CN115688964A - 一种基于遗传算法优化的灰色Verhulst模型预测方法及系统 - Google Patents
一种基于遗传算法优化的灰色Verhulst模型预测方法及系统 Download PDFInfo
- Publication number
- CN115688964A CN115688964A CN202211050664.XA CN202211050664A CN115688964A CN 115688964 A CN115688964 A CN 115688964A CN 202211050664 A CN202211050664 A CN 202211050664A CN 115688964 A CN115688964 A CN 115688964A
- Authority
- CN
- China
- Prior art keywords
- gray
- genetic algorithm
- verhulst model
- value
- gray verhulst
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法优化的灰色Verhulst模型预测方法及系统。为了解决传统的灰色Verhulst模型易产生较大误差容易产生较大误差,预测精度不高的问题;本发明包括以下步骤:S1:收集配网检修运维典型作业消耗量数据;S2:构建拓展后的灰色Verhulst模型;S3:基于遗传算法,计算灰色Verhulst模型的最优化背景值系数;S4:基于最优灰色Verhulst模型的配网检修运维典型作业消耗量预测及性能分析。通过拓展的背景值构造方法,克服了传统灰色Verhulst模型易产生较大误差的问题。通过遗传算法对背景值系数寻优,进一步减少误差,提高灰色Verhulst模型的预测精度。
Description
技术领域
本发明涉及一种电力系统自动化领域,尤其涉及一种基于遗传算法优化的灰色Verhulst模型预测方法及系统。
背景技术
电网企业对成本管理体系反应能力和管控水平要求不断提升,亟需突破开展标准成本深化应用面临的关键技术挑战,试图借助智能物联网、大数据分析打造电网作业成本信息价值环路。在物联网、人工智能和大数据技术支持下,从业务系统中提取作业要素和作业行为特征,实现作业资源消耗量(包括人工、材料、机械台班)信息智能计量和采集。
目前存在利用各类典型作业人工、机械台班的实际消耗量的历史数据,建立灰色Verhulst模型进行分析预测的技术。例如,一种在中国专利文献上公开的“基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法”,其公告号CN107358318A,首先,对历史用电量数据作cos(x)变换以增强数据序列的光滑度,从而提高GM(1,1)的预测精度;然后,将cos(x)变换后的数据输入GM(1,1)模型,得到预测的用电量数据序列;最后,对预测的用电量数据序列进行精度检验,若预测值在精度要求范围内,则输出用电量数据序列;否则,结合残差序列变化的特点及灰色Verhulst模型的优点,建立灰色Verhulst模型对精度不高或较低的残差序列做残差修正,直到用电量预测值满足精度要求,输出修正后的用电量数据序列。
但是传统的灰色Verhulst模型易产生较大误差容易产生较大误差,预测精度不高。
发明内容
本发明主要解决传统的灰色Verhulst模型易产生较大误差容易产生较大误差,预测精度不高的问题;提供一种基于遗传算法优化的灰色Verhulst模型预测方法及系统,通过遗传算法对背景值系数寻优,进一步减少误差,提高灰色Verhulst模型的预测精度。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于遗传算法优化的灰色Verhulst模型预测方法,包括以下步骤:
S1:收集配网检修运维典型作业消耗量数据;
S2:构建拓展后的灰色Verhulst模型;
S3:基于遗传算法,计算灰色Verhulst模型的最优化背景值系数;
S4:基于最优灰色Verhulst模型的配网检修运维典型作业消耗量预测及性能分析。
本方案通过拓展的背景值构造方法,克服了传统灰色Verhulst模型易产生较大误差的问题。通过遗传算法对背景值系数寻优,进一步减少误差,提高灰色Verhulst模型的预测精度。
作为优选,,获取的配网检修运维典型作业消耗量原始数据,经过预处理之后得到原始数据序列记为:
X(0)=(x(0)(1),x(0)(2),...,χ(0)(n),...,x(0)(N))
其中,x(0)(n)为第n个原始数据;
N为获取的配网检修运维典型作业消耗量原始数据总数。
作为优选,所述的步骤S2包括以下过程:
S201:根据原始数据序列中计算累加序列1-AGO;
累加序列1-AGO为:
X(1)=(x(1)(1),x(1)(2),...,x(1)(n),...,x(1)(N))
其中,x(1)(n)为累加序列1-AGO中的第n个累加数据;
S202:根据背景值外推法构建优化拓展后的灰色Verhulst模型背景值z(1)(k);
z(1)(k)=(1-β)x(1)(k)-βx(1)(k-1)=x(1)(k)+βx(0)(k)
其中,k=2,3,……,N;
可变参数β的取值范围β∈(-1,+∞);
S203:构建灰色Verhulst模型的基本形式:
x(0)(k)+aZ(1)(k)=b(z(1)(k))2
对应的白化方程为:
其中,a为灰色模型的发展系数;
b为灰色作用量。
通过拓展的背景值构造方法,克服了传统灰色Verhulst模型易产生较大误差的问题。
作为优选,所述的步骤S3包括以下步骤:
S301:代入初始背景值系数β0求解原始数据序列的初始预测值;计算平均绝对百分比误差MAPE;以MAPE最小为目标求取最优的背景值系数β*;
S302:对参数进行二进制编码,并在β0附近随机生成初始种群;
S303:对群体中的染色体解码,计算各个个体的适应度f:
S304:判断群体的最大适应度或平均适应度是否超过预先设定值,若否,则按照遗传策略,运用选择、交叉和变异算子作用于群体,产生下一代群体,并开始新一代的遗传;
S305:当遗传算法循环的代数达到预期的指定代数,或种群的最大适应度或平均适应度超过了预先设定值,则停止遗传操作并输出最优的背景值系数β*。
通过遗传算法对背景值系数寻优,进一步减少误差,提高灰色Verhulst模型的预测精度。
作为优选,所述的步骤S4包括以下步骤:
将最优背景值系数β*代入并求取灰色Verhulst模型的背景值,求解得到参数灰色模型的发展系数a和灰色作用量b的值,并得到最优的时间响应式,进而预测数据序列的下一个值;根据预测值计算MAPE值并评价预测效果。
作为优选,求解获得原始数据序列的预测值为:
其中,响应时间的表达式为:
计算预测值。
作为优选,根据原始数据序列的初始预测值得到平均绝对百分比误差MAPE:
以MAPE最小为目标求取最优背景值系数β*。
计算平均绝对百分比误差。
一种基于遗传算法优化的灰色Verhulst模型预测系统,包括:
数据获取模块,收集配网检修运维典型作业消耗量数据;
灰色Verhulst模块,构建拓展后的灰色Verhulst模型;
背景系数最优化模块,基于遗传算法,计算灰色Verhulst模型的最优化背景值系数;
预测模块,基于最优灰色Verhulst模型的配网检修运维典型作业消耗量预测及性能分析。
通过拓展的背景值构造方法,克服了传统灰色Verhulst模型易产生较大误差的问题。通过遗传算法对背景值系数寻优,进一步减少误差,提高灰色Verhulst模型的预测精度。
本发明的有益效果是:
通过拓展的背景值构造方法,克服了传统灰色Verhulst模型易产生较大误差的问题。通过遗传算法对背景值系数寻优,进一步减少误差,提高灰色Verhulst模型的预测精度。
附图说明
图1是本发明的基于遗传算法优化的灰色Verhulst模型预测方法流程图。
图2是本发明的基于遗传算法优化的灰色Verhulst模型预测系统结构连接框图。
图中1.数据获取模块,2.灰色Verhulst模块,3.背景系数最优化模块,4.预测模块。
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。
实施例一:
本实施例的一种基于遗传算法优化的灰色Verhulst模型预测方法,如图1所示,包括以下步骤:
S1:收集配网检修运维典型作业消耗量数据。
在本实施例中,收集配网检修运维典型作业近十年的作业消耗量数据。获取的配网检修运维典型作业消耗量原始数据,经过预处理之后得到原始数据序列记为:
X(0)=(x(0)(1),x(0)(2),...,x(0)(n),...,x(0)(N))
其中,x(0)(n)为第n个原始数据;
N为获取的配网检修运维典型作业消耗量原始数据总数。
S2:构建拓展后的灰色Verhulst模型。
S201:根据原始数据序列中计算累加序列1-AGO。
累加序列1-AGO为:
X(1)=(x(1)(1),x(1)(2),...,x(1)(n),...,x(1)(N))
其中,x(1)(n)为累加序列1-AGO中的第n个累加数据。
S202:根据背景值外推法构建优化拓展后的灰色Verhulst模型背景值Z(1)(k)。
灰色Verhulst模型背景值的构造方式直接影响到模型的拟合精度,因此根据背景值外推法构建优化拓展后的灰色Verhulst模型背景值为:
Z(1)(k)=(1-β)x(1)(l)-βx(1)(l-1)=x(1)(k)+βx(0)(k)
其中,k=2,3,……,N;
可变参数β的取值范围β∈(-1,+∞)。
据此得到X(1)的生成序列为:
Z(1)=(z(1)(2),z(1)(3),......,z(1)(n))
S203:构建灰色Verhulst模型的基本形式:
x(0)(k)+az(1)(k)=b(z(1)(k))2
对应的白化方程为:
其中,a为灰色模型的发展系数;
b为灰色作用量。
根据最小二乘法,求解白化方程得到参数的值为:
其中初始参数的值为β0,矩阵B和向量Y代表:
灰色Verhulst模型白化方程的解为:
进而可以得到原始数据序列的预测值为:
S3:基于遗传算法,计算灰色Verhulst模型的最优化背景值系数。
S301:代入初始背景值系数β0求解原始数据序列的初始预测值;计算平均绝对百分比误差MAPE;以MAPE最小为目标求取最优的背景值系数β*。
求取初始预测值;将初始的背景值系数β0代入,求解得到参数灰色模型的发展系数a和灰色作用量b的值以及原始数据序列的预测值。
因此得到平均绝对百分比误差MAPE的值:
以MAPE最小为目标求取最优背景值系数β*。
S302:对参数进行二进制编码,并在β0附近随机生成初始种群。
S303:对群体中的染色体解码,计算各个个体的适应度f:
S304:判断群体的最大适应度或平均适应度是否超过预先设定值,若否,则按照遗传策略,运用选择、交叉和变异算子作用于群体,产生下一代群体,并开始新一代的遗传。
S305:当遗传算法循环的代数达到预期的指定代数,或种群的最大适应度或平均适应度超过了预先设定值,则停止遗传操作并输出最优的背景值系数β*。
S4:基于最优灰色Verhulst模型的配网检修运维典型作业消耗量预测及性能分析。
将最优背景值系数β*代入并求取灰色Verhulst模型的背景值,求解得到参数灰色模型的发展系数a和灰色作用量b的值,并得到最优的时间响应式,进而预测数据序列的下一个值:
根据预测值计算MAPE值并评价预测效果。
本实施例的方案通过拓展的背景值构造方法,克服了传统灰色Verhulst模型易产生较大误差的问题。通过遗传算法对背景值系数寻优,进一步减少误差,提高灰色Verhulst模型的预测精度。
实施例二:
本实施例的一种基于遗传算法优化的灰色Verhulst模型预测系统,如图2所示,包括依次连接的数据获取模块1、灰色Verhulst模块2、背景系数最优化模块3和预测模块4。
数据获取模块1执行实施例一中步骤S1的步骤,即收集配网检修运维典型作业消耗量数据。
灰色Verhulst模块2执行实施例一中步骤S2的步骤,即构建拓展后的灰色Verhulst模型。
背景系数最优化模块3执行实施例一中步骤S3的步骤,即基于遗传算法,计算灰色Verhulst模型的最优化背景值系数。
预测模块4执行实施例一中步骤S4的步骤,即基于最优灰色Verhulst模型的配网检修运维典型作业消耗量预测及性能分析。
应理解,实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (8)
1.一种基于遗传算法优化的灰色Verhulst模型预测方法,其特征在于,包括以下步骤:
S1:收集配网检修运维典型作业消耗量数据;
S2:构建拓展后的灰色Verhulst模型;
S3:基于遗传算法,计算灰色Verhulst模型的最优化背景值系数;
S4:基于最优灰色Verhulst模型的配网检修运维典型作业消耗量预测及性能分析。
2.根据权利要求1所述的一种基于遗传算法优化的灰色Verhulst模型预测方法,其特征在于,获取的配网检修运维典型作业消耗量原始数据,经过预处理之后得到原始数据序列记为:
X(0)=(x(0)(1),x(0)(2),...,x(0)(n),...,x(0)(N))
其中,x(o)(n)为第n个原始数据;
N为获取的配网检修运维典型作业消耗量原始数据总数。
3.根据权利要求1或2所述的一种基于遗传算法优化的灰色Verhulst模型预测方法,其特征在于,所述的步骤S2包括以下过程:
S201:根据原始数据序列中计算累加序列1-AGO;
累加序列1-AGO为:
X(1)=(x(1)(1),x(1)(2),...,x(1)(n),...,x(1)(N))
其中,x(1)(n)为累加序列1-AGO中的第n个累加数据;
S202:根据背景值外推法构建优化拓展后的灰色Verhulst模型背景值z(1)(k);
z(1)(k)=(1-β)x(1)(k)-βx(1)(k-1)=x(1)(k)+βx(0)(k)
其中,k=2,3,……,N;
可变参数β的取值范围β∈(-1,+∞);
S203:构建灰色Verhulst模型的基本形式:
x(0)(k)+az(1)(k)=b(z(1)(k))2
对应的白化方程为:
其中,a为灰色模型的发展系数;
b为灰色作用量。
4.根据权利要求3所述的一种基于遗传算法优化的灰色Verhulst模型预测方法,其特征在于,所述的步骤S3包括以下步骤:
S301:代入初始背景值系数βo求解原始数据序列的初始预测值;计算平均绝对百分比误差MAPE;以MAPE最小为目标求取最优的背景值系数β*;
S302:对参数进行二进制编码,并在β0附近随机生成初始种群;
S303:对群体中的染色体解码,计算各个个体的适应度f:
S304:判断群体的最大适应度或平均适应度是否超过预先设定值,若否,则按照遗传策略,运用选择、交叉和变异算子作用于群体,产生下一代群体,并开始新一代的遗传;
S305:当遗传算法循环的代数达到预期的指定代数,或种群的最大适应度或平均适应度超过了预先设定值,则停止遗传操作并输出最优的背景值系数β*。
5.根据权利要求4所述的一种基于遗传算法优化的灰色Verhulst模型预测方法,其特征在于,所述的步骤S4包括以下步骤:
将最优背景值系数β*代入并求取灰色Verhulst模型的背景值,求解得到参数灰色模型的发展系数a和灰色作用量b的值,并得到最优的时间响应式,进而预测数据序列的下一个值;
根据预测值计算MAPE值并评价预测效果。
8.一种基于遗传算法优化的灰色Verhulst模型预测系统,采用如权利要求1-7中任意一项所述的一种基于遗传算法优化的灰色Verhulst模型预测方法,其特征在于,包括:
数据获取模块,收集配网检修运维典型作业消耗量数据;
灰色Verhulst模块,构建拓展后的灰色Verhulst模型;
背景系数最优化模块,基于遗传算法,计算灰色Verhulst模型的最优化背景值系数;
预测模块,基于最优灰色Verhulst模型的配网检修运维典型作业消耗量预测及性能分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050664.XA CN115688964A (zh) | 2022-08-30 | 2022-08-30 | 一种基于遗传算法优化的灰色Verhulst模型预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050664.XA CN115688964A (zh) | 2022-08-30 | 2022-08-30 | 一种基于遗传算法优化的灰色Verhulst模型预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688964A true CN115688964A (zh) | 2023-02-03 |
Family
ID=85060989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050664.XA Pending CN115688964A (zh) | 2022-08-30 | 2022-08-30 | 一种基于遗传算法优化的灰色Verhulst模型预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688964A (zh) |
-
2022
- 2022-08-30 CN CN202211050664.XA patent/CN115688964A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ofosu-Adarkwa et al. | Forecasting CO2 emissions of China's cement industry using a hybrid Verhulst-GM (1, N) model and emissions' technical conversion | |
US20080033786A1 (en) | Power generation mix forecasting modeling method | |
CN102779223A (zh) | 短期电力负荷预测的方法及装置 | |
CN1760912A (zh) | 城市排水系统不确定水力学模型建模方法 | |
CN112036633A (zh) | 一种水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 | |
CN115796604A (zh) | 一种基于bim模型的项目全生命周期数字化管理预警系统 | |
CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
CN111126707A (zh) | 能耗方程构建、能耗预测方法与装置 | |
Zhu et al. | Component rearrangement and system replacement for a system with stochastic degradation processes | |
CN113225994B (zh) | 一种面向数据中心的智能空调控制方法 | |
CN116523148B (zh) | 一种配电网配变重过载预警方法、装置和设备 | |
CN117515802A (zh) | 计及空调运行状态的定频中央空调日前负荷预测方法 | |
CN115688964A (zh) | 一种基于遗传算法优化的灰色Verhulst模型预测方法及系统 | |
CN110674460B (zh) | 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法 | |
CN116307287A (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
CN112200366B (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
Hamidavi et al. | Optimisation of structural design by integrating genetic algorithms in the building information modelling environment | |
CN112488390B (zh) | 一种城市排水量预测方法及系统 | |
CN116307498A (zh) | 施工任务智能调度方法、装置、存储介质和处理器 | |
CN115688439A (zh) | 一种基于数字孪生的水库模型构建方法 | |
Bâra et al. | Intelligent systems for predicting and analyzing data in power grid companies | |
CN117610377A (zh) | 一种重载铁路桥梁有限元模型的位移预测方法 | |
CN115345357A (zh) | 一种智能化基于bim的建筑能耗评估和优化方法 | |
CN116401935A (zh) | 一种建筑动态热负荷神经网络预测方法及系统 |
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 |