各类用地的面积与其对应的负荷密度均衡系数乘积的矩阵；为各I类元胞内分类负荷密度最大估计值矩阵；考虑到量测误差有正有负，把所有I类元胞的单位时间段内负荷最大值与估计值之差的平方和的总和记作Q，见公式(10)，其中，P_i为第i个I类元胞的单位时间段内负荷最大值矩阵，i＝1,2,…,n，n为I类元胞的个数；为第i个I类元胞的单位时间段内负荷最大估计值矩阵，i＝1,2,…,n，n为I类元胞的个数；Q为所有I类元胞的单位时间段内负荷最大值与估计值之差的平方和的总和；利用最小二乘法原理对公式(10)分类负荷密度最大估计值矩阵进行求解，得到分类负荷密度最大估计值，见公式(11)和(12)，其中，P为I类元胞的单位时间段内负荷最大值矩阵；C为I类元胞内各类用地的面积与其对应的负荷密度均衡系数乘积的矩阵；为各I类元胞内分类负荷密度最大估计值矩阵；同种用地类型的平均负荷密度值获取方法见公式(13)，其中，表示第k个单位时间段内第j类用地类型的平均负荷密度值；为第k个单位时间段内各I类元胞内第j类用地负荷密度最大估计值，j＝1,2,…,m,m为用地类型的类数；β_ik为第k个单位时间段内第i个I类元胞的负荷密度均衡系数；S_ijk为第k个单位时间段内第i个I类元胞内第j类用地面积；计算得到的各种用地类型的平均负荷密度值即为各分类负荷密度指标；④计算各II类元胞负荷预测值根据步骤1)所建立的电力地理信息系统中，结合根据步骤1)子步骤③所建立的用地信息图层，确定出每个根据步骤3)子步骤①所生成的II类元胞内各种用地类型的面积，并将其乘以根据公式(13)所求出的对应的各种用地类型的平均负荷密度值，再乘以根据公式步骤3)子步骤②确定的对应的负荷密度均衡系数，计算出各II类元胞目标时间段的负荷预测值，从而实现对空间电力负荷预测结果的网格化。