一種電力最大負荷小樣本預測方法
【技術領域】
[0001] 本發明涉及一種利用小樣本預測電網年最大負荷的方法，屬于輸配電技術領域。
【背景技術】
[0002] 電網年最大負荷預測是電力系統規劃和經濟運行的基礎，對于確定電網中長期規 劃、機組的啟停運行和備用容量等均有密切關系。隨著電力工業的不斷發展，對負荷預測的 精度要求越來越高。負荷預測相關模型可以分為三類：經典預測模型、計量相關預測模型和 智能技術相關預測模型。經典預測模型計算簡單，但預測誤差相對較高；基于人工智能和計 量相關的預測方法計算過程相對復雜，含義不明晰，且都需要較大的數據樣本，才能對事物 未來發展趨勢進行科學合理的模擬和預測。考慮到年最大負荷數據有限，無法獲取到大樣 本數據，因此，如何根據小樣本數據進行年最大負荷預測是負荷預測工作中需要解決的一 個關鍵問題。年最大負荷預測模型要能夠充分利用有限的數據，得到具有滿意預測精度的 結果，同時能夠有效降低預測風險，這樣才能相對準確地衡量年最大負荷未來的變化趨勢。
[0003] 支持向量機（Support Vector Machine，SVM)是由Vapnik等人在統計學理論基 礎上所提出的一種較新的計算學習方法，它在處理小樣本、非線性和高維模式識別方面有 突出的優勢。其基本思想是把輸入空間的數據通過非線性映射對應到一個高維特征空間， 從而將實際問題轉換為帶有不等式約束的二次規劃問題。最小二乘支持向量機（Least Squares Support Vector Machines，SSVM)是SVM的一種擴展改進形式，采用等式約束替代 SVM中的不等式約束，將二次規劃轉變為等式方程組，避免了求解耗時的二次規劃問題，從 而提高了求解效率。LSSVM模型存在的問題是，核函數寬度σ和誤差懲罰因子C對LSSVM 的學習和泛化能力影響較大，預測精度依賴于參數的合理選擇。
[0004] 和聲搜索算法（Harmony Search Algorithm，HSA)是Geem在2001年受到音樂和 聲現象啟發而提出的一種新穎的優化算法，該算法的優點主要有：尋優速度較快、算法適應 性強、穩定性好、算法原理較簡單等。但是和聲優化算法受到和聲庫（Harmony Memory，HM) 參數和新解生成方式的影響，在處理復雜問題時容易出現局部搜索能力差，收斂精度不高 等問題。量子理論是Benioff和Feynman融合量子理論和信息科學而提出的，采用量子比 特、態疊加及坍縮等概念實現并行處理。受量子理論的啟發，融合量子和和聲搜索理論的量 子和聲搜索算法（Quantum Harmony Search Algorithm，QHSA)，能夠有效地提高收斂速度、 泛化能力和優化性能。QHSA采用量子比特表示和聲庫內的和聲向量，有效地提高每個和聲 向量的信息攜帶量；同時，利用塌縮理論對疊加態進行測量；并采用自適應的和聲策略更 新量子相位，避免常見查詢表方式對搜索效率的影響。
[0005] 利用最小二乘支持向量機（LSSVM)預測模型對電網年最大負荷進行預測，同時采 用量子和聲優化算法尋找LSSVM模型中σ和C的最優值，可以避免參數選擇的盲目性，從 而提高小樣本預測精度。然而到目前為止還沒有類似的預測方法。
【發明內容】
[0006] 本發明的目的在于針對現有技術之弊端，提供一種基于量子和聲搜索優化算法的 LSSVM電力最大負荷小樣本預測方法，以提高電力最大負荷的預測精度。
[0007] 本發明所述問題是以下述技術方案解決的：
[0008] -種電力最大負荷小樣本預測方法，所述方法包括以下步驟：
[0009] a.采集電網年最大負荷歷史數據，將其中的部分數據作為訓練樣本，其余數據作 為測試樣本，并確定偏最小二乘支持向量機（LSSVM)預測模型的輸入變量；
[0010] b.定義優化問題，初始化量子和聲算法參數 [0011] 優化問題如下所示：
[0015] 其中，f (C，〇 )為目標函數具體形式，yt為第t期實際值；篇為第t期預測值，〇為核函數寬度；C為誤差懲罰因子，T為數據計算期數，（：_和C _分別為C的下限和上限，0_和σ _分別為σ的下限和上限；
[0016] 文中縮寫為：初始化和聲庫選擇概率（Harmony Memory Considering Rate， HMCR)、初始和聲庫大小（Harmony Memory Size，HMS)、擾動調整概率（Pitch Adjustment Rate，PAR)、帶寬（Bandwidth，BW)、最大循環次數f以及C和〇的下限和上限；
[0017] c.初始化量子和聲庫
[0018] 選取參數核函數寬度σ和懲罰因子C作為和聲向量，根據量子理論，采用量子編 碼將核函數寬度0和懲罰因子C轉換成量子和聲向量（quantum harmony vector，QHV)， 生成初始量子和聲向量；
[0019] d.以HMCR的概率在和聲庫中產生新解xnra，形成新的和聲，并對新解進行擾動；
[0020] e.評價新解，并更新和聲向量
[0021] 對產生的新解xn?進行測量，使其坍縮至某一基態，計算新解X ^對應的目標函數 值f (x-〇，再將f (x-〇與HM中的最差解對應的目標函數值f (X ^t)進行比較，如果 f Un，優于f (xWOTSt)，則新解Xnew取代最差解XWOTSt，否則放棄新解；
[0022] f.確定模型參數的最優解
[0023] 更新迭代次數，如果迭代次數大于事先設定的最大循環次數，則選取和聲庫內對 應目標函數最小的和聲向量作為σ和C的最優值；否則返回步驟d ;
[0024] g.將σ和C的最優值帶入LSSVM模型，并利用訓練樣本和測試樣本對LSSVM模型 進行訓練和測試；
[0025] h.用訓練好的LSSVM模型對電網年最大負荷進行預測。
[0026] 上述電力最大負荷小樣本預測方法，采用量子編碼將核函數寬度σ和懲罰因子C 轉換成QHV的轉換公式如下：
CN 105184398 A 說明書 3/6 頁
[0029] 式中：q\為第t代HM中的第i個量子和聲；<4、馬（i為HM中行信息i =1，…，m，j為列信息j = 1，…，η)分別為f)中第j個分量的量子態概率幅，并滿足
%為該和聲向量Y的第j個量子角，滿足
m為 和聲庫規模；η為研究問題的維數。
[0030] 上述電力最大負荷小樣本預測方法，對和聲庫中產生的新解進行擾動的具體方法 是：采用動態調整帶寬BW技術進行擾動，以黃金分割的黃金比作為調整概率（PAR)的界限， 動態調整BW的公式如下：
[0033] 其中：q' ljrrew為擾動后的新解；q ljnOT為擾動前的解；Rand(0, 1)為區間[0, 1]之間 的隨機數。
[0034] 上述電力最大負荷小樣本預測方法，對產生的新解q'1]nJi行測量，使其坍縮至某 一基態的方法如下：
[0036] 其中，< 為新解q' i jnOT所對應的量子和聲。
[0037] 上述電力最大負荷小樣本預測方法，所述偏最小二乘支持向量機（LSSVM)預測模 型的輸入變量根據滾動預測原理確定。
[0038] 本發明利用最小二乘支持向量機預測模型對電網年最大負荷進行小樣本預測，同 時采用量子和聲優化算法尋找LSSVM模型中〇和(：的最優值，有效避免了參數選擇的盲目 性，大大提高了預測精度。
【附圖說明】
[0039] 下面結合附圖對本發明作進一步說明。
[0040] 圖1為本發明整體實施的流程圖；
[0041] 圖2為本發明實施例中量子和聲優化算法（QHSA)實現流程圖；
[0042] 圖3為本發明實施例中原始數據曲線和預測值曲線。
[0043] 文中所用符號=LSSVM為最小二乘支持向量機，HM為和聲庫，HMS為初始和聲庫大 小，HMCR為和聲庫選擇概率，PAR為擾動調整概率，I 0〉和I 1〉表示兩種基本的量子態，α 和β為以復數形式表示的量子態的概率幅，QHSA為量子和聲搜索算法，Y1為第t代HM中 的第i個量子和聲，、：馬（i為HM中行信息i = 1，…，m，j為列信息j = 1，…，η)分別 為fi中第j個分量的量子態概率幅，馬為和聲向量€的第j個量子角，m為和聲庫規模，η 為研究問題的維數，q' ljrrew為擾動后的新解，Q1 j_為擾動前的解，Rand (0, 1)為區間[0, 1]之 間的隨機數，yt為第t期實際值；免為第t期預測值；〇為核函數寬度；C為誤差懲罰因子， Xnew為HM中產生的新解，X "^為HM中的最差解，f (X _)為Xnew對應的目標函數值，f (X WOTSt) 為xWOTSt對應的目標函數值，f(C，σ)為目標函數，T為數據計算期數，C_，C_分別為C的 下限和上限，σ_，分別為〇的下限和上限，QHV量子和聲向量。
【具體實施方式】
[0044] 本發明公開了一種電力最大負荷小樣本預測方法，此方法可根據有限的小樣本數 據進行LSSVM建模，并通過量子和聲優化算法確定模型的核函數寬度〇和誤差懲罰因子C 的最優值，以實現模型參數的智能選擇，同時明顯提高預測精度。該預測方法不僅可以應用 于最大負荷預測領域，同樣可以解決其它預測問題。
[0045] 本發明的特點：
[0046] 首先，本發明運用量子和聲搜索優化算法思想，進行全局搜索，可以尋找到最小目 標函數對應的LSSVM待優化參數的數值，以實現核函數寬度σ和誤差懲罰因子C這兩個參 數的智能優化選擇，同時能夠保證預測誤差MPE達到最小。
[0047] 其次，本發明能夠實現小樣本建模，同時有效提高了預測精度。
[0048] 本發明包括以下步驟：
[0049] 步驟1 :采集最大負荷歷史數據，得到訓練樣本，根據滾動預測原理，確定偏最小 二乘支持向量機（LSSVM)預測模型的輸入變量；
[0050] 步驟2 :定義優化問題，初始化算法參數。優化問題如下所示：
[0054] 其中：yt為第t期實際值；芡.為第t期預測值；〇為核函數寬度；C為誤差懲罰因 子。
[0055] 初始化和聲庫選擇概率HMCR、初始和聲庫大小H