一種能源消耗預測方法及裝置制造方法
【專利摘要】本發(fā)明提供一種能源消耗預測方法及裝置，包括：利用歷史能耗序列數據構建訓練樣本集，其中，所述歷史能耗序列數據按照時間序列排列；通過基于支持向量機SVM的回歸算法SVR，根據構建的訓練樣本集預測能源消耗。本發(fā)明提供的源消耗預測方法和能源消耗預測裝置，通過基于支持向量機SVM的回歸算法SVR對數據進行預測，針對歷史數據，合理的構建訓練樣本集，使得支持向量機模型根據有限的樣本信息在模型的復雜性和學習能力之間尋求到最佳折衷，并獲得最好的推廣能力，從而使得預測結果更精確。
【專利說明】一種能源消耗預測方法及裝置
【技術領域】
[0001]本發(fā)明涉及能源技術，尤其涉及一種能源消耗預測方法及裝置。
【背景技術】
[0002]制造企業(yè)一般規(guī)模都比較大，消耗電能多，連續(xù)生產的機器設備也較多，所以對供電的可靠性和電能質量要求都比較高。并且由于企業(yè)的負荷會嚴重影響地區(qū)電網的負荷，現今的供電部門都會要求大型用電企業(yè)提供自己的電力負荷預報，還會嚴格考核預報的準確性。其中，電力負荷預報可由企業(yè)通過研究電力需求預測。企業(yè)預測電力需求可以合理安排生產計劃，降低用能成本，同時也可保證電網安全地運行。
[0003]目前，企業(yè)一般通過BP神經網絡預測方法和線性回歸法預測電力需求，預測效果差。
【發(fā)明內容】
[0004]為解決上述問題，本發(fā)明提供一種能源消耗預測方法，使得對能源消耗預測的結果更精確。具體技術方案如下:
[0005]一種能源消耗預測方法，包括:利用歷史能耗序列數據構建訓練樣本集，其中，所述歷史能耗序列數據按照時間序列排列；
[0006]通過基于支持向量機SVM的回歸算法SVR，根據構建的訓練樣本集預測能源消耗。
[0007]一種能源消耗預測裝置，包括:
[0008]訓練樣本集構建單元，用于利用歷史能耗序列數據構建訓練樣本集；
[0009]能源消耗預測單元，用于根據所述訓練樣本集構建單元構建的訓練樣本集預測能源消耗。
[0010]本發(fā)明提供的源消耗預測方法和能源消耗預測裝置，通過基于支持向量機SVM的回歸算法SVR對數據進行預測，針對歷史數據，合理的構建訓練樣本集，使得支持向量機模型根據有限的樣本信息在模型的復雜性和學習能力之間尋求到最佳折衷，并獲得最好的推廣能力，從而使得預測結果更精確。
【專利附圖】
【附圖說明】
[0011]通過閱讀參照以下附圖所作的對非限制性實施例所作的詳細描述，本發(fā)明的其它特征、目的和優(yōu)點將會變得更明顯:
[0012]圖1是本發(fā)明實施例提供的一種能源消耗預測方法的流程圖；
[0013]圖2是發(fā)明實施例提供的能源消耗預測方法中基于SVR的能耗預測模型流程圖；
[0014]圖3是本發(fā)明實施例提供的能源消耗預測方法中平均學習誤差走向圖；
[0015]圖4是本發(fā)明實施例提供的能源消耗預測方法中通過基于支持向量機SVM的回歸算法SVR進行學習預測的曲線圖；
[0016]圖5是本發(fā)明實施例提供的能源消耗預測方法中通過BP神經網絡預測算法的學習與預測效果圖；
[0017]圖6是本發(fā)明實施例提供的能源消耗預測方法中通過BP線性回歸預測算法的學習與預測效果圖；
[0018]圖7是本發(fā)明實施例提供的一種能源消耗預測裝置結構示意圖。
【具體實施方式】
[0019]下面結合附圖和實施例對本發(fā)明作進一步的詳細說明?？梢岳斫獾氖?，此處所描述的具體實施例僅僅用于解釋本發(fā)明，而非對本發(fā)明的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本發(fā)明相關的部分而非全部內容。
[0020]實施例一
[0021]如圖1所示，本發(fā)明實施例提供的能源消耗預測方法包括:
[0022]步驟101，利用歷史能耗序列數據構建訓練樣本集，其中，所述歷史能耗序列數據按照時間序列排列；
[0023]步驟102，通過基于支持向量機SVM的回歸算法SVR，根據構建的訓練樣本集預測能源消耗。
[0024]支持向量機，即Support Vector Machine,簡稱SVM,是由V.Vapnik等人在90年代提出的一種機器學習算法，也是一種模式分類技術，其理論基礎是統計學習理論，SVR即support vector regression,是建立在SVM思想上的回歸算法。不同于最小化經驗訓練誤差的傳統方法，如:神經網絡學習算法和最小二乘法等等，支持向量機使用結構風險最小化原則，即通過最大化分類超平面與訓練數據之間的距離來最大限度地降低泛化誤差，這也使得其對小樣本數據同樣有著良好的泛化能力。
[0025]支持向量機對數據的預測方法是根據有限的樣本信息在模型的復雜性(即對特定訓練樣本的學習精度)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以求獲得最好的推廣能力，應用基于支持向量機SVM的回歸算法SVR對數據進行預測的方法流程如圖2所示，通過構建輸入與輸出、樣本數據預處理、選擇SVR模型參數、訓練SVR模型、判斷性能是否滿足要求、得到最終的SVR模型，即:
[0026]
【權利要求】
1.一種能源消耗預測方法，其特征在于，包括:利用歷史能耗序列數據構建訓練樣本集，其中，所述歷史能耗序列數據按照時間序列排列； 通過基于支持向量機SVM的回歸算法SVR，根據構建的訓練樣本集預測能源消耗。
2.根據權利要求1所述的方法，其特征在于，利用歷史能耗序列數據構建訓練樣本集，包括: 用
3.根據權利要求2所述的方法，其特征在于,樣本數量為η的訓練集中的時間序列樣本點數量為n+m。
4.根據權利要求1-3任一項所述的方法，其特征在于，通過基于支持向量機SVM的回歸算法SVR，根據構建的訓練樣本集預測能源消耗，包括:通過以下公式對所述訓練樣本集進行樣本數據預處理: 歸一化公式:
5.根據權利要求1-3任一項所述的方法，其特征在于，通過基于支持向量機SVM的回歸算法SVR，根據構建的訓練樣本集預測能源消耗，包括:通過以下公式使用所述訓練樣本集對SVR模型進行性能評價:
6.根據權利要求5所述的方法，其特征在于，當所述SVR模型的性能不符合要求時，所述方法還包括: 重新選擇SVR模型參數，并重新訓練SVR模型。
7.一種能源消耗預測裝置，其特征在于，包括: 訓練樣本集構建單元，用于利用歷史能耗序列數據構建訓練樣本集； 能源消耗預測單元，用于根據所述訓練樣本集構建單元構建的訓練樣本集預測能源消耗。
8.根據權利要求7所述的裝置，其特征在于，所述訓練樣本集構建單元具體用于: 用
9.根據權利要求8所述的裝置，其特征在于，所述訓練樣本集構建單元具體用于構建樣本數量為η、時間序列樣本點數量為n+m的訓練樣本集。
10.根據權利要求7-9任一項所述的裝置，其特征在于，所述能源消耗預測單元包括: 樣本數據預處理子單元，用于通過以下公式對所述訓練樣本集進行樣本數據預處理: 歸一化公式:
11.根據權利要求7-9任一項所述的裝置，其特征在于，所述能源消耗預測單元包括: 性能評價子單元，用于通過以下公式使用所述訓練樣本集對SVR模型進行性能評價:
12.根據權利要求11所述的裝置，其特征在于，所述能源消耗預測單元包括: SVR模型參數選擇子單元，用于當所述SVR模型的性能不符合要求時，重新選擇SVR模型參數； SVR模型訓練子單元，用于當所述SVR模型的性能不符合要求時，重新訓練SVR模型。
【文檔編號】G06Q10/04GK103544544SQ201310521019
【公開日】2014年1月29日 申請日期:2013年10月29日 優(yōu)先權日:2013年10月29日
【發(fā)明者】楊海東, 楊文人, 彭磊, 楊淑愛 申請人:廣東工業(yè)大學, 惠州市品智科技有限公司, 廣州萬智信息科技有限公司