[發(fā)明專利]基于SSA-LSSVM的高緯度嚴寒地區(qū)變電站LCC預測模型

在審

• 申請?zhí)枺?/td>: 201811605414.1
• 申請日: 2018-12-26
• 公開（公告）號: CN109657869A
• 公開（公告）日: 2019-04-19
• 發(fā)明（設計）人: 劉良;姜光偉;杜文越;冷歐陽;劉素伊;孫楊;段雅娜;王盼盼;張宇;鄭凱;張薇;王姣;包晗;李荃江;董慶寰;劉建飛;范曉奇;姜紫薇;黃浩然;王冶;趙樹野;薛韻辭
• 申請（專利權）人: 國網內蒙古東部電力有限公司經濟技術研究院;國網經濟技術研究院有限公司蒙東分公司;國網內蒙古東部電力設計有限公司;國家電網有限公司;國網經濟技術研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/12
• 代理公司: 遼寧沈陽國興知識產權代理有限公司 21100
• 代理人: 何學軍;劉文生

1.基于SSA-LSSVM的高緯度嚴寒地區(qū)變電站LCC預測模型，其特征是：包括如下步驟：

第一步.設置參數(shù)；

第二步.初始化種群；

第三步.構造適應度函數(shù)；

第四步.開始優(yōu)化；

第五步.完成優(yōu)化。

2.根據(jù)權利要求1所述的基于SSA-LSSVM的高緯度嚴寒地區(qū)變電站LCC預測模型，其特征是：所述第一步.設置參數(shù)；SSA的參數(shù)包括：搜索代理的數(shù)量SearchAgents_no、最大迭代次數(shù)Max_iteration、變量個數(shù)dim、上界ub＝[ub₁、ub₂、ub₃、…、ub_n-1、ub_n]和下界lb＝[lb₁，lb₂，lb₃，…lb_n-1，lb_n]屬于變量；SearchAgents_no＝50；Max_iteration＝300；dim＝2；ub＝[1000；2000]；lb＝[1；1]。

3.根據(jù)權利要求1所述的基于SSA-LSSVM的高緯度嚴寒地區(qū)變電站LCC預測模型，其特征是：所述第二步.初始化種群；在設置了五個基本參數(shù)之后，通過方程公式(10)生成隨機salp種群作為迭代的開始，并且迭代的初始值設為1：

S(i,j)＝rand(i,j)×(ub(i)-lb(i))+lb(i) (10)。

4.根據(jù)權利要求1所述的基于SSA-LSSVM的高緯度嚴寒地區(qū)變電站LCC預測模型，其特征是：所述第三步.構造適應度函數(shù)；是利用所提出的SSA-LSSVM模型對變電站LCC進行預測，利用SSA方法得到LSSVM模型的兩個最優(yōu)參數(shù)，并將這兩個參數(shù)輸入LSSVM模型對變電站LCC進行預測，而適應度函數(shù)是基于用平均絕對誤差MAE原理計算實際值與預測值之間的誤差，如方程公式(11)所示：

公式(11)中，x(k)為變電站LCC實際值；是變電站LCC的預測值。

5.根據(jù)權利要求1所述的基于SSA-LSSVM的高緯度嚴寒地區(qū)變電站LCC預測模型，其特征是：所述第四步.開始優(yōu)化；在第一種群的初始值生成的基礎上，計算所有salp的適應度，并將具有最佳適應度的salp的位置設置為變量F，并需要在每次迭代過程中設置；在識別出變量F之后，領導者和跟隨者通過更新它們的位置，以獲得全局最優(yōu)值。

6.根據(jù)權利要求1所述的基于SSA-LSSVM的高緯度嚴寒地區(qū)變電站LCC預測模型，其特征是：所述第五步.完成優(yōu)化；在每次的迭代中可以得到最佳的salp位置和最佳適應度；當達到最大迭代次數(shù)時，迭代結束，然后對所有的適應度值進行排序并選出最優(yōu)值，與此同時得到了與所選擇的最優(yōu)值對應的最佳slap位置；因此，LSSVM模型中最佳正規(guī)化參數(shù)“C”和RBF核函數(shù)的最佳帶寬σ由SSA確定。

7.根據(jù)權利要求1所述的基于SSA-LSSVM的高緯度嚴寒地區(qū)變電站LCC預測模型，其特征是：包括以下步驟：

(1)數(shù)據(jù)預處理：

數(shù)據(jù)來源于國網下屬某省級電網公司科技項目甲方提供，包括30組變電站全壽命周期成本相關參數(shù)：初始投資成本、變電站的運行年限、年平均最低氣溫、年平均風速、凍土深度、通貨膨脹率、運行維護費率、年平均檢修成本、年平均設備故障率、年故障中斷功率、年平均故障修復成本、年平均故障修復時間、年平均停運時間、年平均非計劃停電量、單位停電量賠償費用、設備報廢率和LCC總成本；變電站LCC相關參數(shù)對應編號見附表1；將27組數(shù)據(jù)分為2個部分，前23組數(shù)據(jù)作為訓練樣本，最后4組數(shù)據(jù)作為測試樣本；

為了消除各個變電站LCC的參數(shù)由于量綱不同從而影響預測模型的預測速度和精度，在建模之前，首先對所有變電站的樣本數(shù)據(jù)進行歸一化處理，歸一化公式如式(12)：

上式(12)中：x_i為樣本初始值；為歸一化后的值；x_max和x_min分別為每個樣本數(shù)據(jù)的最大值和最小值；

(2)參數(shù)優(yōu)化：

采用SSA優(yōu)化LS-SVM建模，對樣本集進行訓練和預測，首先需要對模型參數(shù)組合C和σ進行尋優(yōu)，即為找到適應度較小時所對應的模型參數(shù)的取值組合；與傳統(tǒng)LS-SVM參數(shù)選取時采用網格搜索法，先粗略尋找最優(yōu)參數(shù)組合，再進行精細的選擇的方法不同，將采用SSA優(yōu)化算法并選用RBF核函數(shù)，對LS-SVM預測模型參數(shù)進行尋優(yōu)，表2為SSA優(yōu)化尋優(yōu)法所得到的模型參數(shù)C和σ組合值；

從SSA優(yōu)化LSSVM的進化曲線中得出，當?shù)螖?shù)為300次時終止，此時的適應度值MSE趨于平穩(wěn)；并且從收斂曲線的變化中得出，SSA算法收斂效率高且運算速度快；因此，此時得到的LSSVM參數(shù)組合為最優(yōu)的參數(shù)組合；

(3)預測結果展示與分析：

建立基于SSA優(yōu)化的LS-SVM高寒地區(qū)變電站LCC預測模型，通過對由30組變電站組成的樣本集進行訓練以及預測，并將得到的預測值與變電站LCC的實際值進行對比，來評價模型的預測效果；

模型所預測結果與LCC實際值相比誤差較小，貼近于變電站LCC的實際值，預測效果較優(yōu)。