一种基于SSA-SVM模型的电动汽车负荷预测方法、系统及设备

技术领域

本发明涉及电力负荷预测技术领域，具体的是一种基于SSA-SVM模型的电动汽车负荷预测方法、系统及设备。

背景技术

大规模电动汽车的高速发展在解决能源短缺和环境污染的同时其充电需求也给电网运营及规划带来巨大的挑战。基于目前大多数城市的电力系统已经搭建了电动汽车负荷检测平台，可对电动汽车的负荷进行实时监测和记录，基于采样数据可对负荷进行预测，这一方法可在一定程度上可以缓解电网稳定运维的压力。目前预测方法分为传统预测方法和现代预测方法，传统预测方法基于统计学理论，现代预测方法基于机器学习。相较于传统预测方法，现代预测方法在数据处理、模型匹配以及准确度上有更好的表现。目前，SVM模型作为时序预测方法之一，该方法是以监督学习方式处理中小型数据样本、非线性的机器学习方法。对于SVM模型来说，正则化惩罚系数c和核参数gamma的非最优选择会出现过拟合或欠拟合的情况，会对预测结果产生极大的影响，导致预测数据不准确。通过预测技术实现对电动汽车充电负荷需求的预测，为电网提供数据支撑，使得电网可以根据预测数据在调整发电量、波峰谷电价制定以及充电桩分布等方面获得帮助，因此，优化SVM模型提高预测准确度是目前需要解决的问题。

发明内容

为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于SSA-SVM模型的电动汽车负荷预测方法、系统及设备，能够提高SVM模型的预测准确度。

本发明的目的可以通过以下技术方案实现：一种基于SSA-SVM模型的电动汽车负荷预测方法，方法包括以下步骤：

对历史负荷数据进行预处理，包括缺失值填充、异常值替补以及归一化和标准化，将预处理后的历史负荷数据划分为训练数据集和测试数据集；

在SVM预测模型基础上加入SSA优化算法，初始化麻雀种群数量、设置预警值、dim值，分析SVM模型的所需的适应度函数；

选取通过SVM模型生成的电动汽车负荷预测值和对应同一时间点的负荷样本值的均方根rms作为SSA优化算法的适应度函数，直至满足条件从而得出最优函数值；

将计算出的最优函数值传递到SVM模型中，得到基于SSA优化算法的改进型SVM预测模型；

使用基于SSA优化算法的改进型SVM预测模型对训练数据集和测试数据集进行学习和训练，得到优化后的SVM预测模型；

基于优化后的SVM模型对电动汽车进行负荷预测，输出预测数据值。

其中可选的，所述得出最优函数值的过程如下：

根据麻雀当前所处位置的安全阈值和警报值阈值相比较以及适应度函数，不断更新发现者、加入者及警戒者的位置，判断是否达到最大迭代次数，满足条件则终止，搜索到最优麻雀位置后确定为最优函数值；不满足则继续更新麻雀种群所处位置，从而得出最优函数值。

其中可选的，所述发现者位置更新描述如下：

式中：

其中可选的，所述加入者位置更新描述如下：

式中：

其中可选的，所述警戒者位置更新描述如下：

式中：

其中可选的，所述判断是否达到最大迭代次数的过程如下：

对SVM模型的惩罚系数c及RBF核函数的参数gamma进行优化，将原始空间特征向量对应到高维空间，建立预测回归函数，求得适应度函数的最优解；

判断寻找最优解的次数是否为SSA模型设置的最大迭代次数，满足这一条件则算法结束，将最优解的c和gamma的值传给SVM模型，并进行学习和训练得到基于SSA优化算法的改进型SVM预测模型；不满足这一条件，将继续更新加入者、发现者及警戒者的位置信息，直至得到基于SSA优化算法的改进型SVM预测模型。

其中可选的，所述求得最优解的公式如下：

式中：f(w)为预测回归函数；W为预测函数模型中输入量的权重向量值；c为错误项的惩罚系数，且c＞0；e

其中可选的，根据公式可建立拉格朗日方程式，并对式中变量逐一进行一阶偏导量求值，最终通过求解方程式得出最优解，确定SVM模型参数，进行电动汽车负荷预测。

其中可选的，一种基于SSA-SVM模型的电动汽车负荷预测系统，包括：

数据预处理模块：用于对历史负荷数据进行预处理，包括缺失值填充、异常值替补以及归一化和标准化，将预处理后的历史负荷数据划分为训练数据集和测试数据集；

最优函数值计算模块：在SVM预测模型基础上加入SSA优化算法，初始化麻雀种群数量、设置预警值、dim值，分析SVM模型的所需的适应度函数；选取通过SVM模型生成的电动汽车负荷预测值和对应同一时间点的负荷样本值的均方根rms作为SSA优化算法的适应度函数，直至满足条件从而得出最优函数值；

模型优化模块：用于将计算出的最优函数值输入SVM模型中，得到基于SSA优化算法的改进型SVM预测模型；

模型训练模块：用于使用基于SSA优化算法的改进型SVM预测模型对训练数据集和测试数据集进行学习和训练，得到优化后的SVM预测模型；

负荷预测模块：用于基于优化后的SVM模型对电动汽车进行负荷预测，输出预测数据值。

其中可选的，一种设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当一个或多个所述程序被一个或多个所述处理器执行，使得一个或多个所述处理器实现如上所述的一种基于SSA-SVM模型的电动汽车负荷预测方法。

本发明的有益效果：

本发明能够通过全局寻优确定SVM预测模型的参数，加快模型的收敛速度、提高模型鲁棒性、增加模型预测的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；

图1是本发明流程示意图；

图2是本发明原理示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，一种基于SSA-SVM模型的电动汽车负荷预测方法，包括以下步骤：

S1：读取电动汽车历史负荷数据，根据数据分析结果对历史数据进行所需的数据预处理，包括缺失值填充、异常值替补及归一化等处理，生成实验所需的时间序列样本数据；

S2：构建SVM预测模型，初始化SVM模型参数。在该模型基础上加入SSA优化算法，选取SVM的惩罚参数c与RBF核函数参数gamma作为待优化的参数，初始化麻雀种群的划分参数以确定待优化参数的取值范围；

S3：选取电动汽车负荷预测值和真实值的rms(均方根)作为SSA优化算法的适应度函数，根据麻雀当前所处位置的安全阈值和警报值阈值相比较以及适应度函数，不断更新发现者、加入者及警戒者的位置。判断是否达到最大迭代次数，满足条件则终止，搜索到最优麻雀位置后确定为最优函数值；不满足则继续更新麻雀种群的位置，直至满足条件；

S4：将SSA优化算法计算出的最优函数值传入SVM模型中，构建基于SSA优化算法的改进型SVM预测模型，从而以此加快预测模型的收敛速度、提高模型的鲁棒性；

S5：将S1步骤处理后的样本数据按比例划分为训练数据集和测试数据集，使用优化后的SVM预测模型对样本数据进行学习和训练，得到优化后的SVM预测模型。

S6：使用优化后的SVM模型进行电动汽车负荷预测，并输出预测值。

需要进一步进行说明的是，在具体实施过程中，所述发现者位置更新描述如下：

式中：

需要进一步进行说明的是，在具体实施过程中，所述加入者位置更新描述如下：

式中：

需要进一步进行说明的是，在具体实施过程中，所述警戒者位置更新描述如下：

式中：

需要进一步进行说明的是，在具体实施过程中，所述得出最优函数值的过程如下：

根据麻雀当前所处位置的安全阈值和警报值阈值相比较以及适应度函数，不断更新发现者、加入者及警戒者的位置，判断是否达到最大迭代次数，满足条件则终止，搜索到最优麻雀位置后确定为最优函数值；不满足则继续更新麻雀种群所处位置，从而得出最优函数值。

需要进一步进行说明的是，在具体实施过程中，所述判断是否达到最大迭代次数的过程如下：

对SVM模型的惩罚系数c及RBF核函数的参数gamma进行优化，将原始空间特征向量对应到高维空间，建立预测回归函数，求得该预测回归函数的最优解；

判断求解最优解的次数是否为模型设置的最大迭代次数，满足这一条件则算法结束，将最优解的c和gamma的值传给SVM模型，并进行学习和训练得到基于SSA优化算法的改进型SVM预测模型；不满足这一条件，将继续更新加入者、发现者及警戒者的位置信息，直至得到基于SSA优化算法的改进型SVM预测模型。

需要进一步进行说明的是，在具体实施过程中，所述求得最优解的公式如下：

式中：f(w)为预测回归函数；W为预测函数模型中输入量的权重向量值；c为错误项的惩罚系数，且c＞0；e

需要进行说明的是，一种基于SSA-SVM模型的电动汽车负荷预测系统，包括：

数据预处理模块：用于对历史负荷数据进行预处理，包括缺失值填充、异常值替补以及归一化和标准化，将预处理后的历史负荷数据划分为训练数据集和测试数据集；

最优函数值计算模块：用于在SVM预测模型基础上加入SSA优化算法，初始化麻雀种群参数后，确定SVM模型的参数范围，选取电动汽车负荷预测值和真实值的均方根rms作为SSA优化算法的适应度函数，直至满足条件从而得出最优函数值

模型优化模块：将计算出的最优函数值输入SVM模型中，得到基于SSA优化算法的改进型SVM预测模型；

模型训练模块：使用基于SSA优化算法的改进型SVM预测模型对训练数据集和测试数据集进行学习和训练，得到优化后的SVM预测模型；

负荷预测模块：基于优化后的SVM模型对电动汽车进行负荷预测，输出预测数据值。

基于同一种发明构思，本发明还提供一种计算机设备，该计算机设备包括包括：一个或多个处理器，以及存储器，用于存储一个或多个计算机程序；程序包括程序指令，处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其用于实现一条或一条以上指令，具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解，本公开不受上述实施例的限制，上述实施例和说明书中描述的只是说明本公开的原理，在不脱离本公开精神和范围的前提下，本公开还会有各种变化和改进，这些变化和改进都落入要求保护的本公开范围内容。