支持向量機(jī)的參數(shù)選取方法和系統(tǒng)與負(fù)荷預(yù)測(cè)方法和系統(tǒng)的制作方法
【專(zhuān)利摘要】本發(fā)明涉及一種支持向量機(jī)的參數(shù)選取方法和系統(tǒng)以及負(fù)荷預(yù)測(cè)方法和系統(tǒng)，其是采用云遺傳算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行了優(yōu)化，根據(jù)正態(tài)云模型輸出結(jié)果的隨機(jī)性和穩(wěn)定傾向性特點(diǎn)，隨機(jī)性可以保持個(gè)體多樣性從而避免搜索陷入局部極值，而穩(wěn)定傾向性又可以很好地保護(hù)較優(yōu)個(gè)體從而對(duì)全局最值進(jìn)行自適應(yīng)定位，有效提高搜索到最優(yōu)解或滿(mǎn)意解的速度，從而提高以選取的參數(shù)配置的支持向量機(jī)進(jìn)行負(fù)荷預(yù)測(cè)的效率，而且在選取過(guò)程中獲取了預(yù)測(cè)負(fù)荷數(shù)據(jù)與實(shí)際負(fù)荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果，優(yōu)化后使誤差值將至最低，以此提高選取的參數(shù)的準(zhǔn)確性。
【專(zhuān)利說(shuō)明】
支持向量機(jī)的參數(shù)選取方法和系統(tǒng)與負(fù)荷預(yù)測(cè)方法和系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及電力系統(tǒng)技術(shù)領(lǐng)域，特別是涉及一種支持向量機(jī)的參數(shù)選取方法和系 統(tǒng)與負(fù)荷預(yù)測(cè)方法和系統(tǒng)。
【背景技術(shù)】
[0002] 科學(xué)的預(yù)測(cè)是正確決策的依據(jù)和保證。負(fù)荷預(yù)測(cè)是電力系統(tǒng)領(lǐng)域的一個(gè)傳統(tǒng)研究 問(wèn)題，是指從已知的電力系統(tǒng)、經(jīng)濟(jì)、社會(huì)、氣象等情況出發(fā)，通過(guò)對(duì)歷史數(shù)據(jù)的分析和研 究，探索事物之間的內(nèi)在聯(lián)系和發(fā)展變化規(guī)律，對(duì)負(fù)荷發(fā)展做出預(yù)先估計(jì)和推測(cè)。負(fù)荷預(yù)測(cè) 是電力系統(tǒng)規(guī)劃、計(jì)劃、用電、調(diào)度等部門(mén)的基礎(chǔ)工作，其重要性早已被人們所認(rèn)識(shí)。
[0003] 負(fù)荷預(yù)測(cè)本質(zhì)上是對(duì)功率曲線進(jìn)行擬合與回歸，由于實(shí)時(shí)功率曲線受電力系統(tǒng)、 經(jīng)濟(jì)、社會(huì)、氣象等諸多因素影響，一般表現(xiàn)為復(fù)雜非線性特點(diǎn)，宜采用對(duì)復(fù)雜非線性特性 具備較強(qiáng)學(xué)習(xí)能力的預(yù)測(cè)模型。
[0004] 目前應(yīng)用較多且比較成熟的預(yù)測(cè)方法，主要為支持向量機(jī)（Support Vector Machine，SVM)等。SVM同時(shí)考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)最小和結(jié)構(gòu)風(fēng)險(xiǎn)最小，使模型具有較強(qiáng)的推廣性， 在小樣本識(shí)別方面有較大優(yōu)勢(shì)，且SVM有嚴(yán)格的數(shù)學(xué)理論基礎(chǔ)，其決策為全局最優(yōu)。
[0005] SVM參數(shù)的選取策略目前尚沒(méi)有統(tǒng)一的方法，SVM參數(shù)選取的優(yōu)劣將直接影響模型 的擬合和回歸能力。現(xiàn)有技術(shù)中，較為常用的SVM參數(shù)優(yōu)化算法包括網(wǎng)格搜索算法、粒子群 算法等。利用這些算法雖然可以選取SVM參數(shù)，但搜索到最優(yōu)解或滿(mǎn)意解的速度太慢，依據(jù) 選取的參數(shù)進(jìn)行負(fù)荷預(yù)測(cè)的效率低。

【發(fā)明內(nèi)容】

[0006] 基于此，有必要針對(duì)現(xiàn)有的支持向量機(jī)搜索到最優(yōu)解或滿(mǎn)意解的速度太慢導(dǎo)致負(fù) 荷預(yù)測(cè)效率低的問(wèn)題，提供一種支持向量機(jī)的參數(shù)選取方法和系統(tǒng)與負(fù)荷預(yù)測(cè)方法和系 統(tǒng)。
[0007] -種支持向量機(jī)的參數(shù)選取方法，包括以下步驟：
[0008] 獲取支持向量機(jī)的各參數(shù)的取值范圍和云遺傳算法的各自變量，其中，支持向量 機(jī)的各參數(shù)對(duì)應(yīng)云遺傳算法的各自變量；
[0009] 根據(jù)對(duì)應(yīng)的各參數(shù)的取值范圍對(duì)各自變量均勻取值，形成初始種群，其中，初始種 群中包括多個(gè)個(gè)體，個(gè)體包括取值后的各自變量；
[0010] 針對(duì)每個(gè)個(gè)體，根據(jù)取值后的各自變量配置支持向量機(jī)，獲取實(shí)時(shí)負(fù)荷數(shù)據(jù)和歷 史負(fù)荷數(shù)據(jù)以及實(shí)時(shí)負(fù)荷數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)之間的相似度，從歷史負(fù)荷數(shù)據(jù)中篩選出相 似日的負(fù)荷數(shù)據(jù)，其中，相似日的負(fù)荷數(shù)據(jù)與實(shí)時(shí)負(fù)荷數(shù)據(jù)的相似度大于預(yù)設(shè)值;將相似日 的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸入，將對(duì)應(yīng)相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)作為支持向 量機(jī)的輸出，用以訓(xùn)練支持向量機(jī);將相似日的負(fù)荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機(jī)，獲得 訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)，并獲取訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè) 天數(shù)的負(fù)荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值；
[0011]選取初始種群中的部分個(gè)體，以選取的各個(gè)體對(duì)應(yīng)的誤差值的倒數(shù)作為適應(yīng)度 值，根據(jù)選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度值，對(duì)選取的各個(gè)體進(jìn)行基于條件云的交叉操作，獲得 第一個(gè)體組;對(duì)第一個(gè)體組中的各個(gè)體進(jìn)行基于基本云的變異操作，獲得第二個(gè)體組； [0012]判斷第二個(gè)體組中是否有個(gè)體滿(mǎn)足終止條件，若是，則將該個(gè)體中取值后的各自 變量作為支持向量機(jī)的各參數(shù);若否，則返回至針對(duì)每個(gè)個(gè)體，根據(jù)取值后的各自變量配置 支持向量機(jī)的步驟。
[0013] -種支持向量機(jī)的參數(shù)選取系統(tǒng)，包括以下單元：
[0014] 第一獲取單元，用于獲取支持向量機(jī)的各參數(shù)的取值范圍和云遺傳算法的各自變 量，其中，支持向量機(jī)的各參數(shù)對(duì)應(yīng)云遺傳算法的各自變量；
[0015] 生成單元，用于根據(jù)對(duì)應(yīng)的各參數(shù)的取值范圍對(duì)各自變量均勻取值，形成初始種 群，其中，初始種群中包括多個(gè)個(gè)體，個(gè)體包括取值后的各自變量；
[0016] 第一訓(xùn)練單元，用于針對(duì)每個(gè)個(gè)體，根據(jù)取值后的各自變量配置支持向量機(jī)，獲取 實(shí)時(shí)負(fù)荷數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)以及實(shí)時(shí)負(fù)荷數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)之間的相似度，從歷史負(fù) 荷數(shù)據(jù)中篩選出相似日的負(fù)荷數(shù)據(jù)，其中，相似日的負(fù)荷數(shù)據(jù)與實(shí)時(shí)負(fù)荷數(shù)據(jù)的相似度大 于預(yù)設(shè)值;將相似日的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸入，將對(duì)應(yīng)相似日之后的預(yù)設(shè)天數(shù)的 負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸出，用以訓(xùn)練支持向量機(jī)；
[0017] 第二獲取單元，將相似日的負(fù)荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機(jī)，獲得訓(xùn)練后的 支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)，并獲取訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù) 荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值；
[0018] 云操作單元，選取初始種群中的部分個(gè)體，以選取的各個(gè)體對(duì)應(yīng)的誤差值的倒數(shù) 作為適應(yīng)度值，根據(jù)選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度值，對(duì)選取的各個(gè)體進(jìn)行基于條件云的交 叉操作，獲得第一個(gè)體組;對(duì)第一個(gè)體組中的各個(gè)體進(jìn)行基于基本云的變異操作，獲得第二 個(gè)體組；
[0019] 判斷單元，判斷第二個(gè)體組中是否有個(gè)體滿(mǎn)足終止條件，若是，則將該個(gè)體中取值 后的各自變量作為支持向量機(jī)的各參數(shù);若否，則返回至第一訓(xùn)練單元。
[0020] 根據(jù)上述本發(fā)明的支持向量機(jī)的參數(shù)選取方法和系統(tǒng)，其是采用云遺傳算法對(duì)支 持向量機(jī)的參數(shù)進(jìn)行了優(yōu)化，借助于云模型，利用云發(fā)生器代替?zhèn)鹘y(tǒng)的交叉、變異算子，根 據(jù)正態(tài)云模型輸出結(jié)果的隨機(jī)性和穩(wěn)定傾向性特點(diǎn)，隨機(jī)性可以保持個(gè)體多樣性從而避免 搜索陷入局部極值，而穩(wěn)定傾向性又可以很好地保護(hù)較優(yōu)個(gè)體從而對(duì)全局最值進(jìn)行自適應(yīng) 定位，有效提高搜索到最優(yōu)解或滿(mǎn)意解的速度，進(jìn)而可以提高負(fù)荷預(yù)測(cè)的效率，而且在選取 過(guò)程中獲取了預(yù)測(cè)負(fù)荷數(shù)據(jù)與實(shí)際負(fù)荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果， 優(yōu)化后使誤差值將至最低，以此提高選取的參數(shù)的準(zhǔn)確性。
[0021] 一種負(fù)荷預(yù)測(cè)方法，包括以下步驟：
[0022 ]根據(jù)上述支持向量機(jī)的參數(shù)選取方法選取支持向量機(jī)的參數(shù)，根據(jù)選取的支持向 量機(jī)的參數(shù)對(duì)支持向量機(jī)進(jìn)行配置；
[0023] 將相似日的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸入，將對(duì)應(yīng)相似日之后的預(yù)設(shè)天數(shù)的負(fù) 荷數(shù)據(jù)作為支持向量機(jī)的輸出，用以再度訓(xùn)練支持向量機(jī)；
[0024] 將實(shí)時(shí)負(fù)荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機(jī)，獲得對(duì)應(yīng)實(shí)時(shí)負(fù)荷數(shù)據(jù)的日期 之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)。
[0025] -種負(fù)荷預(yù)測(cè)系統(tǒng)，包括上述支持向量機(jī)的參數(shù)選取系統(tǒng)和以下單元：
[0026] 配置單元，用于根據(jù)上述的支持向量機(jī)的參數(shù)選取系統(tǒng)選取的支持向量機(jī)的參數(shù) 對(duì)支持向量機(jī)進(jìn)行配置；
[0027] 第二訓(xùn)練單元，將相似日的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸入，將對(duì)應(yīng)相似日之后 的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸出，用以再度訓(xùn)練支持向量機(jī)；
[0028] 第三獲取單元，用于將實(shí)時(shí)負(fù)荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機(jī)，獲得對(duì)應(yīng) 實(shí)時(shí)負(fù)荷數(shù)據(jù)的日期之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)。
[0029] 根據(jù)上述本發(fā)明的負(fù)荷預(yù)測(cè)方法和系統(tǒng)，其是采用云遺傳算法對(duì)支持向量機(jī)的參 數(shù)進(jìn)行了優(yōu)化，借助于云模型，利用云發(fā)生器代替?zhèn)鹘y(tǒng)的交叉、變異算子，根據(jù)正態(tài)云模型 輸出結(jié)果的隨機(jī)性和穩(wěn)定傾向性特點(diǎn)，隨機(jī)性可以保持個(gè)體多樣性從而避免搜索陷入局部 極值，而穩(wěn)定傾向性又可以很好地保護(hù)較優(yōu)個(gè)體從而對(duì)全局最值進(jìn)行自適應(yīng)定位，有效提 高搜索到最優(yōu)解或滿(mǎn)意解的速度，從而提高以選取的參數(shù)配置的支持向量機(jī)進(jìn)行負(fù)荷預(yù)測(cè) 的效率，而且在選取參數(shù)過(guò)程中，獲取了訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù) 與相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果，優(yōu)化后 使誤差值將至最低，以此提高選取的參數(shù)的準(zhǔn)確性，從而降低支持向量機(jī)模型在實(shí)際預(yù)測(cè) 時(shí)的預(yù)測(cè)誤差，提高負(fù)荷預(yù)測(cè)的精度。
【附圖說(shuō)明】
[0030] 圖1為其中一個(gè)實(shí)施例的支持向量機(jī)的參數(shù)選取方法的流程示意圖；
[0031 ]圖2為其中一個(gè)實(shí)施例的負(fù)荷預(yù)測(cè)方法的流程示意圖；
[0032] 圖3為其中一個(gè)實(shí)施例的負(fù)荷預(yù)測(cè)方法實(shí)際應(yīng)用效果圖；
[0033] 圖4為其中一個(gè)實(shí)施例的支持向量機(jī)的參數(shù)選取系統(tǒng)的結(jié)構(gòu)示意圖；
[0034] 圖5為其中一個(gè)實(shí)施例的負(fù)荷預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)示意圖；
[0035] 圖6為其中一個(gè)實(shí)施例的負(fù)荷預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0036] 為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本 發(fā)明進(jìn)行進(jìn)一步的詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的【具體實(shí)施方式】?jī)H僅用以解釋本發(fā)明， 并不限定本發(fā)明的保護(hù)范圍。
[0037] 參見(jiàn)圖1所示，為本發(fā)明的支持向量機(jī)的參數(shù)選取方法的流程示意圖。該實(shí)施例中 的支持向量機(jī)的參數(shù)選取方法，包括以下步驟：
[0038]步驟S101:獲取支持向量機(jī)的各參數(shù)的取值范圍和云遺傳算法的各自變量，其中， 支持向量機(jī)的各參數(shù)對(duì)應(yīng)云遺傳算法的各自變量；
[0039] 在本步驟中，實(shí)質(zhì)上是將支持向量機(jī)的各參數(shù)作為云遺傳算法的各自變量。
[0040] 步驟S102:根據(jù)對(duì)應(yīng)的各參數(shù)的取值范圍對(duì)各自變量均勻取值，形成初始種群，其 中，初始種群中包括多個(gè)個(gè)體，個(gè)體包括取值后的各自變量；
[0041] 在本步驟中，由于各參數(shù)都有對(duì)應(yīng)的取值范圍，也就是各自變量都有對(duì)應(yīng)的取值 范圍，對(duì)各自變量進(jìn)行取值可以形成多個(gè)個(gè)體。
[0042]步驟S103:針對(duì)每個(gè)個(gè)體，根據(jù)取值后的各自變量配置支持向量機(jī)，獲取實(shí)時(shí)負(fù)荷 數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)以及實(shí)時(shí)負(fù)荷數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)之間的相似度，從歷史負(fù)荷數(shù)據(jù)中 篩選出相似日的負(fù)荷數(shù)據(jù)，其中，相似日的負(fù)荷數(shù)據(jù)與實(shí)時(shí)負(fù)荷數(shù)據(jù)的相似度大于預(yù)設(shè)值； 將相似日的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸入，將對(duì)應(yīng)相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)作 為支持向量機(jī)的輸出，用以訓(xùn)練支持向量機(jī);將相似日的負(fù)荷數(shù)據(jù)輸入至訓(xùn)練后的支持向 量機(jī)，獲得訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)，并獲取訓(xùn)練后的支持向量機(jī) 輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值；
[0043] 在本步驟中，主要是根據(jù)個(gè)體中的參數(shù)值配置支持向量機(jī)，利用實(shí)時(shí)負(fù)荷數(shù)據(jù)和 相似日的負(fù)荷數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，并獲取誤差值。
[0044] 步驟S104:選取初始種群中的部分個(gè)體，以選取的各個(gè)體對(duì)應(yīng)的誤差值作為適應(yīng) 度值，根據(jù)選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度值，對(duì)選取的各個(gè)體進(jìn)行基于條件云的交叉操作，獲 得第一個(gè)體組;對(duì)第一個(gè)體組中的各個(gè)體進(jìn)行基于基本云的變異操作，獲得第二個(gè)體組；
[0045] 步驟S105:判斷第二個(gè)體組中是否有個(gè)體滿(mǎn)足終止條件，若是，則將該個(gè)體中取值 后的各自變量作為支持向量機(jī)的各參數(shù);若否，則返回至針對(duì)每個(gè)個(gè)體，根據(jù)取值后的各自 變量配置支持向量機(jī)的步驟。
[0046] 根據(jù)上述本發(fā)明的支持向量機(jī)的參數(shù)選取方法，其是采用云遺傳算法對(duì)支持向量 機(jī)的參數(shù)進(jìn)行了優(yōu)化，借助于云模型，利用云發(fā)生器代替?zhèn)鹘y(tǒng)的交叉、變異算子，根據(jù)正態(tài) 云模型輸出結(jié)果的隨機(jī)性和穩(wěn)定傾向性特點(diǎn)，隨機(jī)性可以保持個(gè)體多樣性從而避免搜索陷 入局部極值，而穩(wěn)定傾向性又可以很好地保護(hù)較優(yōu)個(gè)體從而對(duì)全局最值進(jìn)行自適應(yīng)定位， 有效提高搜索到最優(yōu)解或滿(mǎn)意解的速度，進(jìn)而可以提高負(fù)荷預(yù)測(cè)的效率，而且在選取過(guò)程 中獲取了預(yù)測(cè)負(fù)荷數(shù)據(jù)與實(shí)際負(fù)荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果，優(yōu)化 后使誤差值將至最低，以此提高選取的參數(shù)的準(zhǔn)確性。
[0047] 在其中一個(gè)實(shí)施例中，對(duì)選取的各個(gè)體進(jìn)行基于條件云的交叉操作的步驟包括以 下步驟：
[0048] 對(duì)于任何一組用于交叉的兩個(gè)個(gè)體，對(duì)兩個(gè)個(gè)體中的每個(gè)變量作以下運(yùn)算：
[0049]
計(jì)算第一特征數(shù)值，其中，Ex、En和He為 第一特征數(shù)值，F(xiàn)majPFmin分別為選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度的最大值和最小值；
[0050] XQ取交叉操作的兩個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度中的較大值，將XQ以及Ex、En和He輸入至X 條件云發(fā)生器，獲得第一確定度；
r
[0051] -廿算第二特征數(shù) 值，其中，Ex '、En '和He '為第二特征數(shù)值，Xf和Xm分別為交叉操作的兩個(gè)個(gè)體中對(duì)應(yīng)的同一 種變量，span為同一種變量的取值區(qū)間長(zhǎng)度，F(xiàn)f和Fm分別為兩個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度，pop為種 群大??；
[0052]將第一確定度以及Ex'、En'和He'輸入至Y條件云發(fā)生器，獲得與同一變量對(duì)應(yīng)的 第一子變量和第二子變量，用第一子變量替換Xf，用第二子變量替換Xm。
[0053]在本實(shí)施例中，交叉操作目的是利用Y條件云發(fā)生器對(duì)兩個(gè)個(gè)體的信息進(jìn)行交換， 得到一對(duì)新個(gè)體，為維持種群大小不變，將新得到的一對(duì)個(gè)體取代原來(lái)的父母?jìng)€(gè)體，使得種 群中的個(gè)體之間的差異減小。
[0054] 在其中一個(gè)實(shí)施例中，對(duì)第一個(gè)體組中的各個(gè)體進(jìn)行基于基本云的變異操作的步 驟包括以下步驟：
[0055] 對(duì)于任何一個(gè)用于變異操作的個(gè)體，對(duì)該個(gè)體中的任一變量xP作以下運(yùn)算：
[0056]
計(jì)算第三特征數(shù)值，其中，Ex"、 En"和He"為第三特征數(shù)值，span (xP)表示變量xP的取值區(qū)間長(zhǎng)度，pop為種群大?。?br>[0057] 將Ex"、En"和He"輸入至基本云發(fā)生器，獲得與變量xP對(duì)應(yīng)的第三子變量和第二確 定度，生成服從[0，1]區(qū)間均勻分布的隨機(jī)數(shù)，當(dāng)?shù)诙_定度大于隨機(jī)數(shù)時(shí)，用第三子變量 替換變量xp。
[0058] 在本實(shí)施例中，變異操作目的是利用基本云發(fā)生器對(duì)個(gè)體中的變量進(jìn)行轉(zhuǎn)換，將 新的信息引入所選個(gè)體。變異操作的對(duì)象為經(jīng)過(guò)交叉操作得到的第一個(gè)體組中的個(gè)體中的 變量，在每個(gè)個(gè)體的變量完成變異后就得到新個(gè)體，將新個(gè)體取代原個(gè)體。
[0059] 在其中一個(gè)實(shí)施例中，選取初始種群中的部分個(gè)體的步驟包括以下步驟：
[0060] 基于輪盤(pán)賭方法的選擇方式選取初始種群中的部分個(gè)體。
[0061] 在本實(shí)施例中，輪盤(pán)賭選擇是從種群中隨機(jī)選擇一些個(gè)體的方法，被選中的機(jī)率 和它們的適應(yīng)度值成比例，個(gè)體的適應(yīng)度值愈高（也即對(duì)應(yīng)的誤差值愈?。?，被選中的概率 也愈大，基于輪盤(pán)賭方法的選擇方式選取的個(gè)體的適應(yīng)度值較高，可以間接提高支持向量 機(jī)參數(shù)選取的準(zhǔn)確性。
[0062] 根據(jù)上述支持向量機(jī)的參數(shù)選取方法，本發(fā)明還提供一種負(fù)荷預(yù)測(cè)方法，以下就 本發(fā)明的負(fù)荷預(yù)測(cè)方法的實(shí)施例進(jìn)行詳細(xì)說(shuō)明。
[0063] 參見(jiàn)圖2所示，為本發(fā)明的負(fù)荷預(yù)測(cè)方法的流程示意圖。該實(shí)施例中的負(fù)荷預(yù)測(cè)方 法包括以下步驟：
[0064] 步驟S201:根據(jù)上述支持向量機(jī)的參數(shù)選取方法選取支持向量機(jī)的參數(shù)，根據(jù)選 取的支持向量機(jī)的參數(shù)對(duì)支持向量機(jī)進(jìn)行配置；
[0065] 步驟S202:將相似日的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸入，將對(duì)應(yīng)相似日之后的預(yù) 設(shè)天數(shù)的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸出，用以再度訓(xùn)練支持向量機(jī)；
[0066] 步驟S203:將實(shí)時(shí)負(fù)荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機(jī)，獲得對(duì)應(yīng)實(shí)時(shí)負(fù)荷 的日期之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)。
[0067]在本實(shí)施例中，采用云遺傳算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行了優(yōu)化，借助于云模型， 利用云發(fā)生器代替?zhèn)鹘y(tǒng)的交叉、變異算子，根據(jù)正態(tài)云模型輸出結(jié)果的隨機(jī)性和穩(wěn)定傾向 性特點(diǎn)，隨機(jī)性可以保持個(gè)體多樣性從而避免搜索陷入局部極值，而穩(wěn)定傾向性又可以很 好地保護(hù)較優(yōu)個(gè)體從而對(duì)全局最值進(jìn)行自適應(yīng)定位，有效提高搜索到最優(yōu)解或滿(mǎn)意解的速 度，從而提高以選取的參數(shù)配置的支持向量機(jī)進(jìn)行負(fù)荷預(yù)測(cè)的效率，而且在選取參數(shù)過(guò)程 中，獲取了訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負(fù) 荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果，優(yōu)化后使誤差值將至最低，以此提高 選取的參數(shù)的準(zhǔn)確性，從而降低支持向量機(jī)模型在實(shí)際預(yù)測(cè)時(shí)的預(yù)測(cè)誤差，提高負(fù)荷預(yù)測(cè) 的精度。
[0068]在其中一個(gè)實(shí)施例中，在再度訓(xùn)練支持向量機(jī)的步驟之后，還包括以下步驟:將相 似日的負(fù)荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機(jī)，獲得再度訓(xùn)練后的支持向量機(jī)輸出的預(yù) 設(shè)天數(shù)的負(fù)荷數(shù)據(jù)，并獲取再度訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)與相似日 之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值。
[0069] 在本實(shí)施例中，可以利用歷史數(shù)據(jù)來(lái)對(duì)再度訓(xùn)練后的支持向量機(jī)進(jìn)行測(cè)試，獲得 再度訓(xùn)練后的支持向量機(jī)的預(yù)測(cè)誤差值，以此來(lái)判斷再度訓(xùn)練后的支持向量機(jī)進(jìn)行負(fù)荷預(yù) 測(cè)的精度。
[0070] 在其中一個(gè)實(shí)施例中，負(fù)荷預(yù)測(cè)方法主要由兩部分構(gòu)成：
[0071] 1)基于支持向量機(jī)和相似日的預(yù)測(cè)算法:采用支持向量機(jī)作為負(fù)荷預(yù)測(cè)的基礎(chǔ)模 型，核函數(shù)選擇為徑向基函數(shù)，并引入相似日選取作為數(shù)據(jù)預(yù)處理的主要部分；
[0072] 徑向基核函數(shù)如下式
[0074] 其中，Xi和Xj為任意兩個(gè)輸入量，e為自然底數(shù);參數(shù)σ為待定參數(shù)，其大小將在參數(shù) 優(yōu)化算法中進(jìn)行調(diào)整；
[0075] 2)對(duì)預(yù)測(cè)算法的參數(shù)取值的參數(shù)優(yōu)化算法:為解決相似度閾值以及支持向量機(jī)參 數(shù)的選取問(wèn)題，選取云遺傳算法對(duì)其進(jìn)行優(yōu)化，云遺傳算法優(yōu)化的效果以支持向量機(jī)模型 對(duì)歷史數(shù)據(jù)的擬合程度為判斷依據(jù)。
[0076]預(yù)測(cè)算法包括以下步驟：
[0077] 1、選定支持向量機(jī)的參數(shù)；
[0078] 2、把實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)進(jìn)行比對(duì)，在一定相似度閾值下篩選出一組相似日；
[0079] 其中，實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)的相似度采用以下計(jì)算方法：
[0081]式中，Sim表示實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)的相似度，X表示實(shí)時(shí)功率數(shù)據(jù)構(gòu)成的行向量， y表示歷史功率數(shù)據(jù)構(gòu)成的行向量，T為轉(zhuǎn)置符號(hào)；
[0082] 3、把該組相似日的功率數(shù)據(jù)作為輸入，各相似日的后三天(天數(shù)可以根據(jù)需要設(shè) 置)的功率數(shù)據(jù)作為輸出，用以訓(xùn)練支持向量機(jī)模型；
[0083] 4、取所得相似日的一部分(比如，取5個(gè)相似日）用以計(jì)算步驟3得到的支持向量機(jī) 模型的擬合效果，其中，選取的相似日的功率數(shù)據(jù)作為輸入，然后用模型輸出的功率數(shù)據(jù)與 各相似日的后三天的功率數(shù)據(jù)作誤差分析，包括平均絕對(duì)百分比誤差和均方根相對(duì)誤差， 相關(guān)公式如下：
[0084] 一、平均絕對(duì)百分比誤差εΜΑΡΕ計(jì)算公式為
[0086]其中，η為用作誤差分析的負(fù)荷值個(gè)數(shù)，Yi為i時(shí)刻預(yù)測(cè)負(fù)荷值，yi為i時(shí)刻實(shí)際負(fù)荷 值，yN為被預(yù)測(cè)對(duì)象(風(fēng)電/光伏/負(fù)荷)的額定功率；
[0087]二、均方根相對(duì)誤差￡rmse計(jì)算公式為
[0089]各物理量含義與平均絕對(duì)百分比誤差emape計(jì)算公式中的相同；
[0090]三、總體誤差值ε計(jì)算公式為
[0092]參數(shù)優(yōu)化算法包括以下步驟：
[0093] 1、取相似度閾值為0.9，支持向量機(jī)的參數(shù)作為云遺傳算法的自變量，各變量取值 范圍皆為(0,100)，云遺傳算法的種群大小為100;
[0094] 2、各個(gè)自變量根據(jù)各自的取值區(qū)間均勻取值，得到各個(gè)個(gè)體，形成初始種群；
[0095] 3、把各個(gè)個(gè)體分別代入預(yù)測(cè)算法，得到訓(xùn)練好的支持向量機(jī)模型及其誤差值，該 誤差值的倒數(shù)即為適應(yīng)度值；
[0096] 4、基于輪盤(pán)賭方法的選擇操作，選出一部分個(gè)體；
[0097] 5、對(duì)所選出的個(gè)體進(jìn)行基于條件云的交叉操作；
[0098] 6、對(duì)所選出的個(gè)體進(jìn)行基于基本云的變異操作；
[0099] 7、判斷是否滿(mǎn)足終止條件，若滿(mǎn)足則輸出最優(yōu)個(gè)體，否則回到步驟3;
[0100] 其中，滿(mǎn)足以下任一規(guī)則即視為滿(mǎn)足終止條件：
[0101] (1)最大迭代次數(shù)為1〇〇;
[0102] (2)最優(yōu)個(gè)體的適應(yīng)度在兩次連續(xù)迭代過(guò)程中變化不超過(guò)10-8。
[0103] 在實(shí)際進(jìn)行預(yù)測(cè)時(shí)，將最優(yōu)個(gè)體也即最優(yōu)各參數(shù)輸入預(yù)測(cè)算法，得到再度訓(xùn)練好 的支持向量機(jī)模型，把實(shí)時(shí)數(shù)據(jù)輸入，便可得到未來(lái)三天的預(yù)測(cè)功率數(shù)據(jù)。
[0104] 條件云和基本云基于正態(tài)云模型。正態(tài)云模型是一個(gè)遵循正態(tài)分布規(guī)律、具有穩(wěn) 定傾向的隨機(jī)數(shù)集，用期望值Ex、熵Εη、超熵He三個(gè)數(shù)值來(lái)表征。
[0105] 參照?qǐng)D3,其為本發(fā)明的負(fù)荷預(yù)測(cè)方法對(duì)一個(gè)水泥廠的發(fā)電功率的實(shí)際預(yù)測(cè)效果， 虛線為預(yù)測(cè)功率，實(shí)線為實(shí)際功率。經(jīng)誤差分析可得，其均方根相對(duì)誤差為18.21%，平均絕 對(duì)百分比誤差為16.32%，具有較高的計(jì)算精度。在對(duì)同一預(yù)測(cè)對(duì)象進(jìn)行多次計(jì)算，結(jié)果表 明，云遺傳算法優(yōu)化的支持向量機(jī)模型平均在30次迭代后得到最優(yōu)模型，收斂速度較快。
[0106] 本發(fā)明涉及三種云發(fā)生器：
[0107] 1)基本云發(fā)生器，包括以下步驟：
[0108] 步驟 1:輸入 Ex、En、He;
[0109] 步驟2:生成期望值為En、方差為He的正態(tài)隨機(jī)數(shù)Εη' ；
[0110] 步驟3:生成期望值為Εη'、方差為He的正態(tài)隨機(jī)數(shù)X;
[0111] 步驟4:計(jì)算確定度
[0113] 步驟5:輸出云滴(χ，μ);
[0114] 2)Χ條件云發(fā)生器，包括以下步驟：
[0?15] 步驟1:輸入Ex、En、He，以及論域上特定的值Χ0;
[0116] 步驟2:生成期望值為En、方差為He的正態(tài)隨機(jī)數(shù)En' ；
[0117] 步驟3:計(jì)算確定度
[0119] 步驟4:輸出云滴(χο，μ);
[0120] 3)Υ條件云發(fā)生器，包括以下步驟：
[0121] 步驟1:輸入Ex、En、He，以及特定的確定度μ〇;
[0122] 步驟2:生成期望值為Εη、方差為He的正態(tài)隨機(jī)數(shù)En' ；
[0123] 步驟3:計(jì)算X值
[0125] 步驟5:輸出云滴(χ，μ〇)。
[0126] 參數(shù)優(yōu)化算法中，基于條件云的交叉操作，對(duì)于任何一組用于交叉的兩個(gè)個(gè)體，對(duì) 個(gè)體的每個(gè)變量作以下運(yùn)算：
[0127] 1、特征數(shù)值Ex、En、He計(jì)算如下
[0128] Ex = Fmax
[0131 ]其中，F(xiàn)max和Fmin分別為適應(yīng)度的最大和最小值；
[0132] 2、XQ取交叉操作的兩個(gè)個(gè)體中較大的適應(yīng)度，利用X條件云發(fā)生器生成一個(gè)云滴， 并得到相應(yīng)的確定度μ〇;
[0133] 3、特征數(shù)值Ex、En、He計(jì)算如下
[0137] 其中，X#PXm分別為交叉操作的父?jìng)€(gè)體和母?jìng)€(gè)體的某一變量，span為該變量的取值 區(qū)間長(zhǎng)度，F(xiàn)#PF m則分別對(duì)應(yīng)它們的適應(yīng)度，pop為種群大小；
[0138] 4、結(jié)合上述算得的確定度μ〇，利用Y條件云發(fā)生器生成一對(duì)云滴，作為本交叉操作 得到的一對(duì)兒女的相應(yīng)變量。
[0139] 參數(shù)優(yōu)化算法中，基于基本云的變異操作，對(duì)于任何一個(gè)用于變異操作的個(gè)體，對(duì) 任一變量辦作以下運(yùn)算：
[0140] 1、特征數(shù)值Ex、En、He計(jì)算如下
[0141] Ex = xP
[0144]其中span (xP)表示變量xP的取值區(qū)間長(zhǎng)度，pop為種群大小；
[0145] 2、利用基本云發(fā)生器生成一個(gè)云滴(χ，μ);
[0146] 3、生成服從[0,1]區(qū)間均勾分布的隨機(jī)數(shù)rand，當(dāng)y>rand時(shí)，更新個(gè)體，也即取χ Ρ =χ〇
[0147] 根據(jù)上述支持向量機(jī)的參數(shù)選取方法，本發(fā)明還提供一種支持向量機(jī)的參數(shù)選取 系統(tǒng)，以下就本發(fā)明的支持向量機(jī)的參數(shù)選取系統(tǒng)的實(shí)施例進(jìn)行詳細(xì)說(shuō)明。
[0148] 參見(jiàn)圖4所示，為本發(fā)明的支持向量機(jī)的參數(shù)選取系統(tǒng)的結(jié)構(gòu)示意圖。該實(shí)施例中 的支持向量機(jī)的參數(shù)選取系統(tǒng)包括以下單元：
[0149] 第一獲取單元310,用于獲取支持向量機(jī)的各參數(shù)的取值范圍和云遺傳算法的各 自變量，其中，支持向量機(jī)的各參數(shù)對(duì)應(yīng)云遺傳算法的各自變量；
[0150] 生成單元320、用于根據(jù)對(duì)應(yīng)的各參數(shù)的取值范圍對(duì)各自變量均勻取值，形成初始 種群，其中，初始種群中包括多個(gè)個(gè)體，個(gè)體包括取值后的各自變量；
[0151] 第一訓(xùn)練單元330,用于針對(duì)每個(gè)個(gè)體，根據(jù)取值后的各自變量配置支持向量機(jī)， 獲取實(shí)時(shí)負(fù)荷數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)以及實(shí)時(shí)負(fù)荷數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)之間的相似度，從歷 史負(fù)荷數(shù)據(jù)中篩選出相似日的負(fù)荷數(shù)據(jù)，其中，相似日的負(fù)荷數(shù)據(jù)與實(shí)時(shí)負(fù)荷數(shù)據(jù)的相似 度大于預(yù)設(shè)值;將相似日的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸入，將對(duì)應(yīng)相似日之后的預(yù)設(shè)天 數(shù)的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸出，用以訓(xùn)練支持向量機(jī)；
[0152] 第二獲取單元340,將相似日的負(fù)荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機(jī)，獲得訓(xùn)練后 的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)，并獲取訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的 負(fù)荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值；
[0153] 云操作單元350,選取初始種群中的部分個(gè)體，以選取的各個(gè)體對(duì)應(yīng)的誤差值的倒 數(shù)作為適應(yīng)度值，根據(jù)選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度值，對(duì)選取的各個(gè)體進(jìn)行基于條件云的 交叉操作，獲得第一個(gè)體組;對(duì)第一個(gè)體組中的各個(gè)體進(jìn)行基于基本云的變異操作，獲得第 二個(gè)體組；
[0154] 判斷單元360,判斷第二個(gè)體組中是否有個(gè)體滿(mǎn)足終止條件，若是，則將該個(gè)體中 取值后的各自變量作為支持向量機(jī)的各參數(shù);若否，則返回至第一訓(xùn)練單元330。
[0155] 在其中一個(gè)實(shí)施例中，云操作單元350用于對(duì)于任何一組用于交叉的兩個(gè)個(gè)體，對(duì) 兩個(gè)個(gè)體中的每個(gè)變量作以下運(yùn)算：
[0156]
?計(jì)算第一特征數(shù)值，其中，Εχ、Εη和He為 第一特征數(shù)值，F(xiàn)majPFmin分別為選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度的最大值和最小值；
[0157] xo取交叉操作的兩個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度中的較大值，將xo以及Ex、En和He輸入至X 條件云發(fā)生器，獲得第一確定度；
[0158]
算第二特征數(shù) 值，其中，Ex '、En '和He '為第二特征數(shù)值，xf和xm分別為交叉操作的兩個(gè)個(gè)體中對(duì)應(yīng)的同一 種變量，span為同一種變量的取值區(qū)間長(zhǎng)度，F(xiàn)f和Fm分別為兩個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度，pop為種 群大??；
[0159]將第一確定度以及Ex '、En '和He '輸入至Y條件云發(fā)生器，獲得與同一變量對(duì)應(yīng)的 第一子變量和第二子變量，用第一子變量替換Xf，用第二子變量替換Xm。
[0160]在其中一個(gè)實(shí)施例中，云操作單元用于對(duì)于任何一個(gè)用于變異操作的個(gè)體，對(duì)該 個(gè)體中的任一變量Xp作以下運(yùn)算：
[0161]
'計(jì)算第三特征數(shù)值，其中，Ex"、 En"和He"為第三特征數(shù)值，span (xP)表示變量xP的取值區(qū)間長(zhǎng)度，pop為種群大?。?br>[0162] 將Ex"、En"和He"輸入至基本云發(fā)生器，獲得與變量xP對(duì)應(yīng)的第三子變量和第二確 定度，生成服從[0，1]區(qū)間均勻分布的隨機(jī)數(shù)，當(dāng)?shù)诙_定度大于隨機(jī)數(shù)時(shí)，用第三子變量 替換變量x p。
[0163] 在其中一個(gè)實(shí)施例中，云操作單元350用于基于輪盤(pán)賭方法的選擇方式選取初始 種群中的部分個(gè)體。
[0164] 本發(fā)明的支持向量機(jī)的參數(shù)選取系統(tǒng)與本發(fā)明的支持向量機(jī)的參數(shù)選取方法一 一對(duì)應(yīng)，在上述支持向量機(jī)的參數(shù)選取方法的實(shí)施例闡述的技術(shù)特征及其有益效果均適用 于支持向量機(jī)的參數(shù)選取系統(tǒng)的實(shí)施例中。
[0165] 根據(jù)上述負(fù)荷預(yù)測(cè)方法，本發(fā)明還提供一種負(fù)荷預(yù)測(cè)系統(tǒng)，以下就本發(fā)明的負(fù)荷 預(yù)測(cè)系統(tǒng)的實(shí)施例進(jìn)行詳細(xì)說(shuō)明。
[0166] 參見(jiàn)圖5所示，為本發(fā)明的負(fù)荷預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)示意圖。該實(shí)施例中的負(fù)荷預(yù)測(cè)系 統(tǒng)包括上述支持向量機(jī)的參數(shù)選取系統(tǒng)和以下單元：
[0167] 配置單元410,用于根據(jù)上述的支持向量機(jī)的參數(shù)選取系統(tǒng)選取的支持向量機(jī)的 參數(shù)對(duì)支持向量機(jī)進(jìn)行配置；
[0168] 第二訓(xùn)練單元420,將相似日的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸入，將對(duì)應(yīng)相似日之 后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)作為支持向量機(jī)的輸出，用以再度訓(xùn)練支持向量機(jī)；
[0169] 第三獲取單元430,用于將實(shí)時(shí)負(fù)荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機(jī)，獲得對(duì) 應(yīng)實(shí)時(shí)負(fù)荷數(shù)據(jù)的日期之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)。
[0170] 在其中一個(gè)實(shí)施例中，如圖6所示，負(fù)荷預(yù)測(cè)系統(tǒng)還包括第四獲取單元440,用于將 相似日的負(fù)荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機(jī)，獲得再度訓(xùn)練后的支持向量機(jī)輸出的 預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)，并獲取再度訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)與相似 日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值。
[0171] 本發(fā)明的負(fù)荷預(yù)測(cè)系統(tǒng)與本發(fā)明的負(fù)荷預(yù)測(cè)方法一一對(duì)應(yīng)，在上述負(fù)荷預(yù)測(cè)方法 的實(shí)施例闡述的技術(shù)特征及其有益效果均適用于負(fù)荷預(yù)測(cè)系統(tǒng)的實(shí)施例中。
[0172] 在本發(fā)明中，"第一"、"第二"等序數(shù)詞只是為了對(duì)所涉及的對(duì)象進(jìn)行區(qū)分，并不是 對(duì)對(duì)象本身進(jìn)行限定。
[0173] 以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡(jiǎn)潔，未對(duì)上述實(shí) 施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存 在矛盾，都應(yīng)當(dāng)認(rèn)為是本說(shuō)明書(shū)記載的范圍。
[0174]以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并 不能因此而理解為對(duì)發(fā)明專(zhuān)利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來(lái) 說(shuō)，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù) 范圍。因此，本發(fā)明專(zhuān)利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種支持向量機(jī)的參數(shù)選取方法，其特征在于，包括W下步驟： 獲取支持向量機(jī)的各參數(shù)的取值范圍和云遺傳算法的各自變量，其中，所述支持向量 機(jī)的各參數(shù)對(duì)應(yīng)云遺傳算法的各自變量； 根據(jù)對(duì)應(yīng)的各參數(shù)的取值范圍對(duì)各所述自變量均勻取值，形成初始種群，其中，所述初 始種群中包括多個(gè)個(gè)體，所述個(gè)體包括取值后的各所述自變量； 針對(duì)每個(gè)個(gè)體，根據(jù)取值后的各所述自變量配置所述支持向量機(jī)，獲取實(shí)時(shí)負(fù)荷數(shù)據(jù) 和歷史負(fù)荷數(shù)據(jù)W及所述實(shí)時(shí)負(fù)荷數(shù)據(jù)和所述歷史負(fù)荷數(shù)據(jù)之間的相似度，從所述歷史負(fù) 荷數(shù)據(jù)中篩選出相似日的負(fù)荷數(shù)據(jù)，其中，所述相似日的負(fù)荷數(shù)據(jù)與所述實(shí)時(shí)負(fù)荷數(shù)據(jù)的 相似度大于預(yù)設(shè)值;將所述相似日的負(fù)荷數(shù)據(jù)作為所述支持向量機(jī)的輸入，將對(duì)應(yīng)所述相 似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)作為所述支持向量機(jī)的輸出，用W訓(xùn)練所述支持向量機(jī)； 將所述相似日的負(fù)荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機(jī)，獲得訓(xùn)練后的支持向量機(jī)輸出的預(yù) 設(shè)天數(shù)的負(fù)荷數(shù)據(jù)，并獲取所述訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)與所述相 似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值； 選取所述初始種群中的部分個(gè)體，W選取的各個(gè)體對(duì)應(yīng)的誤差值的倒數(shù)作為適應(yīng)度 值，根據(jù)選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度值，對(duì)選取的各個(gè)體進(jìn)行基于條件云的交叉操作，獲得 第一個(gè)體組;對(duì)所述第一個(gè)體組中的各個(gè)體進(jìn)行基于基本云的變異操作，獲得第二個(gè)體組； 判斷所述第二個(gè)體組中是否有個(gè)體滿(mǎn)足終止條件，若是，則將該個(gè)體中取值后的各所 述自變量作為所述支持向量機(jī)的各參數(shù);若否，則返回至所述針對(duì)每個(gè)個(gè)體，根據(jù)取值后的 各所述自變量配置所述支持向量機(jī)的步驟。2. 根據(jù)權(quán)利要求1所述的支持向量機(jī)的參數(shù)選取方法，其特征在于，所述對(duì)選取的各個(gè) 體進(jìn)行基于條件云的交叉操作的步驟包括W下步驟： 對(duì)于任何一組用于交叉的兩個(gè)個(gè)體，對(duì)兩個(gè)個(gè)體中的每個(gè)變量作W下運(yùn)算： 根據(jù)1^算第一特征數(shù)值，其中，6義、611和化為第一 特征數(shù)值，F(xiàn)max和Fmin分別為選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度的最大值和最小值； X0取交叉操作的兩個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度中的較大值，將xoW及Ex、En和化輸入至X條件 云發(fā)生器，獲得第一確定度； 根捐計(jì)算第二特征數(shù)值， 其中，Ex'、En'和化'為第二特征數(shù)值，xf和xm分別為交叉操作的兩個(gè)個(gè)體中對(duì)應(yīng)的同一種變 量，span為所述同一種變量的取值區(qū)間長(zhǎng)度，F(xiàn)f和Fm分別為兩個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度，pop為所 述種群大??； 將所述第一確定度W及所述Ex'、化'和化'輸入至Y條件云發(fā)生器，獲得與所述同一變 量對(duì)應(yīng)的第一子變量和第二子變量，用所述第一子變量替換Xf，用所述第二子變量替換Xm。3. 根據(jù)權(quán)利要求1所述的支持向量機(jī)的參數(shù)選取方法，其特征在于，所述對(duì)所述第一個(gè) 體組中的各個(gè)體進(jìn)行基于基本云的變異操作的步驟包括W下步驟： 對(duì)于任何一個(gè)用于變異操作的個(gè)體，對(duì)該個(gè)體中的任一變量Xp作W下運(yùn)算： 根據(jù)Ex" =xp計(jì)算第Ξ特征數(shù)值，其中，Ex"、En"和He" 為第Ξ特征數(shù)值，span (xp)表示變量xp的取值區(qū)間長(zhǎng)度，pop為所述種群大??； 將所述Ex"、En"和化"輸入至基本云發(fā)生器，獲得與變量xp對(duì)應(yīng)的第Ξ子變量和第二確 定度，生成服從[0，1 ]區(qū)間均勻分布的隨機(jī)數(shù)，當(dāng)所述第二確定度大于所述隨機(jī)數(shù)時(shí)，用第 Ξ子變量替換所述變量xp。4. 根據(jù)權(quán)利要求1至3中任意一項(xiàng)所述的支持向量機(jī)的參數(shù)選取方法，其特征在于，所 述選取所述初始種群中的部分個(gè)體的步驟包括W下步驟： 基于輪盤(pán)賭方法的選擇方式選取所述初始種群中的部分個(gè)體。5. -種負(fù)荷預(yù)測(cè)方法，其特征在于，包括W下步驟： 根據(jù)如權(quán)利要求1至4中任意一項(xiàng)所述的支持向量機(jī)的參數(shù)選取方法選取所述支持向 量機(jī)的參數(shù)，根據(jù)選取的所述支持向量機(jī)的參數(shù)對(duì)所述支持向量機(jī)進(jìn)行配置； 將所述相似日的負(fù)荷數(shù)據(jù)作為所述支持向量機(jī)的輸入，將對(duì)應(yīng)所述相似日之后的預(yù)設(shè) 天數(shù)的負(fù)荷數(shù)據(jù)作為所述支持向量機(jī)的輸出，用W再度訓(xùn)練所述支持向量機(jī)； 將所述實(shí)時(shí)負(fù)荷數(shù)據(jù)輸入至所述再度訓(xùn)練后的支持向量機(jī)，獲得對(duì)應(yīng)所述實(shí)時(shí)負(fù)荷的 日期之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)。6. -種支持向量機(jī)的參數(shù)選取系統(tǒng)，其特征在于，包括W下單元： 第一獲取單元，用于獲取支持向量機(jī)的各參數(shù)的取值范圍和云遺傳算法的各自變量， 其中，所述支持向量機(jī)的各參數(shù)對(duì)應(yīng)云遺傳算法的各自變量； 生成單元，用于根據(jù)對(duì)應(yīng)的各參數(shù)的取值范圍對(duì)各所述自變量均勻取值，形成初始種 群，其中，所述初始種群中包括多個(gè)個(gè)體，所述個(gè)體包括取值后的各所述自變量； 第一訓(xùn)練單元，用于針對(duì)每個(gè)個(gè)體，根據(jù)取值后的各所述自變量配置所述支持向量機(jī)， 獲取實(shí)時(shí)負(fù)荷數(shù)據(jù)和歷史負(fù)荷數(shù)據(jù)W及所述實(shí)時(shí)負(fù)荷數(shù)據(jù)和所述歷史負(fù)荷數(shù)據(jù)之間的相 似度，從所述歷史負(fù)荷數(shù)據(jù)中篩選出相似日的負(fù)荷數(shù)據(jù)，其中，所述相似日的負(fù)荷數(shù)據(jù)與所 述實(shí)時(shí)負(fù)荷數(shù)據(jù)的相似度大于預(yù)設(shè)值;將所述相似日的負(fù)荷數(shù)據(jù)作為所述支持向量機(jī)的輸 入，將對(duì)應(yīng)所述相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)作為所述支持向量機(jī)的輸出，用W訓(xùn)練 所述支持向量機(jī)； 第二獲取單元，將所述相似日的負(fù)荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機(jī)，獲得訓(xùn)練后的 支持向量機(jī)輸出的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)，并獲取所述訓(xùn)練后的支持向量機(jī)輸出的預(yù)設(shè)天數(shù) 的負(fù)荷數(shù)據(jù)與所述相似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)之間的誤差值； 云操作單元，選取所述初始種群中的部分個(gè)體，W選取的各個(gè)體對(duì)應(yīng)的誤差值的倒數(shù) 作為適應(yīng)度值，根據(jù)選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度值，對(duì)選取的各個(gè)體進(jìn)行基于條件云的交 叉操作，獲得第一個(gè)體組;對(duì)所述第一個(gè)體組中的各個(gè)體進(jìn)行基于基本云的變異操作，獲得 第二個(gè)體組； 判斷單元，判斷所述第二個(gè)體組中是否有個(gè)體滿(mǎn)足終止條件，若是，則將該個(gè)體中取值 后的各所述自變量作為所述支持向量機(jī)的各參數(shù);若否，則返回至所述第一訓(xùn)練單元。7. 根據(jù)權(quán)利要求6所述的支持向量機(jī)的參數(shù)選取系統(tǒng)，其特征在于，所述云操作單元用 于對(duì)于任何一組用于交叉的兩個(gè)個(gè)體，對(duì)兩個(gè)個(gè)體中的每個(gè)變量作W下運(yùn)算： 根巧^算第一特征數(shù)值，其中，Ex、En和He為第一 特征數(shù)值，F(xiàn)max和Fmin分別為選取的各個(gè)體對(duì)應(yīng)的適應(yīng)度的最大值和最小值； xo取交叉操作的兩個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度中的較大值，將xoW及Ex、En和化輸入至X條件 云發(fā)生器，獲得第一確定度； 根據(jù)計(jì)算第二特征數(shù)值， 其中，Ex'、En'和化'為第二特征數(shù)值，xf和xm分別為交叉操作的兩個(gè)個(gè)體中對(duì)應(yīng)的同一種變 量，span為所述同一種變量的取值區(qū)間長(zhǎng)度，F(xiàn)f和Fm分別為兩個(gè)個(gè)體對(duì)應(yīng)的適應(yīng)度，pop為所 述種群大?。? 將所述第一確定度W及所述Ex'、化'和化'輸入至Y條件云發(fā)生器，獲得與所述同一變 量對(duì)應(yīng)的第一子變量和第二子變量，用所述第一子變量替換Xf，用所述第二子變量替換Xm。8. 根據(jù)權(quán)利要求6所述的支持向量機(jī)的參數(shù)選取系統(tǒng)，其特征在于，所述云操作單元用 于對(duì)于任何一個(gè)用于變異操作的個(gè)體，對(duì)該個(gè)體中的任一變量Xp作W下運(yùn)算： 根賽十算第Ξ特征數(shù)值，其中，Ex"、En"和 He"為第Ξ特征數(shù)值，span (xp)表示變量xp的取值區(qū)間長(zhǎng)度，pop為所述種群大??； 將所述Ex"、En"和化"輸入至基本云發(fā)生器，獲得與變量xp對(duì)應(yīng)的第Ξ子變量和第二確 定度，生成服從[0，1 ]區(qū)間均勻分布的隨機(jī)數(shù)，當(dāng)所述第二確定度大于所述隨機(jī)數(shù)時(shí)，用第 Ξ子變量替換所述變量xp。9. 根據(jù)權(quán)利要求6至8中任意一項(xiàng)所述的支持向量機(jī)的參數(shù)選取系統(tǒng)，其特征在于，所 述云操作單元用于基于輪盤(pán)賭方法的選擇方式選取所述初始種群中的部分個(gè)體。10. -種負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于，包括如權(quán)利要求6至9中任意一項(xiàng)所述的支持向量 機(jī)的參數(shù)選取系統(tǒng)和W下單元： 配置單元，用于根據(jù)如6至9中任意一項(xiàng)所述的支持向量機(jī)的參數(shù)選取系統(tǒng)選取的所述 支持向量機(jī)的參數(shù)對(duì)所述支持向量機(jī)進(jìn)行配置； 第二訓(xùn)練單元，將所述相似日的負(fù)荷數(shù)據(jù)作為所述支持向量機(jī)的輸入，將對(duì)應(yīng)所述相 似日之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)作為所述支持向量機(jī)的輸出，用W再度訓(xùn)練所述支持向量 機(jī)； 第Ξ獲取單元，用于將所述實(shí)時(shí)負(fù)荷數(shù)據(jù)輸入至所述再度訓(xùn)練后的支持向量機(jī)，獲得 對(duì)應(yīng)所述實(shí)時(shí)負(fù)荷數(shù)據(jù)的日期之后的預(yù)設(shè)天數(shù)的負(fù)荷數(shù)據(jù)。
【文檔編號(hào)】G06N3/12GK106096771SQ201610402774
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年6月7日
【發(fā)明人】莫文雄, 王勇, 欒樂(lè), 黃裕春, 許中, 伍衡, 崔曉飛, 馬智遠(yuǎn), 譚子健, 肖天為, 范旭娟, 文昊
【申請(qǐng)人】廣州供電局有限公司