[發(fā)明專(zhuān)利]一種基于粒子群優(yōu)化的支持向量機(jī)停電預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110354085.3
• 申請(qǐng)日: 2021-04-01
• 公開(kāi)（公告）號(hào): CN113435101B
• 公開(kāi)（公告）日: 2023-06-30
• 發(fā)明（設(shè)計(jì)）人: 李淑鋒;李加;張玉峰;閆永昶;郭繼永
• 申請(qǐng)（專(zhuān)利權(quán)）人: 國(guó)網(wǎng)內(nèi)蒙古東部電力有限公司
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06Q10/04;G06Q50/06;G06F111/06
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 韓紅莉

1.一種基于粒子群優(yōu)化的支持向量機(jī)停電預(yù)測(cè)方法，其特征在于，包括：

獲取預(yù)先確定的有效特征的參數(shù)；將有效特征的參數(shù)輸入預(yù)先訓(xùn)練的支持向量機(jī)模型中，支持向量機(jī)模型預(yù)測(cè)輸出停電數(shù)據(jù)；

訓(xùn)練支持向量機(jī)模型，包括：

在已有的停電特征基礎(chǔ)上構(gòu)造新特征；

采用隨機(jī)森林方法計(jì)算已有的停電特征重要性和新特征重要性，根據(jù)重要性對(duì)已有的停電特征和新特征進(jìn)行排名，按照重要性排名順序由高到低選擇若干個(gè)已有的停電特征或新特征組成有效特征的參數(shù)；

用有效特征的參數(shù)訓(xùn)練參數(shù)待確定的支持向量機(jī)模型，構(gòu)建有效特征的參數(shù)和停電數(shù)據(jù)之間的映射關(guān)系；其中，支持向量機(jī)模型中待確定參數(shù)，包括：

支持向量機(jī)模型的參數(shù)包括C和γ，C代表懲罰因子，γ是RBF函數(shù)的參數(shù)；

利用基于線性遞減權(quán)重的粒子群優(yōu)化算法尋找支持向量機(jī)模型中C和γ的最佳值，并且使用線性遞減權(quán)重提高粒子群優(yōu)化算法的搜索效率；

其中，利用基于線性遞減權(quán)重的粒子群優(yōu)化算法尋找支持向量機(jī)模型中C和γ的最佳值，并且使用線性遞減權(quán)重提高粒子群優(yōu)化算法的搜索效率，包括：

每個(gè)粒子都在問(wèn)題空間中跟蹤其位置坐標(biāo)，pbest表示個(gè)體最優(yōu)的粒子；gbest表示全局最優(yōu)粒子；

粒子群優(yōu)化算法包括改變每個(gè)粒子向其pbest位置移動(dòng)的速度和改變每個(gè)粒子向其gbest位置移動(dòng)的速度，加速度由隨機(jī)項(xiàng)加權(quán)得到，在這些隨機(jī)項(xiàng)中，為向pbest位置的加速度和向gbest位置的加速度生成單獨(dú)的隨機(jī)數(shù)，基于粒子群優(yōu)化算法更新粒子的速度和粒子的位置的計(jì)算如下所示：

其中，表示t時(shí)刻的粒子群中粒子的速度，c₁和c₂表示學(xué)習(xí)因子，random(0,1)表示服從參數(shù)為0和1的均勻分布的隨機(jī)數(shù)，pbest_i表示第i個(gè)最優(yōu)的粒子位置，gbest表示所有粒子中最優(yōu)的粒子，表示t時(shí)刻的粒子群中粒子的位置；w是慣性因子且w＞＝0，用來(lái)平衡粒子群優(yōu)化算法的全局和局部尋優(yōu)的參數(shù)；

為了更好地利用粒子群算法尋優(yōu)，采用線性遞減權(quán)重方法動(dòng)態(tài)更新w的值，更新公式如下所示：

其中，w₁表示慣性因子初始的設(shè)置值，w_e表示迭代到最大的進(jìn)化代時(shí)的設(shè)置值，I_k表示設(shè)置的最大的迭代次數(shù)；

訓(xùn)練支持向量機(jī)模型，包括：

支持向量機(jī)模型的集合定義如下：

其中，x_j代表第j個(gè)有效特征的參數(shù)，有效特征的參數(shù)維度為k；y_j表示支持向量機(jī)模型的第j個(gè)預(yù)測(cè)輸出；R^m表示有效特征的參數(shù)的集合，是m維的實(shí)數(shù)向量，n表示有效特征的參數(shù)的記錄總數(shù)；

多個(gè)有效特征的參數(shù)組成樣本向量，將原先的樣本向量映射到一個(gè)新的坐標(biāo)空間中，然后在變換后的新的坐標(biāo)空間中用線性的決策邊界劃分樣本向量，選擇徑向基核函數(shù)作為支持向量機(jī)模型的核函數(shù)，使用核函數(shù)通過(guò)非線性變換創(chuàng)建線性的決策邊界；

若會(huì)停電和不會(huì)停電這兩種類(lèi)別線性不可分割，則引入從輸入空間到高維特征空間的非線性變換，非線性變換公式如下所示：

φ(x)：x∈R^m→R^k，m＜＜k?????????????????(7)，

其中，φ(x)表示一種函數(shù)映射，x表示有效特征，R^k表示k維的實(shí)數(shù)向量；

在變換后的坐標(biāo)空間中，劃分超平面的模型方程如下所示：

其中，T為向量的轉(zhuǎn)置，ω和b為支持向量機(jī)模型中的參數(shù)，表示關(guān)于x的向量，為了使得找到的超平面到兩種類(lèi)別之間的距離之和最大，則有

其中r表示樣本向量的目標(biāo)特征的記錄數(shù)；

得到該約束下的優(yōu)化問(wèn)題的對(duì)偶Lagrangian函數(shù)如下所示：

其中，α_i表示拉格朗日乘子，α_j表示拉格朗日乘子，y_i表示第i個(gè)樣本記錄的目標(biāo)特征的真實(shí)值，x_j代表第j個(gè)有效特征的參數(shù)；

其對(duì)偶問(wèn)題如下所示：

根據(jù)二次規(guī)劃得到拉格朗日乘子，從而得到參數(shù)ω和b的值，計(jì)算過(guò)程如下所示：

結(jié)合核函數(shù)進(jìn)行求解得到超平面的方程如下：

其中，κ(·)為徑向基核函數(shù)，κ(x,x_i)表示φ(x)·φ(x_i)。