本發(fā)明涉及負(fù)荷預(yù)測領(lǐng)域，具體地說是一種考慮重大社會活動影響的地區(qū)中短期日最大負(fù)荷預(yù)測方法。

背景技術(shù)：

目前，負(fù)荷預(yù)測的方法主要分兩大類：傳統(tǒng)預(yù)測方法和智能預(yù)測方法。傳統(tǒng)方法主要包括：彈性系數(shù)法、回歸分析法、時(shí)間序列預(yù)測法、產(chǎn)值單耗法及它們的衍化方法。智能方法主要包括神經(jīng)網(wǎng)絡(luò)、模糊邏輯、專家系統(tǒng)等?，F(xiàn)有的預(yù)測方法聚焦因素在于時(shí)間、天氣、周期等，未考慮或無法適應(yīng)重大社會活動(例如g20峰會、2008年奧運(yùn)會等國際活動)發(fā)生時(shí)日最大負(fù)荷極度反常的情況。

技術(shù)實(shí)現(xiàn)要素：

為解決上述現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種能對重大社會活動期間進(jìn)行日最大負(fù)荷合理預(yù)測的地區(qū)中短期日最大負(fù)荷預(yù)測方法。

本發(fā)明采用的技術(shù)方案如下：考慮重大社會活動影響的地區(qū)中短期日最大負(fù)荷預(yù)測方法，其將地區(qū)最大負(fù)荷逐日排列成曲線，即形成地區(qū)日最大負(fù)荷波，采用離散小波變換方法對地區(qū)日最大負(fù)荷波進(jìn)行計(jì)算處理，得到分頻波形后，對各個(gè)頻段負(fù)荷分別采用灰色預(yù)測模型及反饋型支持向量機(jī)進(jìn)行預(yù)測，最后將得到的分頻預(yù)測結(jié)果進(jìn)行重構(gòu)得到預(yù)測總結(jié)果。

進(jìn)一步地，所述地區(qū)日最大負(fù)荷波即原始波s，采用離散小波分解為低頻部分sa及高頻部分sa’，然后對sa’進(jìn)一步分解為s1和s1’，再對s1’進(jìn)行分解得到s2和s3，其中一次分解的低頻部分sa為基波，代表整體波形趨勢，s1～s3是時(shí)域上各次諧波。

進(jìn)一步地，對逐日最大負(fù)荷序列進(jìn)行分解，按照下面公式：

式中，j為分解尺度，k、m為平移系數(shù)，sj,m為原始波，sj+1,k為分解后低頻部分尺度系數(shù)；s'j+1,k為高頻部分小波系數(shù)；

h(m-2k)＝{ψ,φj-1,i}，

g(m-2k)＝{φj,φj-1,i}，

上式中，φj、φj-1,i為尺度函數(shù)，其對應(yīng)關(guān)系為：第j-1層尺度函數(shù)的排列通過高通濾波h(k)后，得到第j層尺度函數(shù)φj；ψ為小波函數(shù)，n為采樣點(diǎn)數(shù)量。

進(jìn)一步地，對于基波sa，針對其變化緩慢特點(diǎn)，采用灰色預(yù)測方法對其做獨(dú)立預(yù)測處理(對于單一產(chǎn)業(yè)、單一頻段的負(fù)荷特性，灰色預(yù)測模型可以較好地展現(xiàn)其非線性特征)：

對于數(shù)據(jù)x＝[x1,x2,...,xn]，同時(shí)xi≥0，i＝1,2,..,n，累加求得一階ago，得x¹＝[x1¹,x2¹,...,xn¹]，式中建立微分方程最小二乘法求解得其中將a,u帶回方程，設(shè)k為偏移系數(shù)，得：

進(jìn)一步地，高頻部分s1～s3采用反饋型支持向量機(jī)計(jì)算，邏輯如下：

支持向量機(jī)采用以下極小化優(yōu)化模型來確定回歸函數(shù)，即：

式中：θ為權(quán)值向量；為模型復(fù)雜度的數(shù)學(xué)表達(dá)式；α為平衡系數(shù)；ψi^*、ψi為松弛因子；yi為第i個(gè)樣本輸出量，φ(x)是將數(shù)據(jù)映射到高維空間的非線性變換函數(shù)；b為偏置量；ε為誤差上限值；

通過引入lagrange乘子λi和所述的極小化優(yōu)化模型轉(zhuǎn)化為以下對偶優(yōu)化問題予以求解：

求解上述問題得到支持向量機(jī)回歸函數(shù)：

式中：k(xi，x)為核函數(shù)，需滿足mercer條件，所述的核函數(shù)采用rbf函數(shù)，如下所示：

在支持向量機(jī)計(jì)算過程中涉及到兩參數(shù)，即平衡系數(shù)α和核函數(shù)參數(shù)g，表示樣本xi、xj計(jì)算空間中內(nèi)積時(shí)核函數(shù)參數(shù)為1/(σi²+σj²)；

反饋量體現(xiàn)為回歸函數(shù)中偏置量b上，在進(jìn)行一次計(jì)算后，在樣本學(xué)習(xí)過程中，根據(jù)終值與樣本結(jié)果的對比，對支持向量機(jī)回歸函數(shù)f(x)進(jìn)行修正：

其中，n1為屬于“+1”類支持向量的個(gè)數(shù)，n2為屬于“-1”類支持向量的個(gè)數(shù)，j1表示屬于“+1”類支持向量，j2表示屬于“-1”類支持向量。

進(jìn)一步地，將地區(qū)負(fù)荷小波分解后采用灰色預(yù)測模型及反饋型支持向量機(jī)進(jìn)行計(jì)算，得到sa、s1、s2、s3頻段預(yù)測點(diǎn)后采用重構(gòu)方式對分解負(fù)荷波進(jìn)行重構(gòu)，得到對于整體負(fù)荷的預(yù)測值，重構(gòu)推導(dǎo)如下：

式中，j為分解尺度，k、m為平移系數(shù)，sj-1,m為上級整合波，sj,k為低頻部分尺度系數(shù)，s'j,k為高頻部分小波系數(shù)。

進(jìn)一步地，對于基波sa在灰色預(yù)測計(jì)算中，對于歷史數(shù)據(jù)每一個(gè)點(diǎn)，進(jìn)行其屬性統(tǒng)計(jì)，屬性表示為：其中，代表負(fù)荷點(diǎn)屬性，q為控制字，若有重大事件發(fā)生，則值為1，若無值為0；esty為社會活動形式，1為會議，2為經(jīng)濟(jì)活動，3為節(jié)慶；elv∈[0,5]為事件重要性，對人民生活影響越大取值越高；et為時(shí)間節(jié)點(diǎn)，表示事件發(fā)生時(shí)間，本日發(fā)生其值為0，上日發(fā)生其值為1，以此類推；est∈[0,5]為生產(chǎn)限制等級，對于生產(chǎn)限制條件越高取值越大。輸入量x＝[x1,x2,...,xn]向量序列分別對應(yīng)x＝[p^k1,p^k2,p^k3,pj-1,pj-2,pj-3,...,pn-3]，其中，p^k1,p^k2,p^k3為對應(yīng)特征屬性q,esty,elv,et,est相同于待預(yù)測負(fù)荷p的最近前1‐3個(gè)分解負(fù)荷點(diǎn)，pj-1,pj-2,pj-3,...,pn-3，表示當(dāng)年預(yù)測日j之前1天至n‐3天的分解負(fù)荷點(diǎn)。

進(jìn)一步地，對于高頻部分s1～s3，在使用支持向量機(jī)進(jìn)行計(jì)算時(shí)，輸入量表示為：相關(guān)參量即為相關(guān)負(fù)荷日當(dāng)日屬性，排列與灰色預(yù)測法相似，其中，為第i年(當(dāng)年)第j‐1日(預(yù)測日前一日)的當(dāng)天負(fù)荷峰值，其輸出量

本發(fā)明充分分析重大社會活動造成的日最大負(fù)荷變化的在不同頻段，即，隨日起每日變動的差異性，采用小波變換方法離散化處理，針對不同頻段波的特性使用灰色預(yù)測方法及反饋型支持向量機(jī)進(jìn)行預(yù)測，最終通過去離散化得到綜合預(yù)測結(jié)果。

本發(fā)明合理提取日最大負(fù)荷特征，解決了重大社會活動因素背景下負(fù)荷趨勢模糊、量化難的情況，能對重大社會活動期間進(jìn)行合理中短期負(fù)荷預(yù)測。本發(fā)明的方法經(jīng)驗(yàn)證，結(jié)果擬合度較好，精度符合工程需求。

附圖說明

圖1為本發(fā)明反饋型支持向量機(jī)結(jié)構(gòu)圖；

圖2為某地區(qū)2015、2016年夏季最大日負(fù)荷曲線圖；

圖3為某地區(qū)每日負(fù)荷進(jìn)行小波分解后得到的各頻段曲線圖；

圖4為本發(fā)明的步驟構(gòu)成及計(jì)算關(guān)系圖。

具體實(shí)施方式

下面結(jié)合說明書附圖及具體實(shí)施方式對本發(fā)明進(jìn)一步說明。

1.日最大負(fù)荷及屬性對應(yīng)

對于每日最大負(fù)荷歷史數(shù)據(jù)每一個(gè)點(diǎn)，進(jìn)行其屬性統(tǒng)計(jì)，屬性表示為：其中，代表負(fù)荷點(diǎn)屬性，q為控制字，若有重大事件發(fā)生，則值為1，若無值為0；esty為社會活動形式，1為會議，2為經(jīng)濟(jì)活動，3為節(jié)慶；elv∈[0,5]為事件重要性，對人民生活影響越大取值越高；et為時(shí)間節(jié)點(diǎn)，表示事件發(fā)生時(shí)間，本日發(fā)生其值為0，上日發(fā)生其值為1，以此類推；est∈[0,5]為生產(chǎn)限制等級，對于生產(chǎn)限制條件越高取值越大。

在相關(guān)方法數(shù)據(jù)的輸入時(shí)，由于需要綜合考慮對同期歷史數(shù)據(jù)、相近日數(shù)據(jù)、特征相似日數(shù)據(jù)等三類數(shù)據(jù)進(jìn)行綜合計(jì)算，故需要針對日期及社會情況作相應(yīng)的特征記錄及索引。

2.離散小波分析

對逐日最大負(fù)荷序列進(jìn)行分解，按照下面公式：

式中，j為分解尺度，k,m為平移系數(shù)，sj,m為原始波，sj+1,k為分解后低頻成分尺度系數(shù)；s'j+1,k為高頻成分小波系數(shù)；

h(m-2k)＝{ψ,φj-1,i}，

g(m-2k)＝{φj,φj-1,i}，

上式中，φj、φj-1,i為尺度函數(shù)，其對應(yīng)關(guān)系為：第j-1層尺度函數(shù)的排列通過高通濾波h(k)后，得到第j層尺度函數(shù)φj；ψ為小波函數(shù)，n為采樣點(diǎn)數(shù)量。

本發(fā)明涉及離散小波分解共進(jìn)行三次分解，分解為4層，本發(fā)明將sj,m分解為低頻部分sa及高頻部分sa’，然后對sa’進(jìn)行進(jìn)一步分解為s1和s1’，再對s1’進(jìn)行分解得到s2和s3。其中一次分解的低頻部分sa為基波，代表整體波形趨勢，s1～s3是時(shí)域上各次諧波。

得到sa、s1、s2、s3頻段預(yù)測點(diǎn)后采用重構(gòu)方式對分解負(fù)荷波進(jìn)行重構(gòu)，得到對于整體負(fù)荷的預(yù)測值，重構(gòu)推導(dǎo)如下：

式中，j為分解尺度，k,m為平移系數(shù)，sj-1,m為上級整合波，sj,k為低頻成分尺度系數(shù)，s'j,k為高頻成分小波系數(shù)。

3.支持向量機(jī)

面對樣本非線性可分的數(shù)據(jù)，通過非線性變換將輸入變量x映射到一個(gè)高維空間(hilbert空間)中，在高維空間中進(jìn)行分類運(yùn)算，使得“margin”(分類區(qū)間)最大化，得到最優(yōu)分類面，從而將樣本分類。

通過構(gòu)造損失函數(shù)，并基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想，支持向量機(jī)通常采用以下極小化優(yōu)化模型來確定回歸函數(shù)，即

式中：θ為權(quán)值向量；為模型復(fù)雜度的數(shù)學(xué)表達(dá)式；α為平衡系數(shù)；ψi^*、ψi為松弛因子；yi為第i個(gè)樣本輸出量，φ(x)是將數(shù)據(jù)映射到高維空間的非線性變換函數(shù)；b為偏置量；ε為誤差上限值。

應(yīng)用例：相關(guān)計(jì)算及實(shí)現(xiàn)步驟如下：

其主要流程如下：

1.收集地區(qū)逐日最大負(fù)荷向量針對每日負(fù)荷pi，給出特征屬性q,esty,elv,et,est；

2.以單日負(fù)荷向量為離散點(diǎn)，針對逐日負(fù)荷向量波形采用離散小波分解計(jì)算得到分頻負(fù)荷波sa、s1、s2、s3；

3.采用灰色預(yù)測模型對負(fù)荷基波sa進(jìn)行預(yù)測計(jì)算，產(chǎn)生估算點(diǎn)，形成該頻段估算負(fù)荷向量sa'。

4.采用反饋型支持向量機(jī)對負(fù)荷分解后高次諧波s1、s2、s3進(jìn)行預(yù)測計(jì)算；

5.預(yù)測前先采用歷史負(fù)荷數(shù)據(jù)樣本使用支持向量機(jī)回歸函數(shù)進(jìn)行計(jì)算，在得到結(jié)果后，利用偏置量b的反饋計(jì)算得到更新后的偏置量，并對回歸函數(shù)進(jìn)行修正；

6.支持向量機(jī)計(jì)算時(shí)，輸入量格式如修正輸出量加入向量形成向量，重復(fù)本步驟直至k＝n；

7.回到步驟4計(jì)算下一個(gè)頻段的負(fù)荷分量，若所有頻段負(fù)荷分量預(yù)測全部計(jì)算完畢則進(jìn)入下一步；

8.對基波及高頻分段負(fù)荷分量sa、s1、s2、s3進(jìn)行重構(gòu)，得到區(qū)域預(yù)測負(fù)荷分量

9.考慮負(fù)荷預(yù)測的趨勢指導(dǎo)性，將得到的包含新的單點(diǎn)預(yù)測的區(qū)域負(fù)荷向量作為以知?dú)v史值返回步驟2，持續(xù)預(yù)測8次形成可參考趨勢。