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

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

基于优化最小二乘支持向量机的电力负荷预测方法

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,...,X_i,...,X_NP}，其中X_i表示演化蜜源集合中的第i个蜜源，且蜜源X_i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X_i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TRP_i，再以向量TRP_i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EMP_i，然后计算电力负荷预测模型EMP_i在电力负荷测试数据集上的均方误差MSE_i，并设置蜜源X_i的适应值为MSE_i；

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W_k：

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；eliteXFits_k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，eliteX_k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V_i：

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；WP_j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，BestX_j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；X_i,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；X_r1,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；X_r2,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；V_i,j表示新蜜源V_i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V_i的适应值比演化蜜源集合中的蜜源X_i的适应值更小，则用新蜜源V_i代替蜜源X_i，否则令蜜源X_i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SP_i，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X_pi，然后按公式(4)对蜜源X_pi进行邻域搜索，从而得到新蜜源U_pi：

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；X_pi,j表示蜜源X_pi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；X_r3,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；U_pi,j表示新蜜源U_pi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U_pi的适应值比演化蜜源集合中的蜜源X_pi的适应值更小，则用新蜜源U_pi代替蜜源X_pi，否则令蜜源X_pi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X_maxTrial，如果蜜源X_maxTrial的停滞次数小于限制次数Limit，则保持蜜源X_maxTrial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X_maxTrial；

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,...,X_i,...,X_NP}，其中X_i表示演化蜜源集合中的第i个蜜源，且蜜源X_i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X_i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TRP_i，再以向量TRP_i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EMP_i，然后计算电力负荷预测模型EMP_i在电力负荷测试数据集上的均方误差MSE_i，并设置蜜源X_i的适应值为MSE_i；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W_k：

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；eliteXFits_k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，eliteX_k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V_i：

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；WP_j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，BestX_j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；X_i,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；X_r1,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；X_r2,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；V_i,j表示新蜜源V_i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V_i的适应值比演化蜜源集合中的蜜源X_i的适应值更小，则用新蜜源V_i代替蜜源X_i，否则令蜜源X_i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SP_i，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X_pi，然后按公式(4)对蜜源X_pi进行邻域搜索，从而得到新蜜源U_pi：

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；X_pi,j表示蜜源X_pi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；X_r3,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；U_pi,j表示新蜜源U_pi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SP_i按照公式(5)计算：

其中，Fn_i为适应值的规范值；

步骤15，如果新蜜源U_pi的适应值比演化蜜源集合中的蜜源X_pi的适应值更小，则用新蜜源U_pi代替蜜源X_pi，否则令蜜源X_pi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X_maxTrial，如果蜜源X_maxTrial的停滞次数小于限制次数Limit，则保持蜜源X_maxTrial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X_maxTrial；

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,...,X_i,...,X_NP}，其中X_i表示演化蜜源集合中的第i个蜜源，且蜜源X_i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X_i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TRP_i，再以向量TRP_i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EMP_i，然后计算电力负荷预测模型EMP_i在电力负荷测试数据集上的均方误差MSE_i，并设置蜜源X_i的适应值为MSE_i；

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W_k：

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；eliteXFits_k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，eliteX_k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V_i：

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；WP_j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，BestX_j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；X_i,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；X_r1,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；X_r2,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；V_i,j表示新蜜源V_i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V_i的适应值比演化蜜源集合中的蜜源X_i的适应值更小，则用新蜜源V_i代替蜜源X_i，否则令蜜源X_i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SP_i，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X_pi，然后按公式(4)对蜜源X_pi进行邻域搜索，从而得到新蜜源U_pi：

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；X_pi,j表示蜜源X_pi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；X_r3,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；U_pi,j表示新蜜源U_pi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U_pi的适应值比演化蜜源集合中的蜜源X_pi的适应值更小，则用新蜜源U_pi代替蜜源X_pi，否则令蜜源X_pi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X_maxTrial，如果蜜源X_maxTrial的停滞次数小于限制次数Limit，则保持蜜源X_maxTrial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X_maxTrial；

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。

Images