基于SVM电力系统短期负荷预测的一个例程

基于SVM电力系统短期负荷预测的一个例程。包含数据和程序，与传统的算法相比，本代码在导入SVM训练之前对影响短期负荷的各种因素作了一个加权。

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:）;
[MN] = 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（M8Time）;%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（DimTime）;
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-11:3） Data1（i-1j+3） Data1（i-2j+3）Data1（i1:3）];%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-2j） = Data1（ij+3）;
    end
end
Dist = zeros（DimDimTime）;%预先分配距离空间
for i=1:Time
    for j=1:Dim
        for k=1:Dim
            Dist（jki） = （Input（j:i） - Input（k:i））*（Input（j:i） - Input（k:i））‘;
        end
    end
end
%Dist（ijk）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（1Dim）;
% Pre = zeros（M-2Time）;
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:Dimi）; 
    Aeq = ones（Dim1）‘;
    beq = [0];
    option.MaxIter=1000;
    [afval]=quadprog（Hf[][]Aeqbeq）;%[][][]option）;
    b = zeros（1Dim）;
    for j = 1:Dim
        b（1j） = y（ji） - a（j）/C - a‘* Dist1（:ji）;%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（1k） = 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-Dimi） = 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:TimeData（i+Dim+24:N）‘r‘1:TimePre（i:）‘k‘）;%画出每一天的预测值和真实值
    hold on
    scatter（1:TimeData（i+Dim+24:N）‘o‘）
    scatter（1:TimePre（i:）‘^‘）
   % axis（[0 25 0 100]）%坐标范围
    hold off
end
Acu = （Pre - Data（Dim+3:M4:N））./Data（Dim+3:M4:N）;%相对误差
save Acu.mat Acu
s=0;
for i=1:Time
    s=abs（Acu（1i））+s;
end
acu=s/Time;
save acu.mat acu;
Result=[Cthetaacu];
disp（Result）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件       19340  2016-03-28 17:28  input.xls
     文件        3058  2016-03-29 23:52  shorttimegai1.m