CN109657869A - 基于ssa-lssvm的高纬度严寒地区变电站lcc预测模型 - Google Patents
基于ssa-lssvm的高纬度严寒地区变电站lcc预测模型 Download PDFInfo
- Publication number
- CN109657869A CN109657869A CN201811605414.1A CN201811605414A CN109657869A CN 109657869 A CN109657869 A CN 109657869A CN 201811605414 A CN201811605414 A CN 201811605414A CN 109657869 A CN109657869 A CN 109657869A
- Authority
- CN
- China
- Prior art keywords
- lcc
- substation
- ssa
- parameter
- lssvm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000000694 effects Effects 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 10
- 239000002689 soil Substances 0.000 claims description 10
- 238000005553 drilling Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 238000009472 formulation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010835 comparative analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 20
- 239000013598 vector Substances 0.000 description 19
- 238000010276 construction Methods 0.000 description 16
- 230000014509 gene expression Effects 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 8
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 108010053481 Antifreeze Proteins Proteins 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002528 anti-freeze Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005243 fluidization Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力技术领域,尤其涉及一种基于SSA‑LSSVM的高纬度严寒地区变电站LCC预测模型。包括如下步骤:设置参数;初始化种群;适应度函数;开始优化;完成优化。本发明采用SSA算法寻找LCC预测模型参数的全局最优解,将所得到的最优参数组合作为LS‑SVM的参数,有利于预测模型精度的提高。并建立基于SSA算法优化变电站LCC预测模型。本发明通过算例,与其它预测模型的预测结果进行对比分析,验证了SSA优化LS‑SVM预测模型性能的优越性,可以在新建变电站时,实现快速且精度高的变电站LCC预测,有助于实现高纬度严寒地区变电站的经济技术评估。
Description
技术领域
本发明属于电力技术领域,尤其涉及一种基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型。
背景技术
随着我国大规模远距离输电网的建设,高纬度严寒地区的变电站的建设日益增多,高纬度严寒地区由于低温、冻土等特有环境气候条件导致其变电站建设初期投资成本明显高于其它地区且影响后期运维成本,亟需建立适应于高纬度严寒地区的变电站LCC预测模型,以提高电网资产管理效率。
中国的变电站投资建设多以全过程管理为主,即只重视各部门自身利益,依靠节约的方式降低变电站的建设成本,而往往忽略了变电站的后期运维成本、故障检修成本以及技改或报废成本等,致使我国大多数变电站项目管理出现效率较低,长期处于高成本、低收益的状况。为改变这种情况,需要从长远角度来规划指导变电站的建设。
全寿命周期成本,简称LCC,理论应用于变电站的建设中,在保障可靠性的前提下,可以将变电站项目建设运营周期内所有费用作为整体进行考虑,并平衡各个阶段的成本,从而最终降低变电站项目的整个寿命周期成本,提高变电站项目的经济性。
现有技术中如:
1、池建昆,陈亮。电力设备资产全寿命周期管理研究与探讨[J],会计之友,2011(36):80-82。
通过制定和执行一些实用性强且有针对性的政策、法规,来科学管理资金的投入,从初始投资成本和后期维护成本两个角度出发寻求性价比最高的电力设备。
2、易永辉,王坤,王震学,陶永健,刘永欣,牛强,姜帅。基于全寿命周期管理的智能变电站应用方案研究[J].电力系统保护与控制,2010,38(13):99-103。
基于全寿命周期管理理论设计了一种智能变电站应用方案显著提高系统集成度,减少运行维护费用,并降低变电站自动化系统全寿命周期成本。然而,由于中国现行的变电站投资机制和运行管理机制的局限,LCC技术要实现完全投入实践还需要一段时间,尤其是目前缺乏全面、精细的变电站LCC计算及预测数学模型。
3、杨西锋.高纬度严寒地区高速铁路路基防冻胀设计研究[J].铁道标准设计,2014,58(08):6-12.
朱岳梅,李炳熙,刘京,刘生军,赵志庆.高纬度严寒地区建筑容积率对局地热气候的影响[J].建筑科学,2012,28(06):78-83+91.
费万堂,马雨峰,王兰普,陈磊,王波,高昌炎.高寒地区抽水蓄能电站地下厂房施工期通风、保暖、散烟系统研究[J].水利水电技术,2017,48(04):90-98.
高纬度严寒地区(以下简称“高寒地区”)由于其低温期长、多风且风速大及冻土层深等特殊条件不利于变电站正常建设,并且对变电站的运维成本会产生较大的影响。如高寒地区冻土面积大且封冻时间长,冻土长时间处于封冻状态,在冬季较低的气温下结冰膨胀、夏季气温上升进而融化沉降,这些冻土区的存在使变电站的建设以及运维面临着很大程度的挑战。高寒地区还具有年际温差大、干湿交替频繁、冷融循环剧烈等不良条件,冬季的气温较全国其他地区而言偏低,且持续的时间长,如上述三篇文献。由于其特有的低温、冻土等条件,致使高纬度严寒地区变电站的建设施工成本以及运行维护成本远高于常规地区的变电站成本,而已有对变电站的LCC研究中均未考虑高寒地区的特殊条件。随着大规模远距离电力输送的发展,高寒地区变电站的建设日益增多,为了更好的管理变电站的投资建设,有必要针对高寒地区的变电站LCC进行专门的研究。
4、路石俊,内蒙古500kV变电站全生命周期成本管理研究[D].北京:华北电力大学,2010。
变电站寿命周期长,决定其LCC的基础数据获取难度大且实际数据搜集周期长。此外,随着全寿命周期成本的阶段划分精细化,导致计算量的增加且需消耗大量的人力物力,而人为主观因素对变电站成本的划分及核算有较大的影响,使得全寿命周期成本的核算结果客观性下降。因此,需要借助数学模型对变电站的LCC进行高效、合理的预测,以更好的指导变电站的规划建设及后期运维等,提高变电站LCC核算的实用性。随着智能算法的兴起,文献[7]采用非线性能力较为优异的神经网络来建立变电站LCC预测模型,选取了某些特征指标进行训练,解决了参数繁杂、估算难度大、客观性低等问题,预测模型有一定的效果。然而历史数据的匮乏导致变电站LCC建模符合小样本的特点,神经网络在小样本的情况下,容易陷入过拟合和局部最优,导致预测精度大为降低。
现在常用的有遗传算法、粒子群算法等常用算法工具对最小二乘支持向量机的参数进行寻优,但是此类方法在寻优过程中容易陷入局部最优的境地,导致无法得出最优值。
发明内容
针对上述现有技术存在的问题,本发明提出一种基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其目的是为了能够实现快速且精度高的变电站LCC预测,有助于实现高纬度严寒地区变电站的经济技术评估的发明目的。
为实现上述发明目的,本发明是通过以下技术方案实现的:
基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,包括如下步骤:
第一步.设置参数;
第二步.初始化种群;
第三步.构造适应度函数;
第四步.开始优化;
第五步.完成优化。
所述第一步.设置参数;SSA的参数包括:搜索代理的数量SearchAgents_no、最大迭代次数Max_iteration、变量个数dim、上界ub=[ub1、ub2、ub3、…、ubn-1、ubn]和下界lb=[lb1,lb2,lb3,…lbn-1,lbn]属于变量;SearchAgents_no=50;Max_iteration=300;dim=2;ub=[1000;2000];lb=[1;1]。
所述第二步.初始化种群;在设置了五个基本参数之后,通过方程公式(10)生成随机salp种群作为迭代的开始,并且迭代的初始值设为1:
S(i,j)=rand(i,j)×(ub(i)-lb(i))+lb(i) (10)。
所述第三步.构造适应度函数;是利用所提出的SSA-LSSVM模型对变电站LCC进行预测,利用SSA方法得到LSSVM模型的两个最优参数,并将这两个参数输入LSSVM模型对变电站LCC进行预测,而适应度函数是基于用平均绝对误差MAE原理计算实际值与预测值之间的误差,如方程公式(11)所示:
公式(11)中,x(k)为变电站LCC实际值;是变电站LCC的预测值。
所述第四步.开始优化;在第一种群的初始值生成的基础上,计算所有salp的适应度,并将具有最佳适应度的salp的位置设置为变量F,并需要在每次迭代过程中设置;在识别出变量F之后,领导者和跟随者通过更新它们的位置,以获得全局最优值。
所述第五步.完成优化;在每次的迭代中可以得到最佳的salp位置和最佳适应度;当达到最大迭代次数时,迭代结束,然后对所有的适应度值进行排序并选出最优值,与此同时得到了与所选择的最优值对应的最佳slap位置;因此,LSSVM模型中最佳正规化参数“C”和RBF核函数的最佳带宽σ由SSA确定。
所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其特征是:包括以下步骤:
(1)数据预处理:
数据来源于国网下属某省级电网公司科技项目甲方提供,包括30组变电站全寿命周期成本相关参数:初始投资成本、变电站的运行年限、年平均最低气温、年平均风速、冻土深度、通货膨胀率、运行维护费率、年平均检修成本、年平均设备故障率、年故障中断功率、年平均故障修复成本、年平均故障修复时间、年平均停运时间、年平均非计划停电量、单位停电量赔偿费用、设备报废率和LCC总成本;变电站LCC相关参数对应编号见附表1;将27组数据分为2个部分,前23组数据作为训练样本,最后4组数据作为测试样本;
为了消除各个变电站LCC的参数由于量纲不同从而影响预测模型的预测速度和精度,在建模之前,首先对所有变电站的样本数据进行归一化处理,归一化公式如式(12):
上式(12)中:xi为样本初始值;为归一化后的值;xmax和xmin分别为每个样本数据的最大值和最小值;
(2)参数优化:
采用SSA优化LS-SVM建模,对样本集进行训练和预测,首先需要对模型参数组合C和σ进行寻优,即为找到适应度较小时所对应的模型参数的取值组合;与传统LS-SVM参数选取时采用网格搜索法,先粗略寻找最优参数组合,再进行精细的选择的方法不同,将采用SSA优化算法并选用RBF核函数,对LS-SVM预测模型参数进行寻优,表2为SSA优化寻优法所得到的模型参数C和σ组合值;
从SSA优化LSSVM的进化曲线中得出,当迭代次数为300次时终止,此时的适应度值MSE趋于平稳;并且从收敛曲线的变化中得出,SSA算法收敛效率高且运算速度快;因此,此时得到的LSSVM参数组合为最优的参数组合;
(3)预测结果展示与分析:
建立基于SSA优化的LS-SVM高寒地区变电站LCC预测模型,通过对由30组变电站组成的样本集进行训练以及预测,并将得到的预测值与变电站LCC的实际值进行对比,来评价模型的预测效果;
模型所预测结果与LCC实际值相比误差较小,贴近于变电站LCC的实际值,预测效果较优。
本发明的优点及有益效果是:
本发明采用SSA算法寻找LCC预测模型参数的全局最优解,将所得到的最优参数组合作为LS-SVM的参数,有利于预测模型精度的提高。并建立基于SSA算法优化变电站LCC预测模型。
本发明在考虑高纬度严寒地区特殊条件的基础上建立了基于SSA算法最小二乘支持向量机(SSA-LSSVM)的变电站LCC预测模型,选取变电站全寿命周期各阶段的具有代表性的指标作为预测模型输入向量,LCC总成本为输出向量,为保证算法收敛能力和模型预测精度使用SSA优化算法对参数组合进行寻优。通过算例,与其它预测模型的预测结果进行对比分析,验证了SSA优化LS-SVM预测模型性能的优越性,可以在新建变电站时,实现快速且精度高的变电站LCC预测,有助于实现高纬度严寒地区变电站的经济技术评估。
附图说明
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及具体实施方式对本发明作进一步的详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
图1是本发明SSA-LSSVM主要优化过程示意图;
图2是本发明SSA优化参数进化曲线图;
图3是本发明SSA-LSSVM模型预测值和实际值对比表。
具体实施方式
本发明是一种基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,下面采用对求解小样本、非线性和高维数据回归拟合能力高的支持向量机回归模型来建立高寒地区变电站LCC预测模型。
如文献:UkilA.Support Vector Machine[J]。Computer Science,2002,1(4):1-28。
UkilA.支持向量机[J]电脑科学,2002,1(4):1-28
Suykens JAK,Vandewalle J.Least Squares Support Vector MachineClassifiers[J]。Neural Processing Letters,1999,9(3):293-300。
Suykens JAK,Vandewalle J.最小二乘支持向量机分类[J].神经处理文章1999,9(3):293-300。
霍娟,孙晓伟,张明杰,电力负荷预测算法比较-随机森林与支持向量机[J/OL]。电力系统及其自动化学报:1-8。
朱昌明.基于一种新的核聚类方法生成RBF核的支持向量机(英文)[J]。上海海事大学学报,2017,38(04):93-100。
该预测模型的精度与参数选择关系密切。然而交叉验证、误差界等传统的参数选择法计算量较大,当数据样本过多时计算效率不高。相比而言,SSA算法全局搜索能力强、迭代效率高。因此本发明采用SSA算法寻找LCC预测模型参数的全局最优解,将所得到的最优参数组合作为LS-SVM的参数,有利于预测模型精度的提高。并建立基于SSA算法优化变电站LCC预测模型。
包括以下步骤:
1.最小二乘支持向量机。
2.基于SSA的LS-SVM高寒地区变电站LCC预测模型。
(1)高寒地区变电站LCC的LS-SVM模型。
(2)SSA优化LS-SVM预测模型。
3.算例分析。
(1)数据预处理。
(2)参数优化。
(3)预测结果展示与分析。
下面针对上述具体步骤进行详细的说明:
所述最小二乘支持向量机(LS-SVM)是二次损失函数下的支持向量机(SVM)。
如文献:
Suykens J A K,Vandewalle J.Least Squares Support Vector MachineClassifiers[J].Neural Processing Letters,1999,9(3):293-300.
Suykens JAK,Vandewalle J.最小二乘支持向量机分类器[J].神经处理快讯,1999,9(3):23-300
Baesens B,Viaene S,Gestel T V,et al.Least squares support vectormachine classifiers:an empirical evaluation[J].Access&Download Statistics,2000:1-16.
Baesens B,Viaene S,Gestel TV,等。最小二乘支持向量机分类:实证评价[J].访问和下载统计,2000,:1-16.
它通过将二次规划优化问题转化为简单的线性方程进行求解,具有模型简单、求解速度快、不损失精度等优点。
设训练样本集为为输入变量,y∈R是与样本对应的输出变量。通过函数式(1)构造学习机制,式中是输入向量,是输入样本从原空间向高维特征空间的映射,使得输入样本中的非线性回归问题转化为高维空间中的线性拟合问题,ω是权重向量,b是偏移值。
结构风险函数如式(2)所示,其中可以通过||ω||2控制模型的复杂度,而C是正规化参数,又称惩罚因子,表示超出误差样本的惩罚程度,Remp是经验风险系数。
上式(2)中:ω是权重向量。
根据结构风险最小化原理,且Remp可以表示为二次表达式,则回归问题最终可以描述为约束优化问题:
上式(3)、(4)中:ξ是误差松弛变量,i=1,2,…,l,其它符号表示同前述。
利用拉格朗日乘子和对偶变换方法对上述规划问题进行变换,可以得到下列拉格朗日函数,即无约束的最优化问题:
上式(5)中:符号表示同前述。
根据Karush Kuhn Tucker(KKT)条件可得回归模型系数的线性方程组:
上式(6)中:b是偏移值,Iv=[1,1,1,…,1]T包含l个元素;Ωij=K(xi,xj),i,j=1,2,…,l,其它符号表示同前述。
在LSSVM模型中可用的核函数包括Sigmoid核函数、多项式核函数和径向基函数RBF核函数。RBF核函数由于需要预置的参数少,适应实际问题,在许多实际问题中得到应用。因此,使用RBF函数作为LSSVM模型的核函数,即:
上式(7)中:σ为核宽度参数,其它符号表示同前述。
最终可以得到LS-SVM的数学模型:
上式(8)中:σ中,α和b可以通过最小二乘的方法获得。此外,为了提高预测模型的准确性,首先需要确定两个参数,即正规化参数C和核函数参数σ。本文将通过SSA方法搜索LSSVM模型的最优值“C”和“σ”,其它符号表示同前述。
所述高寒地区变电站LCC的LS-SVM模型:
LCC理论已逐步发展完善,然而其在变电站的管理中应用较晚,所以变电站的LCC数据积累较少且不全面,符合数据小样本特性。此外,变电站的LCC与各相关参数多为非线性的关系,因此可以通过LS-SVM算法建立变电站LCC预测模型。
在建立高寒地区的变电站LCC预测模型时,特征参数的选取至关重要。如果选取的参数过多,会导致计算量的增加,进而降低了算法的泛化能力,然而参数过少会使得预测精度降低。现有文献:徐玉琴等,电力变压器全寿命周期成本建模及其综合敏感性分析[J],华北电力大学学报:自然科学版,2014,41(6):80-87。对变电站重要设备变压器进行全寿命周期成本建模,并通过综合灵敏度分析系,得到各参数对全寿命周期成本的敏感度大小。现有文献:刘田,基于效能-全寿命周期成本的变电站经济性评价[D],杭州:浙江大学,2013。建立了变电站效能-成本评价体系,从全寿命周期的角度,分析了相关参数对变电站LCC的影响。本文在结合已有的研究成果基础上,根据高寒地区的特性选取具有代表性的16个变量作为LS-SVM的输入向量,并以变电站LCC总成本作为输出变量来建立高寒地区的变电站LCC预测模型。输入向量和输出向量的具体见表1。
根据最小二乘支持向量机算法理论,可得到变电站LCC的LS-SVM的回归支持向量机模型为:
上式(9)中:模型的预测输出结果是变电站LCC总成本,每个中间节点对应一个支持向量,其中,x1,x2,…,xn为输入变量。其它符号表示同前述。
所述SSA优化LS-SVM预测模型:基于RBF核函数的LS-SVM预测模型的精度主要取决于正则化参数C和核宽度σ。正则化参数用于调节置信范围以及经验风险的比例,如果C值偏大,则对LS-SVM训练中的误差惩罚也就偏大,容易使模型“过拟合”;若C值偏小,会降低模型的复杂度。核宽度主要对样本数据在高维特征空间中的分布复杂程度产生影响,如果该值偏大,则模型复杂度降低,也易使模型陷入“过拟合”的情况中,若该值偏小,则模型拟合曲线趋于光滑。
Seyedali Mirjalili根据salp的生活习性等提出了一种新的启发式优化方法,即基于salp链行为的SSA算法,Salp Swarm Algorithm:Abio-inspired optimizer forengineering design problems[J].Engineering Software.July 2017。即,Salp Swarm算法:一个工程设计问题的生物启发优化器[J]。工程软件。2017年7月。在SSA方法中,种群被划分出领导者,位于链的前部,其他作为追随者。领导者引导slap链,跟随者一个接一个的追随,对搜索空间展开全局搜索,全局优化能力强,不易陷入局部最优。
基于此,本发明为提高模型预测精度,利用SSA算法确定LSSVM模型的两个参数。提出了一种基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,具体包括如下步骤:
1)设置参数。SSA的主要参数包括:搜索代理的数量SearchAgents_no、最大迭代次数Max_iteration、变量个数dim、上界ub=[ub1、ub2、ub3、…、ubn-1、ubn]和下界lb=[lb1,lb2,lb3,…lbn-1,lbn]属于变量。在本发明中,SearchAgents_no=50;Max_iteration=300;dim=2;ub=[1000;2000];lb=[1;1]。
2)初始化种群。在设置了五个基本参数之后,通过方程公式(10)生成随机salp种群作为迭代的开始,并且迭代的初始值设为1。
S(i,j)=rand(i,j)×(ub(i)-lb(i))+lb(i) (10);
上式(10)中:符号表示同前述。
3)构造适应度函数。本发明利用所提出的SSA-LSSVM模型对变电站LCC进行预测。利用SSA方法得到LSSVM模型的两个最优参数,并将这两个参数输入LSSVM模型对变电站LCC进行预测。而适应度函数是基于用平均绝对误差MAE原理计算实际值与预测值之间的误差,如方程公式(11)所示:
公式(11)中,x(k)为变电站LCC实际值;是变电站LCC的预测值。
4)开始优化。在第一种群的初始值生成的基础上,计算所有salp的适应度,并将具有最佳适应度的salp的位置设置为变量F,并需要在每次迭代过程中设置。在识别出变量F之后,领导者和跟随者通过更新它们的位置,以获得全局最优值。
5)完成优化。在每次的迭代中可以得到最佳的salp位置和最佳适应度。当达到最大迭代次数时,迭代结束,然后对所有的适应度值进行排序并选出最优值,与此同时得到了与所选择的最优值对应的最佳slap位置。因此,LSSVM模型中最佳正规化参数“C”和RBF核函数的最佳带宽σ由SSA确定。
SSA-LSSVM方法用于高寒地区变电站LCC预测的主要优化过程如图1所示。
下面举例分析:
(1)数据预处理。
数据来源于国网下属某省级电网公司科技项目甲方提供,包括30组变电站全寿命周期成本相关参数:初始投资成本、变电站的运行年限、年平均最低气温、年平均风速、冻土深度、通货膨胀率、运行维护费率、年平均检修成本、年平均设备故障率、年故障中断功率、年平均故障修复成本、年平均故障修复时间、年平均停运时间、年平均非计划停电量、单位停电量赔偿费用、设备报废率和LCC总成本。变电站LCC相关参数对应编号见附表1。本文将27组数据分为2个部分,前23组数据作为训练样本,最后4组数据作为测试样本。
为了消除各个变电站LCC的参数由于量纲不同从而影响预测模型的预测速度和精度,所以本文在建模之前,首先对所有变电站的样本数据进行归一化处理,归一化公式如式(12)。
上式(12)中:xi为样本初始值;为归一化后的值;xmax和xmin分别为每个样本数据的最大值和最小值。
(2)参数优化。
采用SSA优化LS-SVM建模,对样本集进行训练和预测,首先需要对模型参数组合C和σ进行寻优,即为找到适应度较小时所对应的模型参数的取值组合。与传统LS-SVM参数选取时采用网格搜索法,先粗略寻找最优参数组合,再进行精细的选择的方法不同,本文将采用SSA优化算法并选用RBF核函数,对LS-SVM预测模型参数进行寻优,表2为SSA优化寻优法所得到的模型参数C和σ组合值。
图2为SSA优化LSSVM的进化曲线,从图2中可以看出,当迭代次数为300次时终止,此时的适应度值MSE趋于平稳。并且从收敛曲线的变化中可以看出,SSA算法收敛效率高且运算速度快。因此,此时得到的LSSVM参数组合为最优的参数组合。
(3)预测结果展示与分析。
本发明建立基于SSA优化的LS-SVM高寒地区变电站LCC预测模型,通过对由30组变电站组成的样本集进行训练以及预测,并将得到的预测值与变电站LCC的实际值进行对比,来评价本发明所提出的模型的预测效果。
从图3中可以看出,本发明模型所预测结果与LCC实际值相比误差较小,贴近于变电站LCC的实际值,预测效果较优。可以为待建变电站的LCC进行科学合理的评估,且评估结果精度高可参考性强。
为进一步说明本发明模型在对变电站LCC预测的优越性,现与GA优化LSSVM预测模型和传统LS-SVM预测模型进行对比。上述方法分别采用遗传算法和网格搜索法对参数进行寻优,并在此基础上,对相同的变电站样本集进行训练和预测。最终将得到的预测值与测试样本的实际值进行对比,并通过平均绝对百分误差值MAPE对模型的预测效果以及参数寻优时间进行评价分析。
从表3中可以看出,SSA优化LSSVM的性能指标平均绝对百分误差值MAPE为0.087%,远小于GA优化LSSVM的MAPE值1.892%以及传统的LS-SVM的MAPE值2.781%,从而可以看出SSA优化LS-SVM的预测模型具有更高的预测精度以及更高的适应性。
传统的LS-SVM预测模型中参数的选取采用网格搜索法,具有一定的盲目性,从而导致预测结果较差且寻优时间最长。而SSA优化LS-SVM预测模型相对于GA优化LS-SVM预测模型而言,全局搜索能力更强,可以有效的避免局部最优且求解速度更快。
为进一步验证对高寒地区变电站LCC预测时计及环境气候影响因素的必要性,本发明利用现有文献的预测模型对本文使用的高寒地区变电站的LCC数据样本进行训练和预测。该文献为:乔国华,郭路遥等。基于遗传优化最小二乘支持向量机的变电站全寿命周期成本预测模型[J]。中国电力,2015,48(11):142-148。与高寒地区不同,常规地区在变电站的规划建设期间不需要考虑气温等条件的影响,且后期运维中影响也相对较小。该文献中,构建了常规地区的变电站LCC预测模型,该模型引入15个输入变量以及1个输出变量即LCC总成本,然而其参数变量的选取主要涉及与LCC成本相关影响因素、经济技术性影响因素等,并未考虑特殊地区的独特条件,其对高寒地区变电站的适用性有待于进一步验证。本发明在他人研究基础上进一步考虑低温、冻土等特殊条件对变电站的建设及运维的影响,并构建了基于SSA-LSSVM的变电站预测模型,为验证引入低温、冻土等变量的必要性,将本发明所建立的预测模型与该文献中的模型进行预测精度对比。
从表4中可以看出,本发明所提出的模型在预测精度高于文献中的预测精度。因为文献中没有专门考虑考虑低温、风速以及冻土深度等高寒地区的环境气候影响变量,因此使用该文献中预测模型训练样本数据所得到预测结果中并不能较好的体现高寒地区的变电站LCC中初始投资成本与后期运维等成本之间的内在关联影响关系。而本发明再加入高寒地区的特殊条件后,对高寒地区变电站的建设施工以及后期运行维护成本都有较大的影响关系,从而使得变电站LCC内部影响关系更加明确,提高了高寒地区变电站LCC的预测精度。此外,从表4的对比分析中可以看出低温、风速以及冻土深度等因素在针对高寒地区变电站的LCC预测过程中是不可忽视的。
得出结论:本发明将支持向量机与SSA优化算法相结合,建立了基于SSA优化的最小二乘支持向量机的高寒地区变电站的LCC预测模型,避免了GA优化LS-SVM模型在参数选取中易局部最优的劣势以及LS-SVM模型在参数选取中的盲目性。并通过算例,将GA优化LS-SVM模型、LS-SVM模型与本文模型在预测结果以及性能指标等方面作对比,验证了本文模型在预测高寒地区变电站LCC总成本上的优越性,最终实现了对高寒地区变电站LCC的快速、高效预测。此外,通过与常规地区的变电站LCC预测模型的结果进行对比分析可知,高寒地区的特有条件,如低温、风速高以及冻土深度等,对变电站的LCC影响较大,不容忽视。随着此类地区的变电站日益增多,在变电站的建设中要着重考虑此类因素的影响,以合理评估高寒地区的变电站LCC。
表1输入向量与输出向量的物理意义
表2优化模型参数选取结果
参数寻优方法 | 参数C | 参数σ |
SSA | 9502.830 | 14.909 |
表3不同预测模型性能比较
建模方法 | MAPE/% | 参数寻优时间/s |
LS-SVM | 2.781 | 204 |
GA优化LS-SVM | 1.892 | 127 |
SSA优化LS-SVM | 0.087 | 93 |
表4预测结果对比
1 | 2 | 3 | 4 | |
LCC实际值 | 49223.82 | 55120.99 | 58322.27 | 66010.21 |
文献模型 | 48353.85 | 54921.09 | 60242.37 | 65909.62 |
本发明模型 | 49008.69 | 55083.12 | 57893.56 | 65987.21 |
Claims (7)
1.基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其特征是:包括如下步骤:
第一步.设置参数;
第二步.初始化种群;
第三步.构造适应度函数;
第四步.开始优化;
第五步.完成优化。
2.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其特征是:所述第一步.设置参数;SSA的参数包括:搜索代理的数量SearchAgents_no、最大迭代次数Max_iteration、变量个数dim、上界ub=[ub1、ub2、ub3、…、ubn-1、ubn]和下界lb=[lb1,lb2,lb3,…lbn-1,lbn]属于变量;SearchAgents_no=50;Max_iteration=300;dim=2;ub=[1000;2000];lb=[1;1]。
3.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其特征是:所述第二步.初始化种群;在设置了五个基本参数之后,通过方程公式(10)生成随机salp种群作为迭代的开始,并且迭代的初始值设为1:
S(i,j)=rand(i,j)×(ub(i)-lb(i))+lb(i) (10)。
4.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其特征是:所述第三步.构造适应度函数;是利用所提出的SSA-LSSVM模型对变电站LCC进行预测,利用SSA方法得到LSSVM模型的两个最优参数,并将这两个参数输入LSSVM模型对变电站LCC进行预测,而适应度函数是基于用平均绝对误差MAE原理计算实际值与预测值之间的误差,如方程公式(11)所示:
公式(11)中,x(k)为变电站LCC实际值;是变电站LCC的预测值。
5.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其特征是:所述第四步.开始优化;在第一种群的初始值生成的基础上,计算所有salp的适应度,并将具有最佳适应度的salp的位置设置为变量F,并需要在每次迭代过程中设置;在识别出变量F之后,领导者和跟随者通过更新它们的位置,以获得全局最优值。
6.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其特征是:所述第五步.完成优化;在每次的迭代中可以得到最佳的salp位置和最佳适应度;当达到最大迭代次数时,迭代结束,然后对所有的适应度值进行排序并选出最优值,与此同时得到了与所选择的最优值对应的最佳slap位置;因此,LSSVM模型中最佳正规化参数“C”和RBF核函数的最佳带宽σ由SSA确定。
7.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型,其特征是:包括以下步骤:
(1)数据预处理:
数据来源于国网下属某省级电网公司科技项目甲方提供,包括30组变电站全寿命周期成本相关参数:初始投资成本、变电站的运行年限、年平均最低气温、年平均风速、冻土深度、通货膨胀率、运行维护费率、年平均检修成本、年平均设备故障率、年故障中断功率、年平均故障修复成本、年平均故障修复时间、年平均停运时间、年平均非计划停电量、单位停电量赔偿费用、设备报废率和LCC总成本;变电站LCC相关参数对应编号见附表1;将27组数据分为2个部分,前23组数据作为训练样本,最后4组数据作为测试样本;
为了消除各个变电站LCC的参数由于量纲不同从而影响预测模型的预测速度和精度,在建模之前,首先对所有变电站的样本数据进行归一化处理,归一化公式如式(12):
上式(12)中:xi为样本初始值;为归一化后的值;xmax和xmin分别为每个样本数据的最大值和最小值;
(2)参数优化:
采用SSA优化LS-SVM建模,对样本集进行训练和预测,首先需要对模型参数组合C和σ进行寻优,即为找到适应度较小时所对应的模型参数的取值组合;与传统LS-SVM参数选取时采用网格搜索法,先粗略寻找最优参数组合,再进行精细的选择的方法不同,将采用SSA优化算法并选用RBF核函数,对LS-SVM预测模型参数进行寻优,表2为SSA优化寻优法所得到的模型参数C和σ组合值;
从SSA优化LSSVM的进化曲线中得出,当迭代次数为300次时终止,此时的适应度值MSE趋于平稳;并且从收敛曲线的变化中得出,SSA算法收敛效率高且运算速度快;因此,此时得到的LSSVM参数组合为最优的参数组合;
(3)预测结果展示与分析:
建立基于SSA优化的LS-SVM高寒地区变电站LCC预测模型,通过对由30组变电站组成的样本集进行训练以及预测,并将得到的预测值与变电站LCC的实际值进行对比,来评价模型的预测效果;
模型所预测结果与LCC实际值相比误差较小,贴近于变电站LCC的实际值,预测效果较优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811605414.1A CN109657869A (zh) | 2018-12-26 | 2018-12-26 | 基于ssa-lssvm的高纬度严寒地区变电站lcc预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811605414.1A CN109657869A (zh) | 2018-12-26 | 2018-12-26 | 基于ssa-lssvm的高纬度严寒地区变电站lcc预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657869A true CN109657869A (zh) | 2019-04-19 |
Family
ID=66116823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811605414.1A Pending CN109657869A (zh) | 2018-12-26 | 2018-12-26 | 基于ssa-lssvm的高纬度严寒地区变电站lcc预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657869A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383288A (zh) * | 2020-03-02 | 2020-07-07 | 东北林业大学 | 樽海鞘-自适应差分进化混合相机内参优化算法 |
CN111783363A (zh) * | 2020-07-15 | 2020-10-16 | 华东交通大学 | 一种基于ssa和rbf神经网络模型的电离层预测方法 |
CN112949186A (zh) * | 2021-03-05 | 2021-06-11 | 西南石油大学 | 一种基于ssa-lssvm模型预测含蜡原油析蜡点温度的方法 |
CN113255223A (zh) * | 2021-06-02 | 2021-08-13 | 西安建筑科技大学 | 一种空调负荷短期预测方法及系统 |
CN113765095A (zh) * | 2021-07-13 | 2021-12-07 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种基于智能算法的配电网网架结构规划优化方法 |
-
2018
- 2018-12-26 CN CN201811605414.1A patent/CN109657869A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383288A (zh) * | 2020-03-02 | 2020-07-07 | 东北林业大学 | 樽海鞘-自适应差分进化混合相机内参优化算法 |
CN111383288B (zh) * | 2020-03-02 | 2022-11-11 | 东北林业大学 | 樽海鞘-自适应差分进化混合相机内参优化算法 |
CN111783363A (zh) * | 2020-07-15 | 2020-10-16 | 华东交通大学 | 一种基于ssa和rbf神经网络模型的电离层预测方法 |
CN111783363B (zh) * | 2020-07-15 | 2022-05-17 | 华东交通大学 | 一种基于ssa和rbf神经网络模型的电离层预测方法 |
CN112949186A (zh) * | 2021-03-05 | 2021-06-11 | 西南石油大学 | 一种基于ssa-lssvm模型预测含蜡原油析蜡点温度的方法 |
CN113255223A (zh) * | 2021-06-02 | 2021-08-13 | 西安建筑科技大学 | 一种空调负荷短期预测方法及系统 |
CN113765095A (zh) * | 2021-07-13 | 2021-12-07 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种基于智能算法的配电网网架结构规划优化方法 |
CN113765095B (zh) * | 2021-07-13 | 2024-05-14 | 国网内蒙古东部电力有限公司经济技术研究院 | 一种基于智能算法的配电网网架结构规划优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109657869A (zh) | 基于ssa-lssvm的高纬度严寒地区变电站lcc预测模型 | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
Zhao et al. | Multi-objective optimization of stand-alone hybrid PV-wind-diesel-battery system using improved fruit fly optimization algorithm | |
Li et al. | The short-term interval prediction of wind power using the deep learning model with gradient descend optimization | |
Song et al. | Enhanced success history adaptive DE for parameter optimization of photovoltaic models | |
Wang et al. | Balancing risk and cost in fuzzy economic dispatch including wind power penetration based on particle swarm optimization | |
Xiong et al. | A hybrid optimized grey seasonal variation index model improved by whale optimization algorithm for forecasting the residential electricity consumption | |
Hassan et al. | Examining performance of aggregation algorithms for neural network-based electricity demand forecasting | |
Zhang et al. | Location optimization of a competitive distribution center for urban cold chain logistics in terms of low-carbon emissions | |
CN107800140A (zh) | 一种考虑负荷特征的大用户供电接入决策方法 | |
CN106779177A (zh) | 基于粒子群优化的多分辨率小波神经网络用电量预测方法 | |
Wang et al. | Robust multi-objective optimization for energy production scheduling in microgrids | |
Lu et al. | Data augmentation strategy for short-term heating load prediction model of residential building | |
Reche-López et al. | Comparison of metaheuristic techniques to determine optimal placement of biomass power plants | |
CN107480885A (zh) | 基于非支配排序差分进化算法的分布式电源布点规划方法 | |
Li et al. | Multi-objective distributed generation hierarchical optimal planning in distribution network: Improved beluga whale optimization algorithm | |
Sheng et al. | An optimized prediction algorithm based on XGBoost | |
CN111724064A (zh) | 一种基于改进免疫算法的含储能配电网规划方法 | |
Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
Li et al. | A novel combined forecasting system based on advanced optimization algorithm-A study on optimal interval prediction of wind speed | |
Bai et al. | Optimal siting and sizing of battery energy storage system for distribution loss reduction based on meta-heuristics | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
CN116757406A (zh) | 一种考虑不确定性的分布式电源接入配电网选址定容方法 | |
Chen et al. | Modified antipredatory particle swarm optimization for dynamic economic dispatch with wind power | |
Wang et al. | Multi‐objective expansion planning of park‐level integrated energy system considering the volatility trend of CETP |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190419 |
|
RJ01 | Rejection of invention patent application after publication |