本發(fā)明涉及一種年度全社會電量預(yù)測方法，屬于人工智能、統(tǒng)計學(xué)習(xí)和電力市場需求預(yù)測領(lǐng)域，直接應(yīng)用于電網(wǎng)規(guī)劃和電力市場分析預(yù)測相關(guān)工作。
背景技術(shù)：
：全社會用電量是一段時期某一區(qū)域內(nèi)所有用電單位消耗電量的總和，其能夠從總體上反映電力需求的情況和變化規(guī)律。全社會電量的時間跨度主要有：年、月；區(qū)域范圍主要有：國家、省、市、縣。作為電力市場分析預(yù)測工作的主要研究指標(biāo)之一，全社會電量主要服務(wù)于電網(wǎng)規(guī)劃的編制和修訂，因此在實際工作中，以年作為時間跨度，國家、省和地市作為區(qū)域的長期全社會電量指標(biāo)的使用最為頻繁。目前，年度全社會電量預(yù)測的方法主要有回歸法、產(chǎn)業(yè)單耗法、灰色模型法、神經(jīng)網(wǎng)絡(luò)法等方法。其中：回歸分析法、產(chǎn)業(yè)單耗法、灰色模型法都需要以預(yù)測地區(qū)的經(jīng)濟增加值作為輸入變量，但由于經(jīng)濟數(shù)據(jù)一般以年度為單位進行公布，樣本量太少，所以上述方法無法避免小樣本帶來的預(yù)測偏差；神經(jīng)網(wǎng)絡(luò)法則由于在使用時需要主觀設(shè)置的參數(shù)過多，因此造成了預(yù)測結(jié)果易受人為因素影響。支持向量機(以下簡稱SVM)是一種近年來興起的人工智能領(lǐng)域中的統(tǒng)計學(xué)習(xí)理論，它建立在VC維理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上，能夠根據(jù)較少的樣本量在模型的經(jīng)驗風(fēng)險(模型在樣本上的預(yù)測結(jié)果與樣本真實結(jié)果之間的差值)和泛化風(fēng)險(樣本以外的外推風(fēng)險)之間尋求最佳平衡。SVM的推廣預(yù)測能力很大程度上依賴于懲罰因子和核函數(shù)參數(shù)的設(shè)置，但由于懲罰因子和核函數(shù)的參數(shù)需要主觀判斷，因此增加了預(yù)測結(jié)果的主觀不確定性。技術(shù)實現(xiàn)要素：本發(fā)明的目的是提供一種基于粒子群算法和支持向量機的年度全社會電量預(yù)測方法。首先運用SVM進行年度全社會電量預(yù)測，同時以徑向基核函數(shù)(以下簡稱RBF核函數(shù))作為SVM的核函數(shù)，有效解決了電量樣本較少而導(dǎo)致預(yù)測偏差過大的問題。其次，運用PSO對SVM的損失函數(shù)中的松弛變量(以下簡稱C)和RBF核函數(shù)中的寬度參數(shù)(以下簡稱σ)進行全局優(yōu)化，有效避免了SVM應(yīng)用過程中的參數(shù)主觀化選擇問題，提高了年電量預(yù)測的準(zhǔn)確性。為實現(xiàn)上述目的，本發(fā)明采用下述技術(shù)方案：一種基于粒子群算法和支持向量機的年度全社會電量預(yù)測方法，包括以下步驟：步驟1：選取0至n-1年度時間段內(nèi)的樣本數(shù)據(jù)X＝{(xi,fi),i＝0,2,....,n-1,其中：xi,fi∈R}，其中，fi表示年度全社會電量，xi表示地區(qū)年度國民生產(chǎn)總值；步驟2：對樣本X數(shù)據(jù)和新的自變量數(shù)據(jù)xi進行歸一化；步驟3：以SVM在優(yōu)化過程中的均方誤差(mse)作為PSO中的適應(yīng)度函數(shù)g(x)，使用PSO算法尋找歸一化的樣本空間中的最優(yōu)冗余參數(shù)C和RBF參數(shù)σ；步驟4：將PSO優(yōu)化完成的冗余參數(shù)C*和σ*代入SVM，使用SVM對歸一化的樣本集合進行參數(shù)訓(xùn)練，得出訓(xùn)練后的αi和b；步驟5：把PSO優(yōu)化后的參數(shù)和SVM訓(xùn)練后的參數(shù)代入SVM，輸入歸一化自變量數(shù)據(jù)xn，得出歸一化的預(yù)測結(jié)果；步驟6：對歸一化的預(yù)測結(jié)果進行反歸一化，最終得出預(yù)測年度全社會電量fn。進一步地，步驟3包括以下步驟：步驟3.1：初始化設(shè)置加速常數(shù)ci、速度與位置關(guān)聯(lián)系數(shù)k、最大進化代數(shù)tmax、種群數(shù)量imax、適應(yīng)度函數(shù)的約束條件e、速度彈性系數(shù)wV、wP，對C和σ的隨機位置和速度進行初始設(shè)定；步驟3.2：計算C和σ的適應(yīng)值mse(c,σ)；步驟3.3：對于每個微粒i和給定的某一代t，這里寫作(ci(t),σi(t))，將mse(ci(t),σi(t))(記作msei(t))與之前所經(jīng)歷過的最好位置的適應(yīng)值進行比較；若則將(ci(t),σi(t))作為當(dāng)前的最好位置，進入步驟3.4；否則保留原有進入步驟3.6；步驟3.4：對每個微粒i和給定的某一代t，(ci(t),σi(t))，將msei(t)與全局所經(jīng)歷的最好的位置(cg(t),σg(t))所對應(yīng)的適應(yīng)值mseg(t)進行比較，這里若msei(t)＜mseg(t)，則把(ci(t),σi(t))作為全局最優(yōu)點，否則保留原有的(cg(t),σg(t))；步驟3.5：根據(jù)進化方程對速度和位置進行進化；步驟3.6：判斷是適應(yīng)度值是否達到約束條件：如達到結(jié)束條件e，則優(yōu)化過程結(jié)束；如未達到，則返回步驟3.2直到進化代數(shù)達到tmax。本發(fā)明的有益效果是，1、利用SVM訓(xùn)練尋找支持向量的功能，解決了年度全社會電量預(yù)測過程中樣本量較少而導(dǎo)致預(yù)測不準(zhǔn)確問題。2、利用PSO算法對SVM中的冗余參數(shù)和RBF寬度參數(shù)進行優(yōu)化，解決了SVM在預(yù)測過程中參數(shù)選擇的主觀化問題。3、SVM能夠在模型的經(jīng)驗風(fēng)險(模型在樣本上的預(yù)測結(jié)果與樣本真實結(jié)果之間的差值)和泛化風(fēng)險(樣本以外的外推風(fēng)險)之間尋求最佳平衡，提高了年度全社會電量預(yù)測的準(zhǔn)確性。附圖說明圖1是本發(fā)明年度全社會電量預(yù)測流程圖。具體實施方式以預(yù)測第tn期某地區(qū)年度全社會用電量為例，把該地區(qū)0至n-1時間段內(nèi)的樣本數(shù)據(jù)(fi為年度全社會電量、xi為地區(qū)年度國民生產(chǎn)總值)作為訓(xùn)練數(shù)據(jù)集，運用PSO優(yōu)化的SVM預(yù)測功能進行樣本訓(xùn)練，得出SVM訓(xùn)練后的參數(shù)αi和b后，輸入新的自變量數(shù)據(jù)xn到優(yōu)化后的SVM中進行預(yù)測，得出給地區(qū)全社會電量的預(yù)測結(jié)果fn。本發(fā)明基于某地區(qū)歷史年度經(jīng)濟增加值和全社會用電量，通過PSO優(yōu)化的SVM進行歷史樣本訓(xùn)練得出的優(yōu)化預(yù)測模型，計算得出了未來年度全社會電量預(yù)測結(jié)論。本發(fā)明的預(yù)測方法以人工智能、統(tǒng)計學(xué)習(xí)理論為基礎(chǔ)，有效避免了有限樣本的數(shù)據(jù)量較少的問題，提高了預(yù)測精度，提升了電力市場分析預(yù)測的工作水平。SVM通過映射δ(x)將數(shù)據(jù)的非線性預(yù)測問題轉(zhuǎn)換成高維空間中的線性預(yù)測問題，設(shè)樣本集X＝{(xi,fi),i＝1,2,....,m,xi∈Rd,fi∈R,d≥1}，SVM的目標(biāo)就是把非線性的預(yù)測問題轉(zhuǎn)換為預(yù)測問題，同時在約束條件下最小化損失函數(shù)，即求解以下最優(yōu)化問題：min12||w||2+CΣi=1k(ξi+ξi*)]]>s.t.wTδ(xi)+b-zi≤ϵ+ξizi-wTδ(xi)-b≤ϵ+ξi*ξi,ξi*≥0,i=1,....,m.]]>其中：為函數(shù)間隔，它表示樣本點與超平面的距離；為松弛變量，主要是為了消除數(shù)據(jù)結(jié)構(gòu)中的噪音點。求解以上最優(yōu)化問題的對偶優(yōu)化問題：min12(α-α*)Tδ(xi)Tδ(xj)(α-α*)+ϵΣi=1m(αi+αi*)+Σi=1mzi(αi+αi*)]]>s.t.Σi=1m(αi-αi*)=0,0≤αi,αi*≤C,i=1,....,m.]]>得出預(yù)測函數(shù)為：其中，K(xi,xj)表SVM的核函數(shù)，在本提案中，選用了RBF核函數(shù)，表達式為：K(xi,xj)=exp(-||xi-xj||22σ2).]]>PSO采用“群體”與“進化”的概念，依據(jù)每個目標(biāo)函數(shù)可行解(稱為微粒)的適應(yīng)值大小進行操作，其將每個微?？醋魇窃趎維搜索空間中的一個沒有重量和體積的微粒，并在搜索空間中以一定的速度飛行，該飛行速度由個體的飛行經(jīng)驗和群體的飛行經(jīng)驗進行動態(tài)調(diào)整。令Xi＝(xi1,xi2,...,xin)為微粒i的位置，Vi＝(vi1,vi2,...,vin)為微粒i的當(dāng)前飛行速度，Pi＝(pi1,pi2,...,pin)為微粒i所經(jīng)歷的最好的位置，即個體最好位置，對于最小化問題，就是使適應(yīng)度函數(shù)g(x)最小的位置，有：設(shè)群體中的微粒數(shù)為s，群體中所有群體中所有微粒所經(jīng)歷過的最好位置為Pg(t)，稱為全局最好位置，則：Pg(t)∈{P0(t),P1(t),.....,Ps(t)|g(Pg(t))＝min{g(P0(t)),g(P1(t)),.....,g(Ps(t))}}。微粒群算法的進化方程為：vij(t+1)＝wV*vij(t)+c1r1j(t)(pij(t)-xij(t))+c2r2j(t)(pgj(t)-xij(t))xij(t+1)＝xij(t)+wP*vij(t+1)其中：下標(biāo)“j”表示微粒的第j維(本例j＝2)，“i”表示微粒i，t表示種群更新到了第t代；c1、c2為加速常數(shù)，c1調(diào)節(jié)微粒飛向自身最好位置方向的步長，c2調(diào)節(jié)微粒向全局最好位置飛行的步長，通常在0～2間取值；r1j～U(0,1),r2j～U(0,1)為兩個相互獨立的隨機函數(shù)；wV為速度更新過程中的彈性系數(shù)，wP為種群更新中速度前面的彈性系數(shù)。為了減少在進化過程中微粒離開搜索空間的可能性，vij通常限定于一定范圍內(nèi)，結(jié)合問題的搜索空間[-xmax,xmax]，則可設(shè)定vmax＝k*xmax,0.1≤k≤1.0。如圖1所示，一種基于粒子群算法和支持向量機的年度全社會電量預(yù)測方法，包括以下步驟：步驟1：選取0至n-1年度時間段內(nèi)的樣本數(shù)據(jù)X＝{(xi,fi),i＝0,2,....,n-1,其中：xi,fi∈R}，以fi表示年度全社會電量，xi表示地區(qū)年度國民生產(chǎn)總值。步驟2：對樣本X數(shù)據(jù)和新的自變量數(shù)據(jù)x進行歸一化；步驟3：以SVM在優(yōu)化過程中的均方誤差(mse)作為PSO中的適應(yīng)度函數(shù)g(x)，使用PSO算法尋找歸一化的樣本空間中的最優(yōu)冗余參數(shù)C和RBF參數(shù)σ。步驟3.1：初始化設(shè)置加速常數(shù)ci、速度與位置關(guān)聯(lián)系數(shù)k、最大進化代數(shù)tmax、種群數(shù)量imax、適應(yīng)度函數(shù)的約束條件e、速度彈性系數(shù)wV、wP，對C和σ的隨機位置和速度進行設(shè)定。步驟3.2：計算C和σ的適應(yīng)值mse(c,σ)。步驟3.3：對于每個微粒i和給定的某一代t，這里寫作(ci(t),σi(t))，將mse(ci(t),σi(t))(記作msei(t))與之前所經(jīng)歷過的最好位置的適應(yīng)值進行比較。若則將(ci(t),σi(t))作為當(dāng)前的最好位置，進入步驟3.4；否則保留原有進入步驟3.6。步驟3.4：對每個微粒i和給定的某一代t，(ci(t),σi(t))，將msei(t)與全局所經(jīng)歷的最好的位置(cg(t),σg(t))所對應(yīng)的適應(yīng)值mseg(t)進行比較，這里若msei(t)＜mseg(t)，則把(ci(t),σi(t))作為全局最優(yōu)點，否則保留原有的(cg(t),σg(t))。步驟3.5：根據(jù)進化方程對速度和位置進行進化。步驟3.6：判斷是適應(yīng)度值是否達到約束條件：如達到結(jié)束條件e，則優(yōu)化過程結(jié)束；如未達到，則返回步驟3.2直到進化代數(shù)達到tmax。步驟4：將PSO優(yōu)化完成的冗余參數(shù)C*和σ*代入SVM，使用SVM對歸一化的樣本集合進行參數(shù)訓(xùn)練，得出訓(xùn)練后的αi和b。步驟5：把PSO優(yōu)化后的參數(shù)和SVM訓(xùn)練后的參數(shù)代入SVM，輸入歸一化自變量數(shù)據(jù)xn，得出歸一化的預(yù)測結(jié)果。步驟6：對歸一化的預(yù)測結(jié)果進行反歸一化，最終得出預(yù)測年度全社會電量fn。上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。當(dāng)前第1頁1 2 3