[發(fā)明專利]一種布谷鳥搜索算法改進支持向量機的電力負荷預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201410557450.0
• 申請日: 2014-10-20
• 公開（公告）號: CN104318329A
• 公開（公告）日: 2015-01-28
• 發(fā)明（設(shè)計）人: 鄭海雁;金農(nóng);顧國棟;丁曉;孔珍寶;吳鋼;徐金玲;金璐;熊政;方超;仲春林;李昆明;李新家;尹飛;季聰
• 申請（專利權(quán)）人: 國家電網(wǎng)公司;江蘇省電力公司;江蘇方天電力技術(shù)有限公司;江蘇省電力公司南京供電公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00
• 代理公司: 南京縱橫知識產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林

技術(shù)領(lǐng)域

本發(fā)明涉及一種布谷鳥搜索算法改進支持向量機的電力負荷預(yù)測方法，屬于電力系統(tǒng)運行分析技術(shù)領(lǐng)域。

背景技術(shù)

電力系統(tǒng)負荷預(yù)測是在已知歷史負荷需求以及歷史時期氣象、經(jīng)濟等因素的前提下，對未來的負荷狀況進行預(yù)測。負荷預(yù)測是電網(wǎng)調(diào)度部門安排調(diào)度計劃的重要依據(jù)，預(yù)測精度的提高有利于安排更為經(jīng)濟合理的運行方式，減少不必要的旋轉(zhuǎn)備用容量，有效降低電力系統(tǒng)的運行成本。

支持向量機(support?vector?machine,SVM)是一種基于結(jié)構(gòu)風險最小化原理的機器學習技術(shù)，具有較好的泛化學習能力，目前廣泛應(yīng)用于處理時間序列問題，不少專家和學者也將其應(yīng)用于負荷預(yù)測。但SVM的預(yù)測精度與其自身的懲罰因子和核參數(shù)設(shè)定有著很大的關(guān)系，因此負荷預(yù)測領(lǐng)域的專家學者提出了采用網(wǎng)格搜索方法優(yōu)化SVM的參數(shù)，取得了一定的成功。

布谷鳥搜索(cuckoo?search,CS)算法是一種受布谷鳥的巢寄生繁殖機理和萊維飛行(L?vy?flights)搜索原理啟發(fā)而產(chǎn)生的啟發(fā)式算法。CS算法的參數(shù)少而簡單，僅需要設(shè)定種群大小和宿主鳥發(fā)現(xiàn)外來鳥蛋概率兩個參數(shù)，因而通用性較強，可控性較好；搜索過程中引入了萊維飛行機制，使局部搜索和全局搜索能力得到了均衡。研究成果表明，CS算法尋優(yōu)能力強，收斂速度快，適合用于優(yōu)化SVM的參數(shù)。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明提供了一種布谷鳥搜索算法改進支持向量機的電力負荷預(yù)測方法，提高了電力系統(tǒng)負荷預(yù)測的精度。

為了解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：

一種布谷鳥搜索算法改進支持向量機的電力負荷預(yù)測方法，包括以下步驟，

步驟一，選取訓練數(shù)據(jù)；

從歷史數(shù)據(jù)中選取與所需預(yù)測時段的條件相似的數(shù)據(jù)作為訓練集；

步驟二，建立優(yōu)化目標；

以SVM輸出的均方誤差為優(yōu)化目標，建立如下表達式，

min.fMSE=1nΣr=1n(yr-y^r)2]]>

其中，n為樣本數(shù)，y_r為第r個樣本的SVM的輸出值，為第r個樣本的實際值，f_MSE為SVM輸出的均方誤差，而min.前綴表示對該變量進行最小值尋優(yōu)；

步驟三，布谷鳥搜索算法初始化設(shè)置；

定義初始化鳥窩個數(shù)為n，迭代次數(shù)為K，宿主鳥發(fā)現(xiàn)外來鳥蛋的概率p_a，隨機生成n個初始鳥窩X＝[x₁,…,x_n]，其中,i∈[1,m]，x_i為第i個鳥窩的位置，x_i＝[x_i1,…,x_iD]，D為單個樣本的維數(shù)；

步驟四，初始適應(yīng)值計算；

以SVM輸出的均方誤差為優(yōu)化目標，計算每個鳥窩的初始適應(yīng)值，將所有初始適應(yīng)值一對一比較，得到并記錄初始適應(yīng)值最優(yōu)的鳥窩位置；

步驟五，新鳥窩位置計算；

在布谷鳥搜索算法中引入最優(yōu)解記憶，使布谷鳥每次飛行都以最優(yōu)解位置作為參考，鳥窩位置更新公式為，