1 简介

基于数据的机器学习就是由观测样本数据得出目前尚不能通过原理分析得到的规律,利用其对未来数据进行预测.神经网络以其优越的函数逼近性能广泛用于建立时间序列过去与未来数据之间某种确定的映射关系,实现预测.首先分析了以经验风险最小化为准则的神经网络的局限性,以及针对此提出的结构风险最小化准则的优点;其次引出支持向量机;最后利用支持向量机对用电数据做较准确的多步预测.

【SVM预测】基于SVM实现电力系统短期负荷预测含Matlab源码_数据

2 部分代码

clc;

clear 

C = 30;

theta = 2;%C为最小二乘支持向量机的正则化参数，theta为高斯径向基的核函数参数，两个需要进行优化选择调试

NumOfPre = 1;%预测天数，在此预测本季度最后七天

%以负荷的加权为参考1

al = 2;%温度的加权

be = 1;%湿度的加权

th = 1;%星期的加权

Time = 48;

Data = xlsread('input.xls');%此为从excel表格读数据的命令，表示将表格的数据读到Data数组中，省略表格中的第一行第一列文字部分 可输入你要预测的表格名称

Data = Data(2:end,:);

[M,N] = size(Data);%计算读入数据的行和列 M行N列

Data1 = Data;

for i = 1:2

    maxData = max(Data(:,i));

    minData = min(Data(:,i));

    Data1(:,i) = (Data(:,i) - minData)/(maxData-minData);%对温度进行归一化处理

end

for i = 4:N

    Data1(:,i) = log10(Data(:,i)) ;%对负荷进行对数处理 温度和负荷的预处理 可采用不同的方法 可不必拘泥

end

Dim =  M - 2 - NumOfPre;%训练样本数%拥有完整特征描述的数据共有M-2组！！

Input = zeros(M,8,Time);%预先分配处理后的输入向量空间%8是特征空间的维度！也是x的元素数！！

y = zeros(Dim,Time);

for i = 3:M 

    for j = 1:Time

        %%选取前一天温度、同一时刻的负荷，前两天的负荷，当天的温度作为输入特征

        x = [Data1(i-1,1:3), Data1(i-1,j+3), Data1(i-2,j+3),Data1(i,1:3)];%x就是每一个负荷对应的特征向量！！！

        x(1)=al*x(1);

        x(6)=al*x(6);

        x(2)=be*x(2);

        x(7)=be*x(7);

        x(3)=th*x(3);

        x(8)=th*x(8);

        Input(i-2,:,j) = x;%Input(i,：,k)的含义为：第i天第j个时刻的负荷所对应的特征向量

        y(i-2,j) = Data1(i,j+3);

    end

end

Dist = zeros(Dim,Dim,Time);%预先分配距离空间

for i=1:Time

    for j=1:Dim

        for k=1:Dim

            Dist(j,k,i) = (Input(j,:,i) - Input(k,:,i))*(Input(j,:,i) - Input(k,:,i))';

        end

    end

end

%Dist(i,j,k)含义为：第i天第k个时刻的负荷与第j天同一时刻的负荷之间的特征距离

Dist1 = exp(-Dist/(2*theta));%RBF

K = zeros(1,Dim);

% Pre = zeros(M-2,Time);

for i=1:Time

    H = Dist1(:,:,i) + eye(Dim)/C;%最小二乘支持向量的H矩阵

    f = -y(1:Dim,i); 

    Aeq = ones(Dim,1)';

    beq = [0];

    option.MaxIter=1000;

    [a,fval]=quadprog(H,f,[],[],Aeq,beq);%,[],[],[],option);

    b = zeros(1,Dim);

    for j = 1:Dim

        b(1,j) = y(j,i) - a(j)/C - a'* Dist1(:,j,i);%求每个输入特征对应的b

    end

    b = sum(b)/Dim;%求平均b，消除误差

    for j = Dim + 1:M-2

        for k = 1:Dim

            K(1,k) = exp(-(Input(j,:,i) - Input(k,:,i))*(Input(j,:,i) - Input(k,:,i))'/(2*theta));%预测输入特征与训练特征的RBF距离

        end

        Pre(j-Dim,i) = sum(a'*K') + b;  %求解预测值   

    end

end

% Len = M  - (Dim + 3) + 1;%预测的天数 取本季度最后Len天

Len = NumOfPre;

Pre = 10.^Pre;

for i = 1:Len

    figure 

    plot(1:Time,Data(i+Dim+2,4:N),'r',1:Time,Pre(i,:),'k');%画出每一天的预测值和真实值

    hold on

    scatter(1:Time,Data(i+Dim+2,4:N),'o')

    scatter(1:Time,Pre(i,:),'^')

   % axis([0 25 0 100])%坐标范围

    hold off

end

Acu = (Pre - Data(Dim+3:M,4:N))./Data(Dim+3:M,4:N);%相对误差

save Acu.mat Acu

s=0;

for i=1:Time

    s=abs(Acu(1,i))+s;

end

acu=s/Time;

save acu.mat acu;

Result=[C,theta,acu];

disp(Result);

3 仿真结果

【SVM预测】基于SVM实现电力系统短期负荷预测含Matlab源码_数据_02

4 参考文献

[1]宋鹏, 黄同愿, and 刘渝桥. "基于SVM的共享单车需求预测." 重庆理工大学学报：自然科学 33.7(2019):8.

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。