CN111931990B - 基于优化最小二乘支持向量机的电力负荷预测方法 - Google Patents
基于优化最小二乘支持向量机的电力负荷预测方法 Download PDFInfo
- Publication number
- CN111931990B CN111931990B CN202010668750.1A CN202010668750A CN111931990B CN 111931990 B CN111931990 B CN 111931990B CN 202010668750 A CN202010668750 A CN 202010668750A CN 111931990 B CN111931990 B CN 111931990B
- Authority
- CN
- China
- Prior art keywords
- honey source
- honey
- support vector
- vector machine
- source
- 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.)
- Active
Links
- 238000012843 least square support vector machine Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 16
- 235000012907 honey Nutrition 0.000 claims abstract description 278
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 230000006978 adaptation Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 241000257303 Hymenoptera Species 0.000 claims description 4
- 101100256746 Mus musculus Setdb1 gene Proteins 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于优化最小二乘支持向量机的电力负荷预测方法。本发明应用精英中心人工蜂群算法来优化设计最小二乘支持向量机的训练参数,然后利用优化的最小二乘支持向量机来构建电力负荷的预测模型。在精英中心人工蜂群算法中,先计算优质蜜源集合中每个蜜源的分配权重,然后生成精英中心蜜源,并利用精英中心蜜源来引导演化操作的搜索方向,以此提高算法的收敛速度。本发明能够提高电力负荷预测的精度。
Description
技术领域
本发明涉及电力负荷预测领域,尤其是涉及一种基于优化最小二乘支持向量机的电力负荷预测方法。
背景技术
电力系统在现代工业生产中起着重要的作用。为了提高电力系统的运行效率,电力相关部门常常需要对电力负荷进行预测。近年来,许多研究人员建立基于最小二乘支持向量机的电力负荷模数学模型。现有研究表明训练参数的设置会在很大程度上影响最小二乘支持向量机的电力负荷预测精度[潘磊,李丽娟,丁婷婷,刘对.基于改进PSO算法和LS-SVM的短期电力负荷预测[J].工矿自动化,2012,38(09):55-59]。而如何为最小二乘支持向量机选择效果较好的训练参数还没有系统性的理论指导。鉴于这种现状,研究人员尝试利用基于自然界中蜜蜂采蜜行为的人工蜂群算法来求解最小二乘支持向量机的训练参数。
人工蜂群算法是一种在工程优化领域应用非常广泛的人工智能算法。由于人工蜂群算法的结构简单,易于实现,它在许多工程优化问题中比诸多其他启发式优化算法获得了更好的结果。因此,人工蜂群算法已经成为了一种深受工程技术人员关注的优化算法,并且已经用到了电力负荷预测问题中。然而,传统人工蜂群算法应用于电力负荷预测时容易出现收敛速度慢的缺点,影响了电力负荷预测的精度。
发明内容
本发明提供一种基于优化最小二乘支持向量机的电力负荷预测方法。它在一定程度上克服了传统人工蜂群算法应用于电力负荷预测时容易出现收敛速度慢的缺点,本发明能够提高电力负荷预测的精度。
本发明的技术方案:一种基于优化最小二乘支持向量机的电力负荷预测方法,包括以下步骤:
步骤1,输入电力负荷数据集,然后对电力负荷数据集进行预处理,并将电力负荷数据集划分为电力负荷训练数据集和电力负荷测试数据集两部分;
步骤2,确定最小二乘支持向量机所需优化设计的训练参数,并确定最小二乘支持向量机所需优化设计的训练参数的个数TD;
步骤3,设置精英中心人工蜂群算法的蜜源个数NP,限制次数Limit,以及终止迭代次数MaxT;
步骤4,设置当前迭代次数t=0;
步骤5,在最小二乘支持向量机训练参数的搜索空间中随机生成NP个蜜源组成演化蜜源集合ESet={X1,X2,...,Xi,...,XNP},其中Xi表示演化蜜源集合中的第i个蜜源,且蜜源Xi存储了最小二乘支持向量机所需优化设计的TD个训练参数;蜜源下标i=1,2,...,NP;
步骤6,利用电力负荷训练数据集和电力负荷测试数据集计算演化蜜源集合中各个蜜源的适应值,具体过程为:从蜜源Xi中提取出最小二乘支持向量机所需优化设计的TD个训练参数保存到向量TRPi,再以向量TRPi作为最小二乘支持向量机的训练参数在电力负荷训练数据集上训练出电力负荷预测模型EMPi,然后计算电力负荷预测模型EMPi在电力负荷测试数据集上的均方误差MSEi,并设置蜜源Xi的适应值为MSEi;
步骤7,从演化蜜源集合中选择出适应值最小的蜜源保存为最优蜜源BestX;然后计算优质蜜源的数量eliteN=ceil(NP×0.1),其中ceil为向上取整函数;
步骤8,将演化蜜源集合中的蜜源按照适应值从小到大进行排序,然后取出适应值排在前面的eliteN个的蜜源组成优质蜜源集合eliteX;
步骤9,按公式(1)计算优质蜜源集合中每个优质蜜源的分配权重Wk:
其中,exp表示以自然常数e为底的指数函数;log表示以自然常数e为底的对数函数;BestFit为最优蜜源的适应值;eliteXFitsk为优质蜜源集合中的第k个优质蜜源的适应值;优质蜜源下标k=1,2,...,eliteN;
步骤10,按公式(2)计算精英中心蜜源WP:
其中,eliteXk表示优质蜜源集合中的第k个优质蜜源;精英中心蜜源WP存储了最小二乘支持向量机所需优化设计的TD个训练参数;
步骤11,计算精英中心蜜源的适应值;如果精英中心蜜源的适应值比最优蜜源的适应值更小,则利用精英中心蜜源替换最优蜜源,否则保持最优蜜源不变;
步骤12,按公式(3)执行雇佣蜂搜索操作得到新蜜源Vi:
其中,维度下标j=1,2,...,TD;jrand是在[1,D]范围内随机选择的一个正整数;r1和r2是在[1,NP]范围内随机产生的两个正整数,且要求满足r1,r2和i相互不相等;Φ1和Φ2是在[-1,1]范围内随机生成的两个实数;WPj表示精英中心蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数,BestXj表示最优蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xi,j表示演化蜜源集合中的第i个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr1,j表示演化蜜源集合中的第r1个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr2,j表示演化蜜源集合中的第r2个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Vi,j表示新蜜源Vi存储的最小二乘支持向量机所需优化设计的第j个训练参数;
步骤13,如果新蜜源Vi的适应值比演化蜜源集合中的蜜源Xi的适应值更小,则用新蜜源Vi代替蜜源Xi,否则令蜜源Xi的停滞次数加1;
步骤14,计算演化蜜源集合中各个蜜源的选择概率SPi,然后跟随蜂根据演化蜜源集合中各个蜜源的选择概率利用轮盘赌方法选择蜜源,将被选择出来的蜜源记为Xpi,然后按公式(4)对蜜源Xpi进行邻域搜索,从而得到新蜜源Upi:
其中,jkd是在[1,D]范围内随机选择的一个正整数;r3是从集合{1,2,...,NP}中随机选择的一个正整数;Φ3是在[-1,1]范围内随机生成的一个实数;Xpi,j表示蜜源Xpi存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr3,j表示演化蜜源集合中的第r3个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Upi,j表示新蜜源Upi存储的最小二乘支持向量机所需优化设计的第j个训练参数;
步骤15,如果新蜜源Upi的适应值比演化蜜源集合中的蜜源Xpi的适应值更小,则用新蜜源Upi代替蜜源Xpi,否则令蜜源Xpi的停滞次数加1;
步骤16,从演化蜜源集合中挑选出停滞次数最大的蜜源记为XmaxTrial,如果蜜源XmaxTrial的停滞次数小于限制次数Limit,则保持蜜源XmaxTrial不变,否则执行侦察蜂操作随机生成一个新蜜源RX,并利用随机生成的新蜜源RX替换蜜源XmaxTrial;
步骤17,在演化蜜源集合中挑选出适应值最小的蜜源记为暂存蜜源tempBestX,将暂存蜜源tempBestX的适应值与最优蜜源的适应值BestFit进行比较;如果暂存蜜源tempBestX的适应值比BestFit更大,则保持最优蜜源BestX不变,否则用暂存蜜源tempBestX替换最优蜜源BestX,并令BestFit等于暂存蜜源tempBestX的适应值;
步骤18,设置当前迭代次数t=t+1;
步骤19,如果当前迭代次数t小于终止迭代次数MaxT,则转到步骤8,否则转到步骤20;
步骤20,利用最优蜜源BestX存储的最小二乘支持向量机的训练参数来训练最小二乘支持向量机,并利用训练得到的最小二乘支持向量机实现电力负荷的预测。
本发明应用精英中心人工蜂群算法来求解最小二乘支持向量机的训练参数,然后利用求解的训练参数来训练最小二乘支持向量机,并利用训练的最小二乘支持向量机来建立电力负荷的预测模型。在精英中心人工蜂群算法中,利用优质蜜源来生成引导性信息,并利用引导性信息来指导演化操作的搜索方向,加快算法的搜索效率,从而提高电力负荷预测的精度。
附图说明
图1为本发明中精英中心人工蜂群算法的流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例结合附图,本发明的具体实施步骤如下:
步骤1,从电力信息系统中采集到电力负荷数据集,然后对采集的电力负荷数据集进行预处理,并将电力负荷数据集划分为电力负荷训练数据集和电力负荷测试数据集两部分;其中,对电力负荷数据集进行预处理包括但不限于删除冗余电力负荷数据、填补缺失电力负荷数据、剔除离群点电力负荷数据、电力负荷数据归一化;
步骤2,确定最小二乘支持向量机所需优化设计的训练参数为惩罚系数C和核函数参数σ,并确定最小二乘支持向量机所需优化设计的训练参数的个数TD=2;
步骤3,设置精英中心人工蜂群算法的蜜源个数NP=50,限制次数Limit=200,以及终止迭代次数MaxT=2000;
步骤4,设置当前迭代次数t=0;
步骤5,在最小二乘支持向量机训练参数的搜索空间中随机生成NP个蜜源组成演化蜜源集合ESet={X1,X2,...,Xi,...,XNP},其中Xi表示演化蜜源集合中的第i个蜜源,且蜜源Xi存储了最小二乘支持向量机所需优化设计的TD个训练参数;蜜源下标i=1,2,...,NP;
步骤6,利用电力负荷训练数据集和电力负荷测试数据集计算演化蜜源集合中各个蜜源的适应值,具体过程为:从蜜源Xi中提取出最小二乘支持向量机所需优化设计的TD个训练参数保存到向量TRPi,再以向量TRPi作为最小二乘支持向量机的训练参数在电力负荷训练数据集上训练出电力负荷预测模型EMPi,然后计算电力负荷预测模型EMPi在电力负荷测试数据集上的均方误差MSEi,并设置蜜源Xi的适应值为MSEi;其中,最小二乘支持向量机的输入变量为前7天的电力负荷值,最小二乘支持向量机的输出变量为第8天的电力负荷值;
步骤7,从演化蜜源集合中选择出适应值最小的蜜源保存为最优蜜源BestX;然后计算优质蜜源的数量eliteN=ceil(NP×0.1),其中ceil为向上取整函数;
步骤8,将演化蜜源集合中的蜜源按照适应值从小到大进行排序,然后取出适应值排在前面的eliteN个的蜜源组成优质蜜源集合eliteX;
步骤9,按公式(1)计算优质蜜源集合中每个优质蜜源的分配权重Wk:
其中,exp表示以自然常数e为底的指数函数;log表示以自然常数e为底的对数函数;BestFit为最优蜜源的适应值;eliteXFitsk为优质蜜源集合中的第k个优质蜜源的适应值;优质蜜源下标k=1,2,...,eliteN;
步骤10,按公式(2)计算精英中心蜜源WP:
其中,eliteXk表示优质蜜源集合中的第k个优质蜜源;精英中心蜜源WP存储了最小二乘支持向量机所需优化设计的TD个训练参数;
步骤11,计算精英中心蜜源的适应值;如果精英中心蜜源的适应值比最优蜜源的适应值更小,则利用精英中心蜜源替换最优蜜源,否则保持最优蜜源不变;
步骤12,按公式(3)执行雇佣蜂搜索操作得到新蜜源Vi:
其中,维度下标j=1,2,...,TD;jrand是在[1,D]范围内随机选择的一个正整数;r1和r2是在[1,NP]范围内随机产生的两个正整数,且要求满足r1,r2和i相互不相等;Φ1和Φ2是在[-1,1]范围内随机生成的两个实数;WPj表示精英中心蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数,BestXj表示最优蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xi,j表示演化蜜源集合中的第i个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr1,j表示演化蜜源集合中的第r1个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr2,j表示演化蜜源集合中的第r2个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Vi,j表示新蜜源Vi存储的最小二乘支持向量机所需优化设计的第j个训练参数;
步骤13,如果新蜜源Vi的适应值比演化蜜源集合中的蜜源Xi的适应值更小,则用新蜜源Vi代替蜜源Xi,否则令蜜源Xi的停滞次数加1;
步骤14,计算演化蜜源集合中各个蜜源的选择概率SPi,然后跟随蜂根据演化蜜源集合中各个蜜源的选择概率利用轮盘赌方法选择蜜源,将被选择出来的蜜源记为Xpi,然后按公式(4)对蜜源Xpi进行邻域搜索,从而得到新蜜源Upi:
其中,jkd是在[1,D]范围内随机选择的一个正整数;r3是从集合{1,2,...,NP}中随机选择的一个正整数;Φ3是在[-1,1]范围内随机生成的一个实数;Xpi,j表示蜜源Xpi存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr3,j表示演化蜜源集合中的第r3个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Upi,j表示新蜜源Upi存储的最小二乘支持向量机所需优化设计的第j个训练参数;其中,演化蜜源集合中各个蜜源的选择概率SPi按照公式(5)计算:
其中,Fni为适应值的规范值;
步骤15,如果新蜜源Upi的适应值比演化蜜源集合中的蜜源Xpi的适应值更小,则用新蜜源Upi代替蜜源Xpi,否则令蜜源Xpi的停滞次数加1;
步骤16,从演化蜜源集合中挑选出停滞次数最大的蜜源记为XmaxTrial,如果蜜源XmaxTrial的停滞次数小于限制次数Limit,则保持蜜源XmaxTrial不变,否则执行侦察蜂操作随机生成一个新蜜源RX,并利用随机生成的新蜜源RX替换蜜源XmaxTrial;
步骤17,在演化蜜源集合中挑选出适应值最小的蜜源记为暂存蜜源tempBestX,将暂存蜜源tempBestX的适应值与最优蜜源的适应值BestFit进行比较;如果暂存蜜源tempBestX的适应值比BestFit更大,则保持最优蜜源BestX不变,否则用暂存蜜源tempBestX替换最优蜜源BestX,并令BestFit等于暂存蜜源tempBestX的适应值;
步骤18,设置当前迭代次数t=t+1;
步骤19,如果当前迭代次数t小于终止迭代次数MaxT,则转到步骤8,否则转到步骤20;
步骤20,从最优蜜源BestX中提取最小二乘支持向量机的训练参数:惩罚系数C和核函数参数σ,利用得到的惩罚系数C和核函数参数σ来训练最小二乘支持向量机,并利用训练得到的最小二乘支持向量机实现电力负荷的预测。
Claims (1)
1.一种基于优化最小二乘支持向量机的电力负荷预测方法,其特征在于,包括以下步骤:
步骤1,输入电力负荷数据集,然后对电力负荷数据集进行预处理,并将电力负荷数据集划分为电力负荷训练数据集和电力负荷测试数据集两部分;
步骤2,确定最小二乘支持向量机所需优化设计的训练参数,并确定最小二乘支持向量机所需优化设计的训练参数的个数TD;
步骤3,设置精英中心人工蜂群算法的蜜源个数NP,限制次数Limit,以及终止迭代次数MaxT;
步骤4,设置当前迭代次数t=0;
步骤5,在最小二乘支持向量机训练参数的搜索空间中随机生成NP个蜜源组成演化蜜源集合ESet={X1,X2,...,Xi,...,XNP},其中Xi表示演化蜜源集合中的第i个蜜源,且蜜源Xi存储了最小二乘支持向量机所需优化设计的TD个训练参数;蜜源下标i=1,2,...,NP;
步骤6,利用电力负荷训练数据集和电力负荷测试数据集计算演化蜜源集合中各个蜜源的适应值,具体过程为:从蜜源Xi中提取出最小二乘支持向量机所需优化设计的TD个训练参数保存到向量TRPi,再以向量TRPi作为最小二乘支持向量机的训练参数在电力负荷训练数据集上训练出电力负荷预测模型EMPi,然后计算电力负荷预测模型EMPi在电力负荷测试数据集上的均方误差MSEi,并设置蜜源Xi的适应值为MSEi;
步骤7,从演化蜜源集合中选择出适应值最小的蜜源保存为最优蜜源BestX;然后计算优质蜜源的数量eliteN=ceil(NP×0.1),其中ceil为向上取整函数;
步骤8,将演化蜜源集合中的蜜源按照适应值从小到大进行排序,然后取出适应值排在前面的eliteN个的蜜源组成优质蜜源集合eliteX;
步骤9,按公式(1)计算优质蜜源集合中每个优质蜜源的分配权重Wk:
其中,exp表示以自然常数e为底的指数函数;log表示以自然常数e为底的对数函数;BestFit为最优蜜源的适应值;eliteXFitsk为优质蜜源集合中的第k个优质蜜源的适应值;优质蜜源下标k=1,2,...,eliteN;
步骤10,按公式(2)计算精英中心蜜源WP:
其中,eliteXk表示优质蜜源集合中的第k个优质蜜源;精英中心蜜源WP存储了最小二乘支持向量机所需优化设计的TD个训练参数;
步骤11,计算精英中心蜜源的适应值;如果精英中心蜜源的适应值比最优蜜源的适应值更小,则利用精英中心蜜源替换最优蜜源,否则保持最优蜜源不变;
步骤12,按公式(3)执行雇佣蜂搜索操作得到新蜜源Vi:
其中,维度下标j=1,2,...,TD;jrand是在[1,D]范围内随机选择的一个正整数;r1和r2是在[1,NP]范围内随机产生的两个正整数,且要求满足r1,r2和i相互不相等;Φ1和Φ2是在[-1,1]范围内随机生成的两个实数;WPj表示精英中心蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数,BestXj表示最优蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xi,j表示演化蜜源集合中的第i个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr1,j表示演化蜜源集合中的第r1个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr2,j表示演化蜜源集合中的第r2个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Vi,j表示新蜜源Vi存储的最小二乘支持向量机所需优化设计的第j个训练参数;
步骤13,如果新蜜源Vi的适应值比演化蜜源集合中的蜜源Xi的适应值更小,则用新蜜源Vi代替蜜源Xi,否则令蜜源Xi的停滞次数加1;
步骤14,计算演化蜜源集合中各个蜜源的选择概率SPi,然后跟随蜂根据演化蜜源集合中各个蜜源的选择概率利用轮盘赌方法选择蜜源,将被选择出来的蜜源记为Xpi,然后按公式(4)对蜜源Xpi进行邻域搜索,从而得到新蜜源Upi:
其中,jkd是在[1,D]范围内随机选择的一个正整数;r3是从集合{1,2,...,NP}中随机选择的一个正整数;Φ3是在[-1,1]范围内随机生成的一个实数;Xpi,j表示蜜源Xpi存储的最小二乘支持向量机所需优化设计的第j个训练参数;Xr3,j表示演化蜜源集合中的第r3个蜜源存储的最小二乘支持向量机所需优化设计的第j个训练参数;Upi,j表示新蜜源Upi存储的最小二乘支持向量机所需优化设计的第j个训练参数;
步骤15,如果新蜜源Upi的适应值比演化蜜源集合中的蜜源Xpi的适应值更小,则用新蜜源Upi代替蜜源Xpi,否则令蜜源Xpi的停滞次数加1;
步骤16,从演化蜜源集合中挑选出停滞次数最大的蜜源记为XmaxTrial,如果蜜源XmaxTrial的停滞次数小于限制次数Limit,则保持蜜源XmaxTrial不变,否则执行侦察蜂操作随机生成一个新蜜源RX,并利用随机生成的新蜜源RX替换蜜源XmaxTrial;
步骤17,在演化蜜源集合中挑选出适应值最小的蜜源记为暂存蜜源tempBestX,将暂存蜜源tempBestX的适应值与最优蜜源的适应值BestFit进行比较;如果暂存蜜源tempBestX的适应值比BestFit更大,则保持最优蜜源BestX不变,否则用暂存蜜源tempBestX替换最优蜜源BestX,并令BestFit等于暂存蜜源tempBestX的适应值;
步骤18,设置当前迭代次数t=t+1;
步骤19,如果当前迭代次数t小于终止迭代次数MaxT,则转到步骤8,否则转到步骤20;
步骤20,利用最优蜜源BestX存储的最小二乘支持向量机的训练参数来训练最小二乘支持向量机,并利用训练得到的最小二乘支持向量机实现电力负荷的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668750.1A CN111931990B (zh) | 2020-07-13 | 2020-07-13 | 基于优化最小二乘支持向量机的电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668750.1A CN111931990B (zh) | 2020-07-13 | 2020-07-13 | 基于优化最小二乘支持向量机的电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931990A CN111931990A (zh) | 2020-11-13 |
CN111931990B true CN111931990B (zh) | 2022-03-08 |
Family
ID=73312946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668750.1A Active CN111931990B (zh) | 2020-07-13 | 2020-07-13 | 基于优化最小二乘支持向量机的电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931990B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801380B (zh) * | 2021-02-02 | 2022-04-05 | 广东奥博信息产业股份有限公司 | 一种面向数据标注云服务器的负载预测方法 |
CN112949207A (zh) * | 2021-03-25 | 2021-06-11 | 上海电机学院 | 一种基于改进最小二乘支持向量机的短期负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426920A (zh) * | 2015-12-02 | 2016-03-23 | 江西理工大学 | 云模型人工蜂群优化的稀土矿区溪水pH值预测方法 |
CN106228241A (zh) * | 2016-07-24 | 2016-12-14 | 江西理工大学 | 适应性人工蜂群优化的矿岩强度软测量方法 |
CN106408083A (zh) * | 2016-09-27 | 2017-02-15 | 江南大学 | 一种基于进化知识融合的多目标人工蜂群算法 |
CN106504256A (zh) * | 2016-11-04 | 2017-03-15 | 江西理工大学 | 应用适应性高斯人工蜂群算法的多阈值图像分割方法 |
CN111291854A (zh) * | 2020-01-16 | 2020-06-16 | 浙江工业大学 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
-
2020
- 2020-07-13 CN CN202010668750.1A patent/CN111931990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426920A (zh) * | 2015-12-02 | 2016-03-23 | 江西理工大学 | 云模型人工蜂群优化的稀土矿区溪水pH值预测方法 |
CN106228241A (zh) * | 2016-07-24 | 2016-12-14 | 江西理工大学 | 适应性人工蜂群优化的矿岩强度软测量方法 |
CN106408083A (zh) * | 2016-09-27 | 2017-02-15 | 江南大学 | 一种基于进化知识融合的多目标人工蜂群算法 |
CN106504256A (zh) * | 2016-11-04 | 2017-03-15 | 江西理工大学 | 应用适应性高斯人工蜂群算法的多阈值图像分割方法 |
CN111291854A (zh) * | 2020-01-16 | 2020-06-16 | 浙江工业大学 | 一种基于多种改进策略的人工蜂群算法的优化方法 |
Non-Patent Citations (5)
Title |
---|
an improved artificial bee colony algorithm based on elite group guidance and combined breadth-depth search strategy;depeng kong等;《information sciences:an international journal》;20180531;第442卷(第C期);第54-71页 * |
improving artificial bee colony algorithm using a dynamic reduction strategy for dimension perturbation;gan yu等;《mathematical problems in engineering》;20190714;第29卷;第1-12页 * |
基于人工蜂群优化LS-SVM短期负荷预测研究;陈阳;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170315(第03期);C042-2019 * |
基于排序选择和精英引导的改进人工蜂群算法;孔德鹏等;《控制与决策》;20171207;第34卷(第4期);第781-786页 * |
基于精英蜂群搜索策略的人工蜂群算法;马卫;《计算机应用》;20140810;第34卷(第8期);第2299-2305页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111931990A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN111931990B (zh) | 基于优化最小二乘支持向量机的电力负荷预测方法 | |
CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
CN111027629A (zh) | 基于改进随机森林的配电网故障停电率预测方法及系统 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
Chakrabarty | A regression approach to distribution and trend analysis of quarterly foreign tourist arrivals in India | |
CN110555548A (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
CN112819238A (zh) | 基于混沌鸡群优化算法的短期风电功率预测方法 | |
CN111460001A (zh) | 一种配电网理论线损率评估方法及系统 | |
CN113283179A (zh) | 一种基于多目标lstm集成网络的短期负荷预测方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
CN115423175A (zh) | 一种风电功率预测误差分解方法 | |
CN115310669A (zh) | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 | |
CN113468796A (zh) | 一种基于改进随机森林算法的电压缺失数据辨识方法 | |
CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
CN116881665A (zh) | 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117313576A (zh) | 一种用于翼型物理量重要度分析的贝叶斯优化方法 | |
CN116543229A (zh) | 基于自适应累积系数的深度学习优化器的图像分类方法 | |
Nazaré et al. | Green-Box System Identification and Carbon Footprint Analysis for Sustainable Computing | |
CN112668770B (zh) | 一种基于信息与波形总体相似度的电力负荷预测方法 | |
CN115358314A (zh) | 风电功率预测模型的训练和功率预测的方法、装置和设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |