[发明专利]一种基于SVR支持向量回归的微电网超短期负荷预测方法

权利要求书

1.一种基于SVR支持向量回归的微电网超短期负荷预测方法，历史数据是以15分钟为周期进行负荷预测，其特征在于，包括以下步骤：

步骤1、建立在线超短期负荷预测的SVR模型：

将历史负荷数据分为工作日、双休日和节假日三类，对三类不同的数据分别采用SVR进行建模，随后构建超短期负荷预测所需的训练样本数据集和测试样本数据集，构建时先对负荷样本特征进行选取，确定负荷输入样本数据的16维输入向量，该16维输入向量包括预测时刻前1至前16采样时刻负荷，设第i天t时刻的负荷值为L_i,t，则其训练样本x_i,t为：x_i,t＝(L_i,t-16,L_i,t-15,L_i,t-14,…,L_i,t-1,L_i,t)，式中，t＝1,2,...,96；对负荷输入样本数据进行小波变换平滑处理，构成超短期负荷预测所需的训练样本数据集和测试样本数据集；得到所需的训练样本数据集和测试样本数据集后，对训练样本数据集和测试样本数据集中的负荷输入样本数据进行归一化处理；

步骤2、在线超短期负荷预测的SVR模型训练：

采用相似度法确定训练样本数据集与当前预测时刻的关联度，从大到小依次排序，取前K条样本数据用于模型训练，得到工作日、双休日和节假日三类在线预测SVR模型；

步骤3、在线预测SVR模型核函数参数优化：

在线预测SVR模型核的核函数采用径向基函数RBF，用改进粒子群优化算法对径向基函数RBF的宽度参数σ²和惩罚系数c进行寻优，确定效果最佳的参数组合；

步骤4、未来4小时负荷循环预测：

将已经预测出的负荷值并入到输入样本集，采用循环预测方法计算从当前预测时刻开始的16个点负荷值，循环预测方法通过不断将已经预测出的负荷放入到样本集来实现，对当日当前预测时刻t，其循环预测的样本如下：

x_t＝(L_t-16,L_t-15,L_t-14,…,L_t-1,L_t)

x_t+1＝(L_t-15,L_t-14,L_t-13,…,L_t,L_t+1)

x_t+15＝(L_t-1,L_t,L_t+1,…,L_t+14,L_t+15)

式中，x_t至x_t+15为当日当前预测时刻t的循环预测的负荷样本，L_t表示当日当前预测时刻t的负荷值；循环预测方法执行过程中，若出现负荷样本跨天的情况，则采用如下处理步骤：

当前预测时刻t<17时，需要的训练样本数据包含与前一天日类型相同的历史数据，采用步骤1、步骤2、步骤3中的方法逐步循环预测出包含当前预测时刻t的未来16个点负荷值；

当前预测时刻t＞81时，需要的训练样本数据包含与第二天日类型相同的历史数据，采用步骤1、步骤2、步骤3中的方法逐步循环预测出包含当前预测时刻t的未来16个点负荷值。

2.如权利要求1所述的一种基于SVR支持向量回归的微电网超短期负荷预测方法，其特征在于，步骤1中，对所述负荷输入样本数据进行归一化处理按照维来进行的，将16维输入向量的每一维都归一化到[0,1]区间内，假设当前维所有负荷输入样本数据上的最大值是x_max、最小值是x_min，则当前负荷输入样本数据x则线性变换为