一種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法
【專利摘要】本發(fā)明公開了一種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法，包括以下步驟，步驟一，選取訓(xùn)練數(shù)據(jù)；步驟二，建立優(yōu)化目標(biāo)；步驟三，布谷鳥搜索算法初始化設(shè)置；步驟四，初始適應(yīng)值計(jì)算；步驟五，新鳥窩位置計(jì)算；步驟六，鳥窩位置的選擇；步驟七，判斷宿主鳥是否發(fā)現(xiàn)外來(lái)鳥蛋；步驟八，判斷是否達(dá)到最大迭代次數(shù)，若是，輸出最優(yōu)結(jié)果并退出，否則轉(zhuǎn)至步驟五。本發(fā)明通過(guò)布谷鳥搜索算法優(yōu)化了SVM的參數(shù)，提高了電力系統(tǒng)負(fù)荷預(yù)測(cè)的精度，相較與現(xiàn)有的網(wǎng)格搜索方法尋優(yōu)能力更強(qiáng)，收斂速度更快，更適用于優(yōu)化SVM的參數(shù)。
【專利說(shuō)明】一種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法，屬于電力 系統(tǒng)運(yùn)行分析【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 電力系統(tǒng)負(fù)荷預(yù)測(cè)是在已知?dú)v史負(fù)荷需求以及歷史時(shí)期氣象、經(jīng)濟(jì)等因素的前提 下，對(duì)未來(lái)的負(fù)荷狀況進(jìn)行預(yù)測(cè)。負(fù)荷預(yù)測(cè)是電網(wǎng)調(diào)度部門安排調(diào)度計(jì)劃的重要依據(jù)，預(yù)測(cè) 精度的提高有利于安排更為經(jīng)濟(jì)合理的運(yùn)行方式，減少不必要的旋轉(zhuǎn)備用容量，有效降低 電力系統(tǒng)的運(yùn)行成本。
[0003] 支持向量機(jī)（supportvectormachine,SVM)是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的 機(jī)器學(xué)習(xí)技術(shù)，具有較好的泛化學(xué)習(xí)能力，目前廣泛應(yīng)用于處理時(shí)間序列問(wèn)題，不少專家和 學(xué)者也將其應(yīng)用于負(fù)荷預(yù)測(cè)。但SVM的預(yù)測(cè)精度與其自身的懲罰因子和核參數(shù)設(shè)定有著很 大的關(guān)系，因此負(fù)荷預(yù)測(cè)領(lǐng)域的專家學(xué)者提出了采用網(wǎng)格搜索方法優(yōu)化SVM的參數(shù)，取得 了 一定的成功。
[0004] 布谷鳥搜索（cuckoosearch,CS)算法是一種受布谷鳥的巢寄生繁殖機(jī)理和萊維 飛行（Lvyflights)搜索原理啟發(fā)而產(chǎn)生的啟發(fā)式算法。CS算法的參數(shù)少而簡(jiǎn)單，僅需要 設(shè)定種群大小和宿主鳥發(fā)現(xiàn)外來(lái)鳥蛋概率兩個(gè)參數(shù)，因而通用性較強(qiáng)，可控性較好；搜索過(guò) 程中引入了萊維飛行機(jī)制，使局部搜索和全局搜索能力得到了均衡。研究成果表明，CS算 法尋優(yōu)能力強(qiáng)，收斂速度快，適合用于優(yōu)化SVM的參數(shù)。


【發(fā)明內(nèi)容】

[0005] 為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電 力負(fù)荷預(yù)測(cè)方法，提高了電力系統(tǒng)負(fù)荷預(yù)測(cè)的精度。
[0006] 為了解決上述技術(shù)問(wèn)題，本發(fā)明所采用的技術(shù)方案是：
[0007] -種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法，包括以下步驟，
[0008] 步驟一，選取訓(xùn)練數(shù)據(jù)；
[0009] 從歷史數(shù)據(jù)中選取與所需預(yù)測(cè)時(shí)段的條件相似的數(shù)據(jù)作為訓(xùn)練集；
[0010] 步驟二，建立優(yōu)化目標(biāo)；
[0011] 以SVM輸出的均方誤差為優(yōu)化目標(biāo)，建立如下表達(dá)式，
[0012]

【權(quán)利要求】
1. 一種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法，其特征在于：包括以下 步驟， 步驟一，選取訓(xùn)練數(shù)據(jù)； 從歷史數(shù)據(jù)中選取與所需預(yù)測(cè)時(shí)段的條件相似的數(shù)據(jù)作為訓(xùn)練集； 步驟二，建立優(yōu)化目標(biāo)； 以SVM輸出的均方誤差為優(yōu)化目標(biāo)，建立如下表達(dá)式，
其中，η為樣本數(shù)，I為第r個(gè)樣本的SVM的輸出值，為第r個(gè)樣本的實(shí)際值，fBE 為SVM輸出的均方誤差，而min.前綴表示對(duì)該變量進(jìn)行最小值尋優(yōu)； 步驟三，布谷鳥搜索算法初始化設(shè)置； 定義初始化鳥窩個(gè)數(shù)為m，迭代次數(shù)為K，宿主鳥發(fā)現(xiàn)外來(lái)鳥蛋的概率pa，隨機(jī)生成m個(gè) 初始鳥窩X=[X1,…，義丄其中，ie [l，m]，Xi為第i個(gè)鳥窩的位置，Xi=[χη，…，xiD]，D 為單個(gè)樣本的維數(shù)； 步驟四，初始適應(yīng)值計(jì)算； 以SVM輸出的均方誤差為優(yōu)化目標(biāo)，計(jì)算每個(gè)鳥窩的初始適應(yīng)值，將所有初始適應(yīng)值 一對(duì)一比較，得到并記錄初始適應(yīng)值最優(yōu)的鳥窩位置； 步驟五，新鳥窩位置計(jì)算； 在布谷鳥搜索算法中引入最優(yōu)解記憶，使布谷鳥每次飛行都以最優(yōu)解位置作為參考， 鳥窩位置更新公式為，
(Jc) 其中，ke[1，Κ-1]，7為第i個(gè)鳥窩第k次迭代得到的位置，x(k+l) 為第i個(gè)鳥窩第k+i次迭代得到的位置，為第i個(gè)鳥窩位置的更新值， =0.01X randX sX ，rand為 〇?1的隨機(jī)數(shù)，為第i個(gè) 鳥窩第k次迭代后適應(yīng)值最優(yōu)的鳥窩位置，S為萊維飛行距離； 步驟六，鳥窩位置的選擇； 計(jì)算當(dāng)前鳥窩的適應(yīng)值，與上一代鳥窩的適應(yīng)值進(jìn)行比較，擇優(yōu)保留，并更新最優(yōu)鳥窩 位置； 擇優(yōu)保留公式如下：
其中：為第i個(gè)鳥窩第k次迭代得到的適應(yīng)值，為第i個(gè)鳥窩 第k+Ι次迭代得到的適應(yīng)值； 步驟七，判斷宿主鳥是否發(fā)現(xiàn)外來(lái)鳥蛋； 生成O?1之間的隨機(jī)數(shù)r，與宿主鳥發(fā)現(xiàn)外來(lái)鳥蛋的概率pa進(jìn)行比較，若r<pa，則 認(rèn)為宿主鳥發(fā)現(xiàn)外來(lái)鳥蛋，重新隨機(jī)生成該鳥窩的位置；當(dāng)r>pa，則保留所有鳥窩，進(jìn)入 步驟八； 步驟八，判斷是否達(dá)到最大迭代次數(shù)，若是，輸出最優(yōu)結(jié)果并退出，否則轉(zhuǎn)至步驟五。
2. 根據(jù)權(quán)利要求1所述的一種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法， 其特征在于：步驟一中的條件包括氣象條件、工作狀態(tài)和日期時(shí)間。
3. 根據(jù)權(quán)利要求1所述的一種布谷鳥搜索算法改進(jìn)支持向量機(jī)的電力負(fù)荷預(yù)測(cè)方法， 其特征在于：所述萊維飛行距離的表達(dá)式為，
其中，β為常數(shù)^和u用于模擬萊維飛行，滿足標(biāo)準(zhǔn)正態(tài)分布。
【文檔編號(hào)】G06Q10/04GK104318329SQ201410557450
【公開日】2015年1月28日 申請(qǐng)日期:2014年10月20日 優(yōu)先權(quán)日:2014年10月20日
【發(fā)明者】鄭海雁, 金農(nóng), 顧國(guó)棟, 丁曉, 孔珍寶, 吳鋼, 徐金玲, 金璐, 熊政, 方超, 仲春林, 李昆明, 李新家, 尹飛, 季聰 申請(qǐng)人:國(guó)家電網(wǎng)公司, 江蘇省電力公司, 江蘇方天電力技術(shù)有限公司, 江蘇省電力公司南京供電公司