【SVM预测】基于日特征气象因素支持向量机SVM电力负荷预测含Matlab源码

1 简介

介绍了支持向量机(SVM)方法及其在短期电力负荷预测中的应用.结合地区实际,在算法中考虑相应的气象因素,该算法具有收敛速度快、全局最优等优点.预测算例表明,考虑气象因素的SVM方法可提高预测精度.

2 部分代码

登录后复制

          
          

           
           function [mse,bestc,bestg] = SVMcgForRegress(train_label,train,cmin,cmax,gmin,gmax,v,cstep,gstep,msestep)
           
           
%SVMcg cross validation by faruto
           
           
%
           
           
%% about the parameters of SVMcg 
           
           
if nargin < 10
           
           
    msestep = 0.06;
           
           
end
           
           
if nargin < 8
           
           
    cstep = 0.8;
           
           
    gstep = 0.8;
           
           
end
           
           
if nargin < 7
           
           
    v = 5;
           
           
end
           
           
if nargin < 5
           
           
    gmax = 8;
           
           
    gmin = -8;
           
           
end
           
           
if nargin < 3
           
           
    cmax = 8;
           
           
    cmin = -8;
           
           
end
           
           
%% X:c Y:g cg:acc
           
           
[X,Y] = meshgrid(cmin:cstep:cmax,gmin:gstep:gmax);
           
           
[m,n] = size(X);
           
           
cg = zeros(m,n);
           
           
eps = 10^(-4);
           
           
%% record acc with different c & g,and find the bestacc with the smallest c
           
           
bestc = 0;
           
           
bestg = 0;
           
           
mse = Inf;
           
           
basenum = 2;
           
           
for i = 1:m
           
           
    for j = 1:n
           
           
        cmd = ['-v ',num2str(v),' -c ',num2str( basenum^X(i,j) ),' -g ',num2str( basenum^Y(i,j) ),' -s 3 -p 0.01'];
           
           
        cg(i,j) = svmtrain(train_label, train, cmd);
           
           
        if cg(i,j) < mse
           
           
            mse = cg(i,j);
           
           
            bestc = basenum^X(i,j);
           
           
            bestg = basenum^Y(i,j);
           
           
        end
           
           
        if abs( cg(i,j)-mse )<=eps && bestc > basenum^X(i,j)
           
           
            mse = cg(i,j);
           
           
            bestc = basenum^X(i,j);
           
           
            bestg = basenum^Y(i,j);
           
           
        end
           
           
    end
           
           
end
           
           
%% to draw the acc with different c & g
           
           
[cg,ps] = mapminmax(cg,0,1);
           
           
figure;
           
           
[C,h] = contour(X,Y,cg,0:msestep:0.5);
           
           
clabel(C,h,'FontSize',10,'Color','r');
           
           
xlabel('log2c','FontSize',12);
           
           
ylabel('log2g','FontSize',12);
           
           
firstline = 'SVR参数选择结果图(等高线图)[GridSearchMethod]'; 
           
           
secondline = ['Best c=',num2str(bestc),' g=',num2str(bestg), ...
           
           
    ' CVmse=',num2str(mse)];
           
           
title({firstline;secondline},'Fontsize',12);
           
           
grid on;
           
           
figure;
           
           
meshc(X,Y,cg);
           
           
% mesh(X,Y,cg);
           
           
% surf(X,Y,cg);
           
           
axis([cmin,cmax,gmin,gmax,0,1]);
           
           
xlabel('log2c','FontSize',12);
           
           
ylabel('log2g','FontSize',12);
           
           
zlabel('mse','FontSize',12);
           
           
firstline = 'SVR参数选择结果图(3D视图)[GridSearchMethod]'; 
           
           
secondline = ['Best c=',num2str(bestc),' g=',num2str(bestg), ...
           
           
    ' CVmse=',num2str(mse)];
           
           
title({firstline;secondline},'Fontsize',12);
          
          

• 1.
• 2.
• 3.
• 4.
• 5.
• 6.
• 7.
• 8.
• 9.
• 10.
• 11.
• 12.
• 13.
• 14.
• 15.
• 16.
• 17.
• 18.
• 19.
• 20.
• 21.
• 22.
• 23.
• 24.
• 25.
• 26.
• 27.
• 28.
• 29.
• 30.
• 31.
• 32.
• 33.
• 34.
• 35.
• 36.
• 37.
• 38.
• 39.
• 40.
• 41.
• 42.
• 43.
• 44.
• 45.
• 46.
• 47.
• 48.
• 49.
• 50.
• 51.
• 52.
• 53.
• 54.
• 55.
• 56.
• 57.
• 58.
• 59.
• 60.
• 61.
• 62.
• 63.
• 64.
• 65.
• 66.
• 67.
• 68.
• 69.
• 70.
• 71.
• 72.

3 仿真结果

4 参考文献

[1]潘锋, 储琳琳, 张宇俊. 考虑气象因素的SVM方法在短期电力负荷预测中的应用[J]. 华东电力, 2007, 35(11):4.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。