本發(fā)明涉及電力技術(shù)領(lǐng)域，特別是涉及基于svm算法的輸變電設(shè)備的有功功率預(yù)測方法及裝置。

背景技術(shù)：

目前，電網(wǎng)已經(jīng)能夠為用戶提供持續(xù)、穩(wěn)定的電能，滿足了用戶生產(chǎn)和生活中的用電需求。但是，由于電網(wǎng)中的輸變電設(shè)備(例如變壓器)的有功功率能夠反映該輸變電設(shè)備的電能使用情況，并且輸變電設(shè)備的電能使用情況又會對電網(wǎng)的安全與經(jīng)濟運行產(chǎn)生重要影響，因此人們迫切想要對輸變電設(shè)備的有功功率進行預(yù)測。

而在目前，常常需要技術(shù)人員根據(jù)經(jīng)驗，對輸變電設(shè)備的有功功率進行預(yù)測。該種預(yù)測方式，需要技術(shù)人員具有較豐富的經(jīng)驗，這樣才能獲得較準(zhǔn)確的預(yù)測結(jié)果。也就是說，該種預(yù)測方式對技術(shù)人員的專業(yè)水平要求非常高，從而使得預(yù)測成本非常的高。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例的目的在于提供基于svm算法的輸變電設(shè)備的有功功率預(yù)測方法及裝置，以降低對輸變電設(shè)備進行有功功率預(yù)測的預(yù)測成本。

第一方面，本發(fā)明實施例提供了一種基于svm算法的輸變電設(shè)備有功功率預(yù)測方法，所述方法可以包括：

獲得第一特征向量，其中，所述第一特征向量中的元素包括：第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)，所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)為：目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中滿足預(yù)設(shè)條件的數(shù)據(jù)；

將所述第一特征向量輸入至預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，獲得所述目標(biāo)輸變電設(shè)備在下一時刻的有功功率預(yù)測值，其中，所述下一時刻與第一目標(biāo)時刻具有預(yù)設(shè)時間間隔，所述第一目標(biāo)時刻為：所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)對應(yīng)的時刻中最接近當(dāng)前時刻的時刻；

其中，所述目標(biāo)svm模型是基于預(yù)設(shè)的支持向量機svm算法，對至少一個訓(xùn)練樣本進行訓(xùn)練所得的；所述訓(xùn)練樣本包括：第二特征向量，以及所述第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)；所述第二特征向量中的元素包括：所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)，所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)為：所述目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中滿足所述預(yù)設(shè)條件的數(shù)據(jù)；所述真實有功功率數(shù)據(jù)為所述歷史有功功率數(shù)據(jù)中參考時刻所對應(yīng)的數(shù)據(jù)；所述參考時刻與第二目標(biāo)時刻的差值為所述預(yù)設(shè)時間間隔；所述第二目標(biāo)時刻為：所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)對應(yīng)的時刻中最接近當(dāng)前時刻的時刻。

可選地，構(gòu)建所述目標(biāo)svm模型的步驟可以包括：

基于所述目標(biāo)輸變電設(shè)備所對應(yīng)的歷史有功功率數(shù)據(jù)，構(gòu)建所述至少一個訓(xùn)練樣本；

基于預(yù)設(shè)的svm算法，對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型。

可選地，所述基于預(yù)設(shè)的svm算法，對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型的步驟，可以包括：

基于預(yù)設(shè)的l種svm算法，分別對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得l種svm模型，其中，所述l種svm算法所對應(yīng)的核函數(shù)不相同，所述l＞1；

針對每種svm模型，將第二預(yù)設(shè)數(shù)量的第二特征向量輸入至該種svm模型，獲得該種svm模型所輸出的針對所輸入的各個第二特征向量的有功功率預(yù)測值；

針對每種svm模型，基于該種svm模型所輸出的有功功率預(yù)測值，確定該種svm模型的預(yù)測準(zhǔn)確度；

將預(yù)測準(zhǔn)確度最高的svm模型確定為目標(biāo)svm模型。

可選地，針對每種svm模型，基于該種svm模型所輸出的有功功率預(yù)測值，確定該種svm模型的預(yù)測準(zhǔn)確度的步驟，可以包括：

確定輸入至該種svm模型的所述第二預(yù)設(shè)數(shù)量的第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)；

基于所述第二預(yù)設(shè)數(shù)量的第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)，以及將所述第二預(yù)設(shè)數(shù)量的第二特征向量輸入至該種svm模型后所獲得的有功功率預(yù)測值，計算該種svm模型對應(yīng)的平均相對誤差和均方相對誤差；

基于所述平均相對誤差和均方相對誤差，確定該種svm模型的預(yù)測準(zhǔn)確度；

其中，該種svm模型對應(yīng)的平均相對誤差的計算公式為：

其中，該種svm模型對應(yīng)的均方相對誤差的計算公式為：

其中，所述emre表示該種svm模型對應(yīng)的平均相對誤差；所述ermse表示該種svm模型對應(yīng)的均方相對誤差；所述n表示所述第二預(yù)設(shè)數(shù)量對應(yīng)的數(shù)值；所述l(i)表示輸入至該種svm模型的第二特征向量i所對應(yīng)的真實有功功率數(shù)據(jù)；所述l`(i)表示所述第二特征向量i輸入至該種svm模型后所輸出的有功功率預(yù)測值。

可選地，所述基于所述平均相對誤差和均方相對誤差，確定該種svm模型的預(yù)測準(zhǔn)確度的步驟，可以包括：

針對每個輸入至該種svm模型的第二特征向量，確定相應(yīng)的真實有功功率數(shù)據(jù)與該第二特征向量對應(yīng)的有功功率預(yù)測值的誤差百分比，判斷所述誤差百分比是否小于第一預(yù)設(shè)閾值，若是，確定該第二特征向量對應(yīng)有功功率預(yù)測值合格；

確定所述第二預(yù)設(shè)數(shù)量的第二特征向量中，預(yù)測結(jié)果為合格的第二特征向量的數(shù)量占所述第二預(yù)設(shè)數(shù)量的比例，獲得合格率；

基于所述平均相對誤差和均方相對誤差，以及所述合格率，確定該種svm模型的預(yù)測準(zhǔn)確度；

其中，計算所述誤差百分比的計算公式為：

其中，所述e表示所述誤差百分比。

可選地，在獲得所述目標(biāo)svm模型后，所述方法還可以包括：

基于網(wǎng)格搜索算法，對所述目標(biāo)svm模型中核函數(shù)參數(shù)進行優(yōu)化，獲得優(yōu)化后的目標(biāo)svm模型，其中，所述網(wǎng)格搜索算法是基于spark并行計算框架執(zhí)行的。

可選地，所述第二特征向量還可以包括：與所述參考時刻最接近的氣象溫度數(shù)據(jù)；所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)可以包括：第一數(shù)據(jù)、第二數(shù)據(jù)和第一目標(biāo)數(shù)據(jù)組；其中，所述第一數(shù)據(jù)對應(yīng)的時刻與所述參考時刻間隔第一預(yù)設(shè)時間間隔；所述第二數(shù)據(jù)對應(yīng)的時刻與所述參考時刻間隔第二預(yù)設(shè)時間間隔，所述第一預(yù)設(shè)時間間隔大于所述第二預(yù)設(shè)時間間隔；所述第一目標(biāo)數(shù)據(jù)組中在時間上相鄰的兩個第二歷史有功功率數(shù)據(jù)間隔所述預(yù)設(shè)時間間隔，所述第一目標(biāo)數(shù)據(jù)組中包括所述第二目標(biāo)時刻所對應(yīng)的第二歷史有功功率數(shù)據(jù)，所述第二預(yù)設(shè)時間間隔大于所述預(yù)設(shè)時間間隔；

相應(yīng)地，所述第一特征向量還可以包括：與所述下一時刻最接近的氣象溫度數(shù)據(jù)；所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)可以包括：第三數(shù)據(jù)、第四數(shù)據(jù)和第二目標(biāo)數(shù)據(jù)組；其中，所述第三數(shù)據(jù)對應(yīng)的時刻與所述待預(yù)測時刻間隔所述第一預(yù)設(shè)時間間隔；所述第四數(shù)據(jù)對應(yīng)的時刻與所述待預(yù)測時刻間隔所述第二預(yù)設(shè)時間間隔；所述第二目標(biāo)數(shù)據(jù)組中在時間上相鄰的兩個第一歷史有功功率數(shù)據(jù)間隔所述預(yù)設(shè)時間間隔，所述第二目標(biāo)數(shù)據(jù)組中包括所述第一目標(biāo)時刻所對應(yīng)的第一歷史有功功率數(shù)據(jù)。

可選地，所述基于預(yù)設(shè)的svm算法，對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型的步驟，可以包括：

按照預(yù)設(shè)處理方式，對所述至少一個訓(xùn)練樣本中的各個元素進行數(shù)據(jù)清洗；

基于預(yù)設(shè)的svm算法，對數(shù)據(jù)清洗后的至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型；

相應(yīng)的，在將所述第一特征向量輸入至預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型之前，所述方法還可以包括：

按照所述預(yù)設(shè)處理方式，對所述第一特征向量中的各個元素進行數(shù)據(jù)清洗。

第二方面，本發(fā)明實施例提供了一種基于svm算法的輸變電設(shè)備有功功率預(yù)測裝置，所述裝置可以包括：

第一獲得單元，用于獲得第一特征向量，其中，所述第一特征向量中的元素包括：第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)，所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)為：目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中滿足預(yù)設(shè)條件的數(shù)據(jù)；

第二獲得單元，用于將所述第一特征向量輸入至預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，獲得所述目標(biāo)輸變電設(shè)備在下一時刻的有功功率預(yù)測值，其中，所述下一時刻與第一目標(biāo)時刻具有預(yù)設(shè)時間間隔，所述第一目標(biāo)時刻為：所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)對應(yīng)的時刻中最接近當(dāng)前時刻的時刻；

其中，所述目標(biāo)svm模型是基于預(yù)設(shè)的支持向量機svm算法，對至少一個訓(xùn)練樣本進行訓(xùn)練所得的；所述訓(xùn)練樣本包括：第二特征向量，以及所述第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)；所述第二特征向量中的元素包括：所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)，所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)為：所述目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中滿足所述預(yù)設(shè)條件的數(shù)據(jù)；所述真實有功功率數(shù)據(jù)為所述歷史有功功率數(shù)據(jù)中參考時刻所對應(yīng)的數(shù)據(jù)；所述參考時刻與第二目標(biāo)時刻的差值為所述預(yù)設(shè)時間間隔；所述第二目標(biāo)時刻為：所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)對應(yīng)的時刻中最接近當(dāng)前時刻的時刻。

可選地，本發(fā)明實施例提供的基于svm算法的輸變電設(shè)備有功功率預(yù)測裝置，還可以包括：訓(xùn)練單元；所述訓(xùn)練單元可以包括：

第一訓(xùn)練子單元，用于基于所述目標(biāo)輸變電設(shè)備所對應(yīng)的歷史有功功率數(shù)據(jù)，構(gòu)建所述至少一個訓(xùn)練樣本；

第二訓(xùn)練子單元，用于基于預(yù)設(shè)的svm算法，對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型。

可選地，所述第二訓(xùn)練子單元，可以包括：

第一獲得模塊，用于基于預(yù)設(shè)的l種svm算法，分別對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得l種svm模型，其中，所述l種svm算法所對應(yīng)的核函數(shù)不相同，所述l＞1；

第二獲得模塊，用于針對每種svm模型，將第二預(yù)設(shè)數(shù)量的第二特征向量輸入至該種svm模型，獲得該種svm模型所輸出的針對所輸入的各個第二特征向量的有功功率預(yù)測值；

第一確定模塊，用于針對每種svm模型，基于該種svm模型所輸出的有功功率預(yù)測值，確定該種svm模型的預(yù)測準(zhǔn)確度；

第二確定模塊，用于將預(yù)測準(zhǔn)確度最高的svm模型確定為目標(biāo)svm模型。

可選地，所述第一確定模塊可以包括：

第一確定子模塊，用于針對每種svm模型，確定輸入至該種svm模型的所述第二預(yù)設(shè)數(shù)量的第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)；

第一計算子模塊，用于基于所述第二預(yù)設(shè)數(shù)量的第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)，以及將所述第二預(yù)設(shè)數(shù)量的第二特征向量輸入至該種svm模型后所獲得的有功功率預(yù)測值，計算該種svm模型對應(yīng)的平均相對誤差和均方相對誤差；

第二確定子模塊，用于基于所述平均相對誤差和均方相對誤差，確定該種svm模型的預(yù)測準(zhǔn)確度；

其中，該種svm模型對應(yīng)的平均相對誤差的計算公式為：

其中，該種svm模型對應(yīng)的均方相對誤差的計算公式為：

其中，所述emre表示該種svm模型對應(yīng)的平均相對誤差；所述ermse表示該種svm模型對應(yīng)的均方相對誤差；所述n表示所述第二預(yù)設(shè)數(shù)量對應(yīng)的數(shù)值；所述l(i)表示輸入至該種svm模型的第二特征向量i所對應(yīng)的真實有功功率數(shù)據(jù)；所述l`(i)表示所述第二特征向量i輸入至該種svm模型后所輸出的有功功率預(yù)測值。

可選地，所述第二確定子模塊具體用于：

針對每個輸入至該種svm模型的第二特征向量，確定相應(yīng)的真實有功功率數(shù)據(jù)與該第二特征向量對應(yīng)的有功功率預(yù)測值的誤差百分比，判斷所述誤差百分比是否小于第一預(yù)設(shè)閾值，若是，確定該第二特征向量對應(yīng)有功功率預(yù)測值合格；

確定所述第二預(yù)設(shè)數(shù)量的第二特征向量中，預(yù)測結(jié)果為合格的第二特征向量的數(shù)量占所述第二預(yù)設(shè)數(shù)量的比例，獲得合格率；

基于所述平均相對誤差和均方相對誤差，以及所述合格率，確定該種svm模型的預(yù)測準(zhǔn)確度；

其中，計算所述誤差百分比的計算公式為：

其中，所述e表示所述誤差百分比。

可選地，所述裝置還可以包括：優(yōu)化單元；

所述優(yōu)化單元，用于在通過所述訓(xùn)練單元獲得所述目標(biāo)svm模型后，基于網(wǎng)格搜索算法，對所述目標(biāo)svm模型中核函數(shù)參數(shù)進行優(yōu)化，獲得優(yōu)化后的目標(biāo)svm模型，其中，所述網(wǎng)格搜索算法是基于spark并行計算框架執(zhí)行的。

可選地，所述第二特征向量還可以包括：與所述參考時刻最接近的氣象溫度數(shù)據(jù)；所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)可以包括：第一數(shù)據(jù)、第二數(shù)據(jù)和第一目標(biāo)數(shù)據(jù)組；其中，所述第一數(shù)據(jù)對應(yīng)的時刻與所述參考時刻間隔第一預(yù)設(shè)時間間隔；所述第二數(shù)據(jù)對應(yīng)的時刻與所述參考時刻間隔第二預(yù)設(shè)時間間隔，所述第一預(yù)設(shè)時間間隔大于所述第二預(yù)設(shè)時間間隔；所述第一目標(biāo)數(shù)據(jù)組中在時間上相鄰的兩個第二歷史有功功率數(shù)據(jù)間隔所述預(yù)設(shè)時間間隔，所述第一目標(biāo)數(shù)據(jù)組中包括所述第二目標(biāo)時刻所對應(yīng)的第二歷史有功功率數(shù)據(jù)，所述第二預(yù)設(shè)時間間隔大于所述預(yù)設(shè)時間間隔；

相應(yīng)地，所述第一特征向量還可以包括：與所述下一時刻最接近的氣象溫度數(shù)據(jù)；所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)可以包括：第三數(shù)據(jù)、第四數(shù)據(jù)和第二目標(biāo)數(shù)據(jù)組；其中，所述第三數(shù)據(jù)對應(yīng)的時刻與所述待預(yù)測時刻間隔所述第一預(yù)設(shè)時間間隔；所述第四數(shù)據(jù)對應(yīng)的時刻與所述待預(yù)測時刻間隔所述第二預(yù)設(shè)時間間隔；所述第二目標(biāo)數(shù)據(jù)組中在時間上相鄰的兩個第一歷史有功功率數(shù)據(jù)間隔所述預(yù)設(shè)時間間隔，所述第二目標(biāo)數(shù)據(jù)組中包括所述第一目標(biāo)時刻所對應(yīng)的第一歷史有功功率數(shù)據(jù)。

可選地，所述裝置還包括：清洗單元；

所述清洗單元，用于按照預(yù)設(shè)處理方式，對所述至少一個訓(xùn)練樣本中的各個元素進行數(shù)據(jù)清洗；

所述第二訓(xùn)練子單元具體用于：基于預(yù)設(shè)的svm算法，對數(shù)據(jù)清洗后的至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型；

相應(yīng)地，所述清洗單元，還用于在獲得所述第一特征向量后，按照所述預(yù)設(shè)處理方式，對所述第一特征向量中的各個元素進行數(shù)據(jù)清洗；

所述第二獲得單元具體用于：將利用所述清洗單元進行數(shù)據(jù)清洗后的第一特征向量輸入至預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，獲得所述目標(biāo)輸變電設(shè)備在下一時刻的有功功率預(yù)測值。

在本發(fā)明實施例中，通過預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，可以對所述目標(biāo)輸變電設(shè)備在任意時刻的有功功率進行預(yù)測。這是由于，所述預(yù)先構(gòu)建的目標(biāo)svm模型，是通過至少一個訓(xùn)練樣本訓(xùn)練得到的。并且任意一個訓(xùn)練樣本中包括第二特征向量和該第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)。其中，所述第二特征向量中包括第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)，且任意一個第二歷史有功功率數(shù)據(jù)為所述目標(biāo)輸變電設(shè)備的歷史有功功率數(shù)據(jù)中的數(shù)據(jù)，另外，所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)滿足預(yù)設(shè)條件；所述真實有功功率數(shù)據(jù)為所述歷史有功功率數(shù)據(jù)中，參考時刻所對應(yīng)的數(shù)據(jù)，并且所述參考時刻與所述第二特征向量中最接近當(dāng)前時刻的第二歷史有功功率數(shù)據(jù)所對應(yīng)的時刻，相隔預(yù)設(shè)時間間隔。因此，在向所述目標(biāo)svm模型輸入與所述第二特征向量具有同樣特點的第一特征向量后，即可預(yù)測出第一目標(biāo)時刻的下一時刻的有功功率預(yù)測值，該種預(yù)測方式，降低了對技術(shù)人員的專業(yè)水平的要求，從而降低了預(yù)測成本。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種基于svm算法的輸變電設(shè)備有功功率預(yù)測方法流程圖；

圖2為本發(fā)明實施例提供的一種基于svm算法的輸變電設(shè)備有功功率預(yù)測方法的示意圖；

圖3為本發(fā)明實施例提供的一種基于svm算法的輸變電設(shè)備有功功率預(yù)測裝置的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

為了解決現(xiàn)有技術(shù)問題，本發(fā)明實施例提供了基于svm算法的輸變電設(shè)備有功功率預(yù)測方法及裝置。

下面首先對本發(fā)明實施例提供的基于svm算法的輸變電設(shè)備有功功率預(yù)測方法進行介紹。

可以理解的是，實現(xiàn)本發(fā)明實施例提供的基于svm算法的輸變電設(shè)備有功功率預(yù)測方法的功能軟件可以為：設(shè)置于電子設(shè)備中專門的軟件；也可以為：設(shè)置于電子設(shè)備中的現(xiàn)有軟件中的功能插件，這都是合理的。其中，所述電子設(shè)備包括但并不局限于終端設(shè)備和服務(wù)器設(shè)備。

參見圖1，本發(fā)明實施例提供的基于svm算法的輸變電設(shè)備有功功率預(yù)測方法可以包括如下步驟：

s101：獲得第一特征向量，其中，所述第一特征向量中的元素包括：第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)，所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)為：目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中滿足預(yù)設(shè)條件的數(shù)據(jù)；

可以理解的是，當(dāng)需要對所述目標(biāo)輸變電設(shè)備的有功功率進行預(yù)測時，首先需要從目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中，獲得第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)，并保證所獲得的第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)滿足預(yù)設(shè)條件。之后，可以根據(jù)所獲得的滿足所述預(yù)設(shè)條件的第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)，構(gòu)建第一特征向量。

舉例而言，所獲得的第一特征向量為x＝{b1,b2,b3,b4}，其中，b1、b2、b3和b4均屬于目標(biāo)輸變電設(shè)備所對應(yīng)的歷史有功功率數(shù)據(jù)，并且當(dāng)b1、b2、b3和b4是按照時間先后順序排列時，所述b1和b2間隔一個小時，b2和b3間隔一個小時，b3和b4間隔一個小時。

也就是說，針對第一特征向量x＝{b1,b2,b3,b4}而言，所述第一預(yù)設(shè)數(shù)量所對應(yīng)的數(shù)值為4，所述預(yù)設(shè)條件為：所述4個第一歷史有功功率數(shù)據(jù)中任意兩個在時間上相鄰的數(shù)據(jù)的時間間隔為1小時。

還需要說明的是，為了保證預(yù)測的準(zhǔn)確性，還需要對所獲得的第一特征向量中的各個元素進行數(shù)據(jù)清洗。

下面結(jié)合以下示例對數(shù)據(jù)清洗的方式進行說明：

例如，當(dāng)在獲取上述4個的第一歷史有功功率數(shù)據(jù)的過程中，獲取得到本日12點對應(yīng)的第一歷史有功功率為b1，獲得本日13點對應(yīng)的第一歷史有功功率b2、獲得本日15點對應(yīng)的第一歷史有功功率b4，但是本日14點對應(yīng)的第一歷史有功功率b3缺失，也就是第一歷史有功功率b3對應(yīng)的數(shù)值為0。該種情況下，為了獲得較為準(zhǔn)確的預(yù)測值，可以執(zhí)行如下步驟對數(shù)據(jù)進行清洗：對b2和b4取平均值；將該平均值作為第一歷史有功功率b3，從而完成對缺失值的填補。

又例如，當(dāng)本日14點對應(yīng)的第一歷史有功功率b3并未缺失，但是b3的數(shù)值明顯高于或低于b1、b2和b4，也就是b3與b1，b3與b2，以及b3與b4的差值的絕對值高于預(yù)設(shè)波動閾值時，為了保證預(yù)測結(jié)果的準(zhǔn)確性，同樣可以對b2和b4取平均值，并將該平均值替換所述第一歷史有功功率b3來實現(xiàn)數(shù)據(jù)清洗，當(dāng)然并不局限于此。其中，所述預(yù)設(shè)波動閾值可以根據(jù)實際情況進行設(shè)定，在此不做詳述。

值得說明的是，第一特征向量的形式包括但并不局限于上述示例。在另一種實現(xiàn)方式中，所述第一特征向量除了包括所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)外，還可以包括氣象溫度數(shù)據(jù)，當(dāng)然并不局限于此。為了清晰布局，后續(xù)對包括氣象溫度數(shù)據(jù)的實現(xiàn)方式進行詳細說明。

s102：將所述第一特征向量輸入至預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，獲得所述目標(biāo)輸變電設(shè)備在下一時刻的有功功率預(yù)測值，其中，所述下一時刻與第一目標(biāo)時刻具有預(yù)設(shè)時間間隔，所述第一目標(biāo)時刻為：所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)對應(yīng)的時刻中最接近當(dāng)前時刻的時刻；

其中，所述目標(biāo)svm模型是基于預(yù)設(shè)的支持向量機svm算法，對至少一個訓(xùn)練樣本進行訓(xùn)練所得的；所述訓(xùn)練樣本包括：第二特征向量，以及所述第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)；所述第二特征向量中的元素包括：所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)，所述第二歷史有功功率數(shù)據(jù)為：所述目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中滿足所述預(yù)設(shè)條件的數(shù)據(jù)；所述真實有功功率數(shù)據(jù)為所述歷史有功功率數(shù)據(jù)中參考時刻所對應(yīng)的數(shù)據(jù)；所述參考時刻與第二目標(biāo)時刻的差值為所述預(yù)設(shè)時間間隔；所述第二目標(biāo)時刻為：所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)對應(yīng)的時刻中最接近當(dāng)前時刻的時刻。

需要說明的是，當(dāng)將所述第一特征向量輸入至所述預(yù)先構(gòu)建的目標(biāo)svm模型后，所述目標(biāo)svm模型即可輸出與所述第一特征向量相對應(yīng)的有功功率預(yù)測值。

結(jié)合上述示例進行舉例，當(dāng)將所述第一特征向量x＝{b1,b2,b3,b4}輸入至所述目標(biāo)svm模型后，所述目標(biāo)svm模型輸出有功功率預(yù)測值y，其中，所述有功功率預(yù)測值y所對應(yīng)的時刻為：所述第一歷史有功功率b4所對應(yīng)的時刻的下一時刻，即本日16點所對應(yīng)的有功功率。也就是說，當(dāng)將所獲得第一特征向量輸入至所述目標(biāo)svm模型后，即可獲得所述目標(biāo)輸變電設(shè)備在下一時刻的有功功率預(yù)測值。

其中，為了清晰布局，后續(xù)對所述目標(biāo)svm模型的訓(xùn)練步驟進行詳細說明。

在本發(fā)明實施例中，通過預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，可以對所述目標(biāo)輸變電設(shè)備在任意時刻的有功功率進行預(yù)測。這是由于，所述預(yù)先構(gòu)建的目標(biāo)svm模型，是通過至少一個訓(xùn)練樣本訓(xùn)練得到的。并且任意一個訓(xùn)練樣本中包括第二特征向量和該第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)。其中，所述第二特征向量中包括第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)，且任意一個第二歷史有功功率數(shù)據(jù)為所述目標(biāo)輸變電設(shè)備的歷史有功功率數(shù)據(jù)中的數(shù)據(jù)，另外，所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)滿足預(yù)設(shè)條件；所述真實有功功率數(shù)據(jù)為所述歷史有功功率數(shù)據(jù)中，參考時刻所對應(yīng)的數(shù)據(jù)，并且所述參考時刻與所述第二特征向量中最接近當(dāng)前時刻的第二歷史有功功率數(shù)據(jù)所對應(yīng)的時刻，相隔預(yù)設(shè)時間間隔。因此，在向所述目標(biāo)svm模型輸入與所述第二特征向量具有同樣特點的第一特征向量后，即可預(yù)測出第一目標(biāo)時刻的下一時刻的有功功率預(yù)測值，該種預(yù)測方式，降低了對技術(shù)人員的專業(yè)水平的要求，從而降低了預(yù)測成本。

下面對構(gòu)建所述目標(biāo)svm模型的方式進行說明。

在一種實現(xiàn)方式中，構(gòu)建所述目標(biāo)svm模型的步驟可以包括：

基于所述目標(biāo)輸變電設(shè)備所對應(yīng)的歷史有功功率數(shù)據(jù)，構(gòu)建所述至少一個訓(xùn)練樣本；

基于預(yù)設(shè)的svm算法，對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型。

其中，構(gòu)建任意一個訓(xùn)練樣本的步驟的可以包括：

步驟a：獲得第二特征向量，以及所述第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)；

舉例而言，所獲得的第二特征向量可以為x1＝{k1,k2,k3,k4}，其中，k1、k2、k3和k4均屬于目標(biāo)輸變電設(shè)備所對應(yīng)的歷史有功功率數(shù)據(jù)，當(dāng)k1、k2、k3和k4是按照時間先后順序排列時，所述k1和k2間隔一個小時，k2和k3間隔一個小時，k3和k4間隔一個小時。并且，所述第二特征向量x1＝{k1,k2,k3,k4}所對應(yīng)的真實有功功率數(shù)據(jù)為z1，所述真實有功功率數(shù)據(jù)z1所對應(yīng)的時間與所述k4所對應(yīng)的時間的時間間隔為一個小時。

需要說明的是，當(dāng)所述第二特征向量中存在數(shù)據(jù)缺失時，可以根據(jù)上述對第一特征向量中缺失數(shù)據(jù)進行填補的方式填補數(shù)據(jù)；當(dāng)所述第二特征向量中存在異常數(shù)據(jù)(例如該第二特征向量中的某個數(shù)據(jù)明顯高于或低于其他數(shù)據(jù))時，則可以根據(jù)上述對第一特征向量中異常數(shù)據(jù)進行替換的方式替換數(shù)據(jù)，在此不再進行詳述。

步驟b：利用所獲得的第二特征向量，以及所述真實有功功率數(shù)據(jù)，構(gòu)建所述第二特征向量對應(yīng)的訓(xùn)練樣本。

可以理解的是，每執(zhí)行一次步驟a和步驟b，即可獲得一個訓(xùn)練樣本，當(dāng)需要獲得k(k＞1)個樣本時，則執(zhí)行k次步驟a和步驟b。之后，便可基于預(yù)設(shè)的svm算法，對所述k個訓(xùn)練樣本進行訓(xùn)練，進而獲得目標(biāo)svm模型。

需要說明的是，所述預(yù)設(shè)的svm算法可以為：采用線性核函數(shù)的svm算法、采用多項式核函數(shù)的svm算法、采用徑向基核函數(shù)的svm算法，以及采用sigmoid核函數(shù)的svm算法中的任意一種。由于上述svm算法均屬于現(xiàn)有算法，在此不對上述svm算法進行具體描述。

在另一種實現(xiàn)方式中，為了提高訓(xùn)練得到的目標(biāo)svm模型的預(yù)測準(zhǔn)確度，可以采用以下步驟獲得目標(biāo)svm模型：

s1：基于預(yù)設(shè)的l種svm算法，分別對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得l種svm模型，其中，所述l種svm算法所對應(yīng)的核函數(shù)不相同，所述l＞1；

可以理解的是，可以利用采用線性核函數(shù)的svm算法、采用多項式核函數(shù)的svm算法、采用徑向基核函數(shù)的svm算法，以及采用sigmoid核函數(shù)的svm算法中的至少兩種svm算法，分別對所獲得的至少一個訓(xùn)練樣本進行訓(xùn)練，從而獲得各種svm算法所對應(yīng)的svm模型。

s2：針對每種svm模型，將第二預(yù)設(shè)數(shù)量的第二特征向量輸入至該種svm模型，獲得該種svm模型所輸出的針對所輸入的各個第二特征向量的有功功率預(yù)測值；

假設(shè)獲得兩種svm模型，那么將第二預(yù)設(shè)數(shù)量的第二特征向量輸入至第一種svm模型后，可以從所述第一種svm模型中輸出各個第二特征向量對應(yīng)的有功功率預(yù)測值；同理，將所述第二預(yù)設(shè)數(shù)量的第二特征向量輸入至第二種svm模型后，可以從所述第二種svm模型中輸出各個第二特征向量對應(yīng)的有功功率預(yù)測值。

需要說明的是，所述第二預(yù)設(shè)數(shù)量可以根據(jù)實際情況進行設(shè)定，在此不做限定。

s3：針對每種svm模型，基于該種svm模型所輸出的有功功率預(yù)測值，確定該種svm模型的預(yù)測準(zhǔn)確度；

綜合上文描述可知，任意一個第二特征向量對應(yīng)有一個真實有功功率數(shù)據(jù)；而當(dāng)該第二特征向量輸入至任意一種svm模型，例如第一種svm模型時，可以獲得第一種svm模型輸出的有功功率預(yù)測值；這樣，可以基于該有功功率預(yù)測值與該第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)，來確定第一種svm模型的預(yù)測準(zhǔn)確度。

s4：將預(yù)測準(zhǔn)確度最高的svm模型確定為目標(biāo)svm模型。

舉例而言，當(dāng)確定上述第一種svm模型的預(yù)測準(zhǔn)確度高于上述第二種svm模型時，可以將所述第一種svm模型確定為所述目標(biāo)svm模型。

可以理解的是，在該種實現(xiàn)方式中，能夠獲得預(yù)測準(zhǔn)確度較高的目標(biāo)svm模型，從而可以提高對有功功率的預(yù)測準(zhǔn)確度。

另外，針對每種svm模型，基于該種svm模型所輸出的有功功率預(yù)測值，確定該種svm模型的預(yù)測準(zhǔn)確度的一種實現(xiàn)方式可以為：

確定輸入至該種svm模型的所述第二預(yù)設(shè)數(shù)量的第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)；

基于所述第二預(yù)設(shè)數(shù)量的第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)，以及將所述第二預(yù)設(shè)數(shù)量的第二特征向量輸入至該種svm模型后所獲得的有功功率預(yù)測值，計算該種svm模型對應(yīng)的平均相對誤差和均方相對誤差；

基于所述平均相對誤差和均方相對誤差，確定該種svm模型的預(yù)測準(zhǔn)確度；

其中，該種svm模型對應(yīng)的平均相對誤差的計算公式為：

其中，該種svm模型對應(yīng)的均方相對誤差的計算公式為：

其中，所述emre表示該種svm模型對應(yīng)的平均相對誤差；所述ermse表示該種svm模型對應(yīng)的均方相對誤差；所述n表示所述第二預(yù)設(shè)數(shù)量對應(yīng)的數(shù)值；所述l(i)表示輸入至該種svm模型的第二特征向量i所對應(yīng)的真實有功功率數(shù)據(jù)；所述l`(i)表示所述第二特征向量i輸入至該種svm模型后所輸出的有功功率預(yù)測值。

可以理解的是，在該種實現(xiàn)方式中，可以計算各種svm模型所對應(yīng)的平均相對誤差和均方相對誤差，從而，可以利用任意一種svm模型所對應(yīng)的平均相對誤差和均方相對誤差，來衡量該種svm模型的預(yù)測準(zhǔn)確度。其中，根據(jù)平均相對誤差和均方相對誤差的數(shù)學(xué)定義可知：本發(fā)明實施例中的任意一個svm模型所對應(yīng)的的平均相對誤差和均方相對誤差的取值越小，則該svm模型的預(yù)測準(zhǔn)確度越高。

可選地，所述基于所述平均相對誤差和均方相對誤差，確定該種svm模型的預(yù)測準(zhǔn)確度的步驟，可以包括：

針對每個輸入至該種svm模型的第二特征向量，確定相應(yīng)的真實有功功率數(shù)據(jù)與該第二特征向量對應(yīng)的有功功率預(yù)測值的誤差百分比，判斷所述誤差百分比是否小于第一預(yù)設(shè)閾值，若是，確定該第二特征向量對應(yīng)有功功率預(yù)測值合格；

確定所述第二預(yù)設(shè)數(shù)量的第二特征向量中，預(yù)測結(jié)果為合格的第二特征向量的數(shù)量占所述第二預(yù)設(shè)數(shù)量的比例，獲得合格率；

基于所述平均相對誤差和均方相對誤差，以及所述合格率，確定該種svm模型的預(yù)測準(zhǔn)確度；

其中，計算所述誤差百分比的計算公式為：

其中，所述e表示所述誤差百分比。

可以理解的是，在該種實現(xiàn)方式中，為了能夠更準(zhǔn)確的衡量各種svm模型的預(yù)測準(zhǔn)確度，還利用合格率這一參數(shù)來綜合考察各種svm模型的預(yù)測準(zhǔn)確度。換句話說，就是針對每種svm模型，利用該種svm模型對應(yīng)的平均相對誤差和均方相對誤差，以及合格率，來確定該種svm模型的預(yù)測準(zhǔn)確度。

為了進一步提高有功功率的預(yù)測準(zhǔn)確度，在獲得所述目標(biāo)svm模型后，還可以對所述目標(biāo)svm模型進行優(yōu)化，優(yōu)化方式可以為：

基于網(wǎng)格搜索算法，對所述目標(biāo)svm模型中核函數(shù)參數(shù)進行優(yōu)化，獲得優(yōu)化后的目標(biāo)svm模型，其中，所述網(wǎng)格搜索算法是基于spark并行計算框架執(zhí)行的。

舉例而言，所述目標(biāo)svm模型是基于采用高斯核函數(shù)的svm算法所構(gòu)建得到的，為了進一步優(yōu)化所述目標(biāo)svm模型，可以基于網(wǎng)格搜索算法，對所述高斯核函數(shù)中的參數(shù)gamma和懲罰因子c進行調(diào)整。需要說明的是，高斯核函數(shù)屬于徑向基核函數(shù)中的一種。

可以理解的是，所述網(wǎng)格搜索算法可以根據(jù)參數(shù)gamma的取值范圍和懲罰因子c的取值范圍，以及預(yù)先設(shè)定的搜索步長，確定至少一個參數(shù)對。并且，每確定一個參數(shù)對后，可以將該參數(shù)對代入到所述高斯核函數(shù)中，并利用該高斯核函數(shù)所對應(yīng)的目標(biāo)svm模型進行有功功率預(yù)測，從而可以基于輸出的有功功率預(yù)測值，確定該目標(biāo)svm模型的預(yù)測準(zhǔn)確度。這樣，可以獲得各個參數(shù)對所對應(yīng)目標(biāo)svm模型的預(yù)測準(zhǔn)確度，從而，可以將預(yù)測準(zhǔn)確度最高的目標(biāo)svm模型確定為優(yōu)化后的目標(biāo)svm模型。

需要說明的是，一個參數(shù)對包括一個參數(shù)gamma值和懲罰因子c值。另外，由于高斯核函數(shù)中的參數(shù)gamma和懲罰因子c均屬于現(xiàn)有概念，在此不對所述參數(shù)gamma和所述懲罰因子c進行詳述。

還需要說明的是，由于基于網(wǎng)格搜索算法，對所述目標(biāo)svm模型中核函數(shù)參數(shù)進行優(yōu)化。由上述優(yōu)化步驟可知，優(yōu)化過程中需要進行大量的計算，如果僅在一個設(shè)備中該計算，會導(dǎo)致優(yōu)化過程較慢。因此，為了提高優(yōu)化速度，也就是獲得所述優(yōu)化后的目標(biāo)svm模型的速度，可以基于spark并行計算框架執(zhí)行所述網(wǎng)格搜索算法。

其中，基于spark并行計算框架執(zhí)行所述網(wǎng)格搜索算法的步驟可以包括：

預(yù)先設(shè)定參數(shù)gamma取值范圍和懲罰因子c的取值范圍，并設(shè)定搜索步長；根據(jù)所述參數(shù)gamma取值范圍、懲罰因子c的取值范圍和所述搜索步長，確定出預(yù)設(shè)個參數(shù)對；將所述預(yù)設(shè)個參數(shù)對轉(zhuǎn)換為rdd(resilientdistributeddataset，彈性分布式數(shù)據(jù)集)；對所述rdd進行彈性分布式分發(fā)，使得參數(shù)優(yōu)化的過程得以并行進行；對rdd中的每個參數(shù)對進行調(diào)用，獲得每個參數(shù)對對應(yīng)的預(yù)測結(jié)果，并記錄在對應(yīng)的rdd中；根據(jù)每個參數(shù)對對應(yīng)的預(yù)測結(jié)果，得出表現(xiàn)最優(yōu)的參數(shù)對。

需要說明的是，rdd是spark并行計算框架中已被分區(qū)，不可變的并能夠被并行操作的數(shù)據(jù)集合，并且，rdd可以高速緩存到內(nèi)存中，每次對rdd數(shù)據(jù)集進行操作，操作所獲得的結(jié)果都可以存放到內(nèi)存中。由于spark并行計算框架屬于現(xiàn)有技術(shù)，因此在此不做詳述。

下面對所述第一特征向量和所述第二特征向量進行詳細說明。

一種實現(xiàn)方式中，所述第二特征向量還可以包括：與所述參考時刻最接近的氣象溫度數(shù)據(jù)；所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)可以包括：第一數(shù)據(jù)、第二數(shù)據(jù)和第一目標(biāo)數(shù)據(jù)組；其中，所述第一數(shù)據(jù)對應(yīng)的時刻與所述參考時刻間隔第一預(yù)設(shè)時間間隔；所述第二數(shù)據(jù)對應(yīng)的時刻與所述參考時刻間隔第二預(yù)設(shè)時間間隔，所述第一預(yù)設(shè)時間間隔大于所述第二預(yù)設(shè)時間間隔；所述第一目標(biāo)數(shù)據(jù)組中在時間上相鄰的兩個第二歷史有功功率數(shù)據(jù)間隔所述預(yù)設(shè)時間間隔，所述第一目標(biāo)數(shù)據(jù)組中包括所述第二目標(biāo)時刻所對應(yīng)的第二歷史有功功率數(shù)據(jù)，所述第二預(yù)設(shè)時間間隔大于所述預(yù)設(shè)時間間隔；

舉例而言，所述第二特征向量可以為x2＝{t1,h1,h2,k1,k2,k3,k4}，該第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)為z2；所述真實有功功率數(shù)據(jù)為z2對應(yīng)的時刻為參考時刻；所述t1為與所述參考時刻最接近的氣象溫度數(shù)據(jù)；所述h1為所述第一數(shù)據(jù)；所述h2為所述第二數(shù)據(jù)；所述k1、k2、k3和k4構(gòu)成所述第一目標(biāo)數(shù)據(jù)組。

假設(shè)所述參考時刻具體為2017年2月21日9時，那么所述k1、k2、k3和k4可以分別是該日9時前四個時刻所對應(yīng)的第二歷史有功功率數(shù)據(jù)，例如所述k4為該日8時所對應(yīng)的第二歷史有功功率數(shù)據(jù)，所述k3為該日7時所對應(yīng)的第二歷史有功功率數(shù)據(jù)，所述k2為該日6時所對應(yīng)的第二歷史有功功率數(shù)據(jù)，所述k1為該日5時所對應(yīng)的第二歷史有功功率數(shù)據(jù)。所述h1為2017年2月20日9時(即前一日該時刻)所對應(yīng)的第二歷史有功功率數(shù)據(jù)；所述為2017年2月14日9時(即前一周該時刻)所對應(yīng)的第二歷史有功功率數(shù)據(jù)；所述t1為最接近2017年2月21日9時的氣象溫度數(shù)據(jù)。

需要說明的是，所述第二特征向量的形式還可以為：x3＝{t1,k1,k2,k3,k4}形式，或x4＝{h1,h2,k1,k2,k3,k4}形式，當(dāng)然并不局限于此。其中，x3＝{t1,k1,k2,k3,k4}中的t1與上述t1的物理含義相同，x4＝{h1,h2,k1,k2,k3,k4}中的h1和h2與上述h1、h2的物理意義相同，在此不做贅述。

相應(yīng)地，所述第一特征向量還可以包括：與所述下一時刻最接近的氣象溫度數(shù)據(jù)；所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)可以包括：第三數(shù)據(jù)、第四數(shù)據(jù)和第二目標(biāo)數(shù)據(jù)組；其中，所述第三數(shù)據(jù)對應(yīng)的時刻與所述待預(yù)測時刻間隔所述第一預(yù)設(shè)時間間隔；所述第四數(shù)據(jù)對應(yīng)的時刻與所述待預(yù)測時刻間隔所述第二預(yù)設(shè)時間間隔；所述第二目標(biāo)數(shù)據(jù)組中在時間上相鄰的兩個第一歷史有功功率數(shù)據(jù)間隔所述預(yù)設(shè)時間間隔，所述第二目標(biāo)數(shù)據(jù)組中包括所述第一目標(biāo)時刻所對應(yīng)的第一歷史有功功率數(shù)據(jù)。

可以理解的是，當(dāng)所述第二特征向量為x2＝{t1,h1,h2,k1,k2,k3,k4}的形式時，所述第一特征向量的形式為：x＝{t1,h1,h2,b1,b2,b3,b4}；當(dāng)所述第二特征向量為x3＝{t1,k1,k2,k3,k4}的形式時，所述第一特征向量的形式為：x＝{t1,b1,b2,b3,b4}；當(dāng)所述第二特征向量為：x4＝{h1,h2,k1,k2,k3,k4}的形式時，所述第一特征向量的的形式為x＝{h1,h2,b1,b2,b3,b4}，當(dāng)然并不局限于此。

下面結(jié)合圖2對本發(fā)明實施例提供的基于svm算法的輸變電設(shè)備有功功率預(yù)測方法進行說明。

參見圖2，對目標(biāo)輸變電設(shè)備的有功功率進行預(yù)測的預(yù)測步驟可以包括：

a：外部請求設(shè)備向預(yù)測設(shè)備的展示模塊發(fā)送預(yù)測請求，所述預(yù)測請求中攜帶有第一特征向量；所述預(yù)測設(shè)備為能夠?qū)崿F(xiàn)對有功功率進行預(yù)測的設(shè)備；

b：展示模塊在接收到所述預(yù)測請求后，向數(shù)據(jù)處理模塊發(fā)送數(shù)據(jù)處理請求，以使所述數(shù)據(jù)處理模塊能對所述第一特征向量進行處理；

c：所述數(shù)據(jù)處理模塊在接收到所述數(shù)據(jù)處理請求后，向所述預(yù)測設(shè)備中的預(yù)測模塊調(diào)用預(yù)先訓(xùn)練好的目標(biāo)svm模型執(zhí)行預(yù)測操作，以通過目標(biāo)svm模型輸出所述第一特征向量所對應(yīng)的有功功率預(yù)測值；

d：在通過所述目標(biāo)svm模型執(zhí)行有功功率預(yù)測后，所述預(yù)測模塊向所述預(yù)測設(shè)備的展示模塊發(fā)送所計算得到的有功功率預(yù)測值；

e：所述預(yù)測設(shè)備中的日志監(jiān)控模塊在監(jiān)控到所述展示模塊展示所述有功功率預(yù)測值后，記錄此時的監(jiān)控日志；

f：所述展示模塊向所述外部請求設(shè)備發(fā)送所述有功功率預(yù)測值。

另外，訓(xùn)練所述目標(biāo)svm模型的步驟可以包括：

g：所述數(shù)據(jù)處理模塊向所述預(yù)測設(shè)備中的svm模型訓(xùn)練模塊，發(fā)送至少一個訓(xùn)練樣本，以使得所述svm模型訓(xùn)練模塊對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得svm模型；

h：所述svm模型訓(xùn)練模塊訓(xùn)練得到svm模型后，調(diào)用所述預(yù)測設(shè)備中的基于spark的并行優(yōu)化模塊對所述svm模型進行優(yōu)化；

i：所述基于spark的并行優(yōu)化模塊，對所述svm模型進行優(yōu)化并獲得最優(yōu)的核函數(shù)參數(shù)后，向所述svm模型訓(xùn)練模塊返回所述最優(yōu)的核函數(shù)參數(shù)；

j：所述svm模型訓(xùn)練模塊基于所述最優(yōu)的核函數(shù)參數(shù)，對所述svm模型進行優(yōu)化，獲得目標(biāo)svm模型。

需要說明的是，所述日志監(jiān)控模塊還會負(fù)責(zé)記錄所述預(yù)測設(shè)備中各個模塊的監(jiān)控日志；所述預(yù)測模塊在預(yù)測過程中也會調(diào)用所述基于spark的并行優(yōu)化模塊對所述目標(biāo)svm模型進行優(yōu)化，這都是合理的。

綜上，本發(fā)明實施例能夠?qū)斪冸娫O(shè)備的有功功率進行預(yù)測，并降低預(yù)測成本。

相應(yīng)于上述方法實施例，本發(fā)明實施例提供了一種基于svm算法的輸變電設(shè)備有功功率預(yù)測裝置，參見圖3，所述裝置可以包括：

第一獲得單元301，用于獲得第一特征向量，其中，所述第一特征向量中的元素包括：第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)，所述第一歷史有功功率數(shù)據(jù)為：目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中滿足預(yù)設(shè)條件的數(shù)據(jù)；

第二獲得單元302，用于將所述第一特征向量輸入至預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，獲得所述目標(biāo)輸變電設(shè)備在下一時刻的有功功率預(yù)測值，其中，所述下一時刻與第一目標(biāo)時刻具有預(yù)設(shè)時間間隔，所述第一目標(biāo)時刻為：所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)對應(yīng)的時刻中最接近當(dāng)前時刻的時刻；

其中，所述目標(biāo)svm模型是基于預(yù)設(shè)的支持向量機svm算法，對至少一個訓(xùn)練樣本進行訓(xùn)練所得的；所述訓(xùn)練樣本包括：第二特征向量，以及所述第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)；所述第二特征向量中的元素包括：所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)，所述第二歷史有功功率數(shù)據(jù)為：所述目標(biāo)輸變電設(shè)備對應(yīng)的歷史有功功率數(shù)據(jù)中滿足所述預(yù)設(shè)條件的數(shù)據(jù)；所述真實有功功率數(shù)據(jù)為所述歷史有功功率數(shù)據(jù)中參考時刻所對應(yīng)的數(shù)據(jù)；所述參考時刻與第二目標(biāo)時刻的差值為所述預(yù)設(shè)時間間隔；所述第二目標(biāo)時刻為：所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)對應(yīng)的時刻中最接近當(dāng)前時刻的時刻。

在本發(fā)明實施例中，通過預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，可以對所述目標(biāo)輸變電設(shè)備在任意時刻的有功功率進行預(yù)測。這是由于，所述預(yù)先構(gòu)建的目標(biāo)svm模型，是通過至少一個訓(xùn)練樣本訓(xùn)練得到的。并且任意一個訓(xùn)練樣本中包括第二特征向量和該第二特征向量對應(yīng)的真實有功功率數(shù)據(jù)。其中，所述第二特征向量中包括第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)，且任意一個第二歷史有功功率數(shù)據(jù)為所述目標(biāo)輸變電設(shè)備的歷史有功功率數(shù)據(jù)中的數(shù)據(jù)，另外，所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)滿足預(yù)設(shè)條件；所述真實有功功率數(shù)據(jù)為所述歷史有功功率數(shù)據(jù)中，參考時刻所對應(yīng)的數(shù)據(jù)，并且所述參考時刻與所述第二特征向量中最接近當(dāng)前時刻的第二歷史有功功率數(shù)據(jù)所對應(yīng)的時刻，相隔預(yù)設(shè)時間間隔。因此，在向所述目標(biāo)svm模型輸入與所述第二特征向量具有同樣特點的第一特征向量后，即可預(yù)測出第一目標(biāo)時刻的下一時刻的有功功率預(yù)測值，該種預(yù)測方式，降低了對技術(shù)人員的專業(yè)水平的要求，從而降低了預(yù)測成本。

可選地，本發(fā)明實施例提供的基于svm算法的輸變電設(shè)備有功功率預(yù)測裝置，還可以包括：訓(xùn)練單元；所述訓(xùn)練單元可以包括：

第一訓(xùn)練子單元，用于基于所述目標(biāo)輸變電設(shè)備所對應(yīng)的歷史有功功率數(shù)據(jù)，構(gòu)建所述至少一個訓(xùn)練樣本；

第二訓(xùn)練子單元，用于基于預(yù)設(shè)的svm算法，對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型。

可選地，所述第二訓(xùn)練子單元，可以包括：

第一獲得模塊，用于基于預(yù)設(shè)的l種svm算法，分別對所述至少一個訓(xùn)練樣本進行訓(xùn)練，獲得l種svm模型，其中，所述l種svm算法所對應(yīng)的核函數(shù)不相同，所述l＞1；

第二獲得模塊，用于針對每種svm模型，將第二預(yù)設(shè)數(shù)量的第二特征向量輸入至該種svm模型，獲得該種svm模型所輸出的針對所輸入的各個第二特征向量的有功功率預(yù)測值；

第一確定模塊，用于針對每種svm模型，基于該種svm模型所輸出的有功功率預(yù)測值，確定該種svm模型的預(yù)測準(zhǔn)確度；

第二確定模塊，用于將預(yù)測準(zhǔn)確度最高的svm模型確定為目標(biāo)svm模型。

可選地，所述第一確定模塊可以包括：

第一確定子模塊，用于針對每種svm模型，確定輸入至該種svm模型的所述第二預(yù)設(shè)數(shù)量的第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)；

第一計算子模塊，用于基于所述第二預(yù)設(shè)數(shù)量的第二特征向量所對應(yīng)的真實有功功率數(shù)據(jù)，以及將所述第二預(yù)設(shè)數(shù)量的第二特征向量輸入至該種svm模型后所獲得的有功功率預(yù)測值，計算該種svm模型對應(yīng)的平均相對誤差和均方相對誤差；

第二確定子模塊，用于基于所述平均相對誤差和均方相對誤差，確定該種svm模型的預(yù)測準(zhǔn)確度；

其中，該種svm模型對應(yīng)的平均相對誤差的計算公式為：

其中，該種svm模型對應(yīng)的均方相對誤差的計算公式為：

其中，所述emre表示該種svm模型對應(yīng)的平均相對誤差；所述ermse表示該種svm模型對應(yīng)的均方相對誤差；所述n表示所述第二預(yù)設(shè)數(shù)量對應(yīng)的數(shù)值；所述l(i)表示輸入至該種svm模型的第二特征向量i所對應(yīng)的真實有功功率數(shù)據(jù)；所述l`(i)表示所述第二特征向量i輸入至該種svm模型后所輸出的有功功率預(yù)測值。

可選地，所述第二確定子模塊具體用于：

針對每個輸入至該種svm模型的第二特征向量，確定相應(yīng)的真實有功功率數(shù)據(jù)與該第二特征向量對應(yīng)的有功功率預(yù)測值的誤差百分比，判斷所述誤差百分比是否小于第一預(yù)設(shè)閾值，若是，確定該第二特征向量對應(yīng)有功功率預(yù)測值合格；

確定所述第二預(yù)設(shè)數(shù)量的第二特征向量中，預(yù)測結(jié)果為合格的第二特征向量的數(shù)量占所述第二預(yù)設(shè)數(shù)量的比例，獲得合格率；

基于所述平均相對誤差和均方相對誤差，以及所述合格率，確定該種svm模型的預(yù)測準(zhǔn)確度；

其中，計算所述誤差百分比的計算公式為：

其中，所述e表示所述誤差百分比。

可選地，所述裝置還可以包括：優(yōu)化單元；

所述優(yōu)化單元，用于在通過所述訓(xùn)練單元獲得所述目標(biāo)svm模型后，基于網(wǎng)格搜索算法，對所述目標(biāo)svm模型中核函數(shù)參數(shù)進行優(yōu)化，獲得優(yōu)化后的目標(biāo)svm模型，其中，所述網(wǎng)格搜索算法是基于spark并行計算框架執(zhí)行的。

可選地，所述第二特征向量還可以包括：與所述參考時刻最接近的氣象溫度數(shù)據(jù)；所述第一預(yù)設(shè)數(shù)量的第二歷史有功功率數(shù)據(jù)可以包括：第一數(shù)據(jù)、第二數(shù)據(jù)和第一目標(biāo)數(shù)據(jù)組；其中，所述第一數(shù)據(jù)對應(yīng)的時刻與所述參考時刻間隔第一預(yù)設(shè)時間間隔；所述第二數(shù)據(jù)對應(yīng)的時刻與所述參考時刻間隔第二預(yù)設(shè)時間間隔，所述第一預(yù)設(shè)時間間隔大于所述第二預(yù)設(shè)時間間隔；所述第一目標(biāo)數(shù)據(jù)組中在時間上相鄰的兩個第二歷史有功功率數(shù)據(jù)間隔所述預(yù)設(shè)時間間隔，所述第一目標(biāo)數(shù)據(jù)組中包括所述第二目標(biāo)時刻所對應(yīng)的第二歷史有功功率數(shù)據(jù)，所述第二預(yù)設(shè)時間間隔大于所述預(yù)設(shè)時間間隔；

相應(yīng)地，所述第一特征向量還可以包括：與所述下一時刻最接近的氣象溫度數(shù)據(jù)；所述第一預(yù)設(shè)數(shù)量的第一歷史有功功率數(shù)據(jù)可以包括：第三數(shù)據(jù)、第四數(shù)據(jù)和第二目標(biāo)數(shù)據(jù)組；其中，所述第三數(shù)據(jù)對應(yīng)的時刻與所述待預(yù)測時刻間隔所述第一預(yù)設(shè)時間間隔；所述第四數(shù)據(jù)對應(yīng)的時刻與所述待預(yù)測時刻間隔所述第二預(yù)設(shè)時間間隔；所述第二目標(biāo)數(shù)據(jù)組中在時間上相鄰的兩個第一歷史有功功率數(shù)據(jù)間隔所述預(yù)設(shè)時間間隔，所述第二目標(biāo)數(shù)據(jù)組中包括所述第一目標(biāo)時刻所對應(yīng)的第一歷史有功功率數(shù)據(jù)；

可選地，所述裝置還包括：清洗單元；

所述清洗單元，用于按照預(yù)設(shè)處理方式，對所述至少一個訓(xùn)練樣本中的各個元素進行數(shù)據(jù)清洗；

所述第二訓(xùn)練子單元具體用于：基于預(yù)設(shè)的svm算法，對數(shù)據(jù)清洗后的至少一個訓(xùn)練樣本進行訓(xùn)練，獲得目標(biāo)svm模型；

相應(yīng)地，所述清洗單元，還用于在獲得所述第一特征向量后，按照所述預(yù)設(shè)處理方式，對所述第一特征向量中的各個元素進行數(shù)據(jù)清洗；

所述第二獲得單元302具體用于：將利用所述清洗單元進行數(shù)據(jù)清洗后的第一特征向量輸入至預(yù)先構(gòu)建的目標(biāo)支持向量機svm模型，獲得所述目標(biāo)輸變電設(shè)備在下一時刻的有功功率預(yù)測值。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中的各個實施例均采用相關(guān)的方式描述，各個實施例之間相同相似的部分互相參見即可，每個實施例重點說明的都是與其他實施例的不同之處。尤其，對于系統(tǒng)實施例而言，由于其基本相似于方法實施例，所以描述的比較簡單，相關(guān)之處參見方法實施例的部分說明即可。

以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍內(nèi)。