支持向量機的參數選取方法和系統與負荷預測方法和系統的制作方法
【專利摘要】本發明涉及一種支持向量機的參數選取方法和系統以及負荷預測方法和系統，其是采用云遺傳算法對支持向量機的參數進行了優化，根據正態云模型輸出結果的隨機性和穩定傾向性特點，隨機性可以保持個體多樣性從而避免搜索陷入局部極值，而穩定傾向性又可以很好地保護較優個體從而對全局最值進行自適應定位，有效提高搜索到最優解或滿意解的速度，從而提高以選取的參數配置的支持向量機進行負荷預測的效率，而且在選取過程中獲取了預測負荷數據與實際負荷數據之間的誤差值以作為云遺傳算法優化的效果，優化后使誤差值將至最低，以此提高選取的參數的準確性。
【專利說明】
支持向量機的參數選取方法和系統與負荷預測方法和系統
技術領域
[0001] 本發明涉及電力系統技術領域，特別是涉及一種支持向量機的參數選取方法和系 統與負荷預測方法和系統。
【背景技術】
[0002] 科學的預測是正確決策的依據和保證。負荷預測是電力系統領域的一個傳統研究 問題，是指從已知的電力系統、經濟、社會、氣象等情況出發，通過對歷史數據的分析和研 究，探索事物之間的內在聯系和發展變化規律，對負荷發展做出預先估計和推測。負荷預測 是電力系統規劃、計劃、用電、調度等部門的基礎工作，其重要性早已被人們所認識。
[0003] 負荷預測本質上是對功率曲線進行擬合與回歸，由于實時功率曲線受電力系統、 經濟、社會、氣象等諸多因素影響，一般表現為復雜非線性特點，宜采用對復雜非線性特性 具備較強學習能力的預測模型。
[0004] 目前應用較多且比較成熟的預測方法，主要為支持向量機（Support Vector Machine，SVM)等。SVM同時考慮經驗風險最小和結構風險最小，使模型具有較強的推廣性， 在小樣本識別方面有較大優勢，且SVM有嚴格的數學理論基礎，其決策為全局最優。
[0005] SVM參數的選取策略目前尚沒有統一的方法，SVM參數選取的優劣將直接影響模型 的擬合和回歸能力。現有技術中，較為常用的SVM參數優化算法包括網格搜索算法、粒子群 算法等。利用這些算法雖然可以選取SVM參數，但搜索到最優解或滿意解的速度太慢，依據 選取的參數進行負荷預測的效率低。
【發明內容】
[0006] 基于此，有必要針對現有的支持向量機搜索到最優解或滿意解的速度太慢導致負 荷預測效率低的問題，提供一種支持向量機的參數選取方法和系統與負荷預測方法和系 統。
[0007] -種支持向量機的參數選取方法，包括以下步驟：
[0008] 獲取支持向量機的各參數的取值范圍和云遺傳算法的各自變量，其中，支持向量 機的各參數對應云遺傳算法的各自變量；
[0009] 根據對應的各參數的取值范圍對各自變量均勻取值，形成初始種群，其中，初始種 群中包括多個個體，個體包括取值后的各自變量；
[0010] 針對每個個體，根據取值后的各自變量配置支持向量機，獲取實時負荷數據和歷 史負荷數據以及實時負荷數據和歷史負荷數據之間的相似度，從歷史負荷數據中篩選出相 似日的負荷數據，其中，相似日的負荷數據與實時負荷數據的相似度大于預設值;將相似日 的負荷數據作為支持向量機的輸入，將對應相似日之后的預設天數的負荷數據作為支持向 量機的輸出，用以訓練支持向量機;將相似日的負荷數據輸入至訓練后的支持向量機，獲得 訓練后的支持向量機輸出的預設天數的負荷數據，并獲取訓練后的支持向量機輸出的預設 天數的負荷數據與相似日之后的預設天數的負荷數據之間的誤差值；
[0011]選取初始種群中的部分個體，以選取的各個體對應的誤差值的倒數作為適應度 值，根據選取的各個體對應的適應度值，對選取的各個體進行基于條件云的交叉操作，獲得 第一個體組;對第一個體組中的各個體進行基于基本云的變異操作，獲得第二個體組； [0012]判斷第二個體組中是否有個體滿足終止條件，若是，則將該個體中取值后的各自 變量作為支持向量機的各參數;若否，則返回至針對每個個體，根據取值后的各自變量配置 支持向量機的步驟。
[0013] -種支持向量機的參數選取系統，包括以下單元：
[0014] 第一獲取單元，用于獲取支持向量機的各參數的取值范圍和云遺傳算法的各自變 量，其中，支持向量機的各參數對應云遺傳算法的各自變量；
[0015] 生成單元，用于根據對應的各參數的取值范圍對各自變量均勻取值，形成初始種 群，其中，初始種群中包括多個個體，個體包括取值后的各自變量；
[0016] 第一訓練單元，用于針對每個個體，根據取值后的各自變量配置支持向量機，獲取 實時負荷數據和歷史負荷數據以及實時負荷數據和歷史負荷數據之間的相似度，從歷史負 荷數據中篩選出相似日的負荷數據，其中，相似日的負荷數據與實時負荷數據的相似度大 于預設值;將相似日的負荷數據作為支持向量機的輸入，將對應相似日之后的預設天數的 負荷數據作為支持向量機的輸出，用以訓練支持向量機；
[0017] 第二獲取單元，將相似日的負荷數據輸入至訓練后的支持向量機，獲得訓練后的 支持向量機輸出的預設天數的負荷數據，并獲取訓練后的支持向量機輸出的預設天數的負 荷數據與相似日之后的預設天數的負荷數據之間的誤差值；
[0018] 云操作單元，選取初始種群中的部分個體，以選取的各個體對應的誤差值的倒數 作為適應度值，根據選取的各個體對應的適應度值，對選取的各個體進行基于條件云的交 叉操作，獲得第一個體組;對第一個體組中的各個體進行基于基本云的變異操作，獲得第二 個體組；
[0019] 判斷單元，判斷第二個體組中是否有個體滿足終止條件，若是，則將該個體中取值 后的各自變量作為支持向量機的各參數;若否，則返回至第一訓練單元。
[0020] 根據上述本發明的支持向量機的參數選取方法和系統，其是采用云遺傳算法對支 持向量機的參數進行了優化，借助于云模型，利用云發生器代替傳統的交叉、變異算子，根 據正態云模型輸出結果的隨機性和穩定傾向性特點，隨機性可以保持個體多樣性從而避免 搜索陷入局部極值，而穩定傾向性又可以很好地保護較優個體從而對全局最值進行自適應 定位，有效提高搜索到最優解或滿意解的速度，進而可以提高負荷預測的效率，而且在選取 過程中獲取了預測負荷數據與實際負荷數據之間的誤差值以作為云遺傳算法優化的效果， 優化后使誤差值將至最低，以此提高選取的參數的準確性。
[0021] 一種負荷預測方法，包括以下步驟：
[0022 ]根據上述支持向量機的參數選取方法選取支持向量機的參數，根據選取的支持向 量機的參數對支持向量機進行配置；
[0023] 將相似日的負荷數據作為支持向量機的輸入，將對應相似日之后的預設天數的負 荷數據作為支持向量機的輸出，用以再度訓練支持向量機；
[0024] 將實時負荷數據輸入至再度訓練后的支持向量機，獲得對應實時負荷數據的日期 之后的預設天數的負荷數據。
[0025] -種負荷預測系統，包括上述支持向量機的參數選取系統和以下單元：
[0026] 配置單元，用于根據上述的支持向量機的參數選取系統選取的支持向量機的參數 對支持向量機進行配置；
[0027] 第二訓練單元，將相似日的負荷數據作為支持向量機的輸入，將對應相似日之后 的預設天數的負荷數據作為支持向量機的輸出，用以再度訓練支持向量機；
[0028] 第三獲取單元，用于將實時負荷數據輸入至再度訓練后的支持向量機，獲得對應 實時負荷數據的日期之后的預設天數的負荷數據。
[0029] 根據上述本發明的負荷預測方法和系統，其是采用云遺傳算法對支持向量機的參 數進行了優化，借助于云模型，利用云發生器代替傳統的交叉、變異算子，根據正態云模型 輸出結果的隨機性和穩定傾向性特點，隨機性可以保持個體多樣性從而避免搜索陷入局部 極值，而穩定傾向性又可以很好地保護較優個體從而對全局最值進行自適應定位，有效提 高搜索到最優解或滿意解的速度，從而提高以選取的參數配置的支持向量機進行負荷預測 的效率，而且在選取參數過程中，獲取了訓練后的支持向量機輸出的預設天數的負荷數據 與相似日之后的預設天數的負荷數據之間的誤差值以作為云遺傳算法優化的效果，優化后 使誤差值將至最低，以此提高選取的參數的準確性，從而降低支持向量機模型在實際預測 時的預測誤差，提高負荷預測的精度。
【附圖說明】
[0030] 圖1為其中一個實施例的支持向量機的參數選取方法的流程示意圖；
[0031 ]圖2為其中一個實施例的負荷預測方法的流程示意圖；
[0032] 圖3為其中一個實施例的負荷預測方法實際應用效果圖；
[0033] 圖4為其中一個實施例的支持向量機的參數選取系統的結構示意圖；
[0034] 圖5為其中一個實施例的負荷預測系統的結構示意圖；
[0035] 圖6為其中一個實施例的負荷預測系統的結構示意圖。
【具體實施方式】
[0036] 為使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本 發明進行進一步的詳細說明。應當理解，此處所描述的【具體實施方式】僅僅用以解釋本發明， 并不限定本發明的保護范圍。
[0037] 參見圖1所示，為本發明的支持向量機的參數選取方法的流程示意圖。該實施例中 的支持向量機的參數選取方法，包括以下步驟：
[0038]步驟S101:獲取支持向量機的各參數的取值范圍和云遺傳算法的各自變量，其中， 支持向量機的各參數對應云遺傳算法的各自變量；
[0039] 在本步驟中，實質上是將支持向量機的各參數作為云遺傳算法的各自變量。
[0040] 步驟S102:根據對應的各參數的取值范圍對各自變量均勻取值，形成初始種群，其 中，初始種群中包括多個個體，個體包括取值后的各自變量；
[0041] 在本步驟中，由于各參數都有對應的取值范圍，也就是各自變量都有對應的取值 范圍，對各自變量進行取值可以形成多個個體。
[0042]步驟S103:針對每個個體，根據取值后的各自變量配置支持向量機，獲取實時負荷 數據和歷史負荷數據以及實時負荷數據和歷史負荷數據之間的相似度，從歷史負荷數據中 篩選出相似日的負荷數據，其中，相似日的負荷數據與實時負荷數據的相似度大于預設值； 將相似日的負荷數據作為支持向量機的輸入，將對應相似日之后的預設天數的負荷數據作 為支持向量機的輸出，用以訓練支持向量機;將相似日的負荷數據輸入至訓練后的支持向 量機，獲得訓練后的支持向量機輸出的預設天數的負荷數據，并獲取訓練后的支持向量機 輸出的預設天數的負荷數據與相似日之后的預設天數的負荷數據之間的誤差值；
[0043] 在本步驟中，主要是根據個體中的參數值配置支持向量機，利用實時負荷數據和 相似日的負荷數據對支持向量機進行訓練，并獲取誤差值。
[0044] 步驟S104:選取初始種群中的部分個體，以選取的各個體對應的誤差值作為適應 度值，根據選取的各個體對應的適應度值，對選取的各個體進行基于條件云的交叉操作，獲 得第一個體組;對第一個體組中的各個體進行基于基本云的變異操作，獲得第二個體組；
[0045] 步驟S105:判斷第二個體組中是否有個體滿足終止條件，若是，則將該個體中取值 后的各自變量作為支持向量機的各參數;若否，則返回至針對每個個體，根據取值后的各自 變量配置支持向量機的步驟。
[0046] 根據上述本發明的支持向量機的參數選取方法，其是采用云遺傳算法對支持向量 機的參數進行了優化，借助于云模型，利用云發生器代替傳統的交叉、變異算子，根據正態 云模型輸出結果的隨機性和穩定傾向性特點，隨機性可以保持個體多樣性從而避免搜索陷 入局部極值，而穩定傾向性又可以很好地保護較優個體從而對全局最值進行自適應定位， 有效提高搜索到最優解或滿意解的速度，進而可以提高負荷預測的效率，而且在選取過程 中獲取了預測負荷數據與實際負荷數據之間的誤差值以作為云遺傳算法優化的效果，優化 后使誤差值將至最低，以此提高選取的參數的準確性。
[0047] 在其中一個實施例中，對選取的各個體進行基于條件云的交叉操作的步驟包括以 下步驟：
[0048] 對于任何一組用于交叉的兩個個體，對兩個個體中的每個變量作以下運算：
[0049]
計算第一特征數值，其中，Ex、En和He為 第一特征數值，FmajPFmin分別為選取的各個體對應的適應度的最大值和最小值；
[0050] XQ取交叉操作的兩個個體對應的適應度中的較大值，將XQ以及Ex、En和He輸入至X 條件云發生器，獲得第一確定度；
r
[0051] -廿算第二特征數 值，其中，Ex '、En '和He '為第二特征數值，Xf和Xm分別為交叉操作的兩個個體中對應的同一 種變量，span為同一種變量的取值區間長度，Ff和Fm分別為兩個個體對應的適應度，pop為種 群大小；
[0052]將第一確定度以及Ex'、En'和He'輸入至Y條件云發生器，獲得與同一變量對應的 第一子變量和第二子變量，用第一子變量替換Xf，用第二子變量替換Xm。
[0053]在本實施例中，交叉操作目的是利用Y條件云發生器對兩個個體的信息進行交換， 得到一對新個體，為維持種群大小不變，將新得到的一對個體取代原來的父母個體，使得種 群中的個體之間的差異減小。
[0054] 在其中一個實施例中，對第一個體組中的各個體進行基于基本云的變異操作的步 驟包括以下步驟：
[0055] 對于任何一個用于變異操作的個體，對該個體中的任一變量xP作以下運算：
[0056]
計算第三特征數值，其中，Ex"、 En"和He"為第三特征數值，span (xP)表示變量xP的取值區間長度，pop為種群大小；
[0057] 將Ex"、En"和He"輸入至基本云發生器，獲得與變量xP對應的第三子變量和第二確 定度，生成服從[0，1]區間均勻分布的隨機數，當第二確定度大于隨機數時，用第三子變量 替換變量xp。
[0058] 在本實施例中，變異操作目的是利用基本云發生器對個體中的變量進行轉換，將 新的信息引入所選個體。變異操作的對象為經過交叉操作得到的第一個體組中的個體中的 變量，在每個個體的變量完成變異后就得到新個體，將新個體取代原個體。
[0059] 在其中一個實施例中，選取初始種群中的部分個體的步驟包括以下步驟：
[0060] 基于輪盤賭方法的選擇方式選取初始種群中的部分個體。
[0061] 在本實施例中，輪盤賭選擇是從種群中隨機選擇一些個體的方法，被選中的機率 和它們的適應度值成比例，個體的適應度值愈高（也即對應的誤差值愈小），被選中的概率 也愈大，基于輪盤賭方法的選擇方式選取的個體的適應度值較高，可以間接提高支持向量 機參數選取的準確性。
[0062] 根據上述支持向量機的參數選取方法，本發明還提供一種負荷預測方法，以下就 本發明的負荷預測方法的實施例進行詳細說明。
[0063] 參見圖2所示，為本發明的負荷預測方法的流程示意圖。該實施例中的負荷預測方 法包括以下步驟：
[0064] 步驟S201:根據上述支持向量機的參數選取方法選取支持向量機的參數，根據選 取的支持向量機的參數對支持向量機進行配置；
[0065] 步驟S202:將相似日的負荷數據作為支持向量機的輸入，將對應相似日之后的預 設天數的負荷數據作為支持向量機的輸出，用以再度訓練支持向量機；
[0066] 步驟S203:將實時負荷數據輸入至再度訓練后的支持向量機，獲得對應實時負荷 的日期之后的預設天數的負荷數據。
[0067]在本實施例中，采用云遺傳算法對支持向量機的參數進行了優化，借助于云模型， 利用云發生器代替傳統的交叉、變異算子，根據正態云模型輸出結果的隨機性和穩定傾向 性特點，隨機性可以保持個體多樣性從而避免搜索陷入局部極值，而穩定傾向性又可以很 好地保護較優個體從而對全局最值進行自適應定位，有效提高搜索到最優解或滿意解的速 度，從而提高以選取的參數配置的支持向量機進行負荷預測的效率，而且在選取參數過程 中，獲取了訓練后的支持向量機輸出的預設天數的負荷數據與相似日之后的預設天數的負 荷數據之間的誤差值以作為云遺傳算法優化的效果，優化后使誤差值將至最低，以此提高 選取的參數的準確性，從而降低支持向量機模型在實際預測時的預測誤差，提高負荷預測 的精度。
[0068]在其中一個實施例中，在再度訓練支持向量機的步驟之后，還包括以下步驟:將相 似日的負荷數據輸入至再度訓練后的支持向量機，獲得再度訓練后的支持向量機輸出的預 設天數的負荷數據，并獲取再度訓練后的支持向量機輸出的預設天數的負荷數據與相似日 之后的預設天數的負荷數據之間的誤差值。
[0069] 在本實施例中，可以利用歷史數據來對再度訓練后的支持向量機進行測試，獲得 再度訓練后的支持向量機的預測誤差值，以此來判斷再度訓練后的支持向量機進行負荷預 測的精度。
[0070] 在其中一個實施例中，負荷預測方法主要由兩部分構成：
[0071] 1)基于支持向量機和相似日的預測算法:采用支持向量機作為負荷預測的基礎模 型，核函數選擇為徑向基函數，并引入相似日選取作為數據預處理的主要部分；
[0072] 徑向基核函數如下式
[0074] 其中，Xi和Xj為任意兩個輸入量，e為自然底數;參數σ為待定參數，其大小將在參數 優化算法中進行調整；
[0075] 2)對預測算法的參數取值的參數優化算法:為解決相似度閾值以及支持向量機參 數的選取問題，選取云遺傳算法對其進行優化，云遺傳算法優化的效果以支持向量機模型 對歷史數據的擬合程度為判斷依據。
[0076]預測算法包括以下步驟：
[0077] 1、選定支持向量機的參數；
[0078] 2、把實時數據和歷史數據進行比對，在一定相似度閾值下篩選出一組相似日；
[0079] 其中，實時數據和歷史數據的相似度采用以下計算方法：
[0081]式中，Sim表示實時數據和歷史數據的相似度，X表示實時功率數據構成的行向量， y表示歷史功率數據構成的行向量，T為轉置符號；
[0082] 3、把該組相似日的功率數據作為輸入，各相似日的后三天(天數可以根據需要設 置)的功率數據作為輸出，用以訓練支持向量機模型；
[0083] 4、取所得相似日的一部分(比如，取5個相似日）用以計算步驟3得到的支持向量機 模型的擬合效果，其中，選取的相似日的功率數據作為輸入，然后用模型輸出的功率數據與 各相似日的后三天的功率數據作誤差分析，包括平均絕對百分比誤差和均方根相對誤差， 相關公式如下：
[0084] 一、平均絕對百分比誤差εΜΑΡΕ計算公式為
[0086]其中，η為用作誤差分析的負荷值個數，Yi為i時刻預測負荷值，yi為i時刻實際負荷 值，yN為被預測對象(風電/光伏/負荷)的額定功率；
[0087]二、均方根相對誤差￡rmse計算公式為
[0089]各物理量含義與平均絕對百分比誤差emape計算公式中的相同；
[0090]三、總體誤差值ε計算公式為
[0092]參數優化算法包括以下步驟：
[0093] 1、取相似度閾值為0.9，支持向量機的參數作為云遺傳算法的自變量，各變量取值 范圍皆為(0,100)，云遺傳算法的種群大小為100;
[0094] 2、各個自變量根據各自的取值區間均勻取值，得到各個個體，形成初始種群；
[0095] 3、把各個個體分別代入預測算法，得到訓練好的支持向量機模型及其誤差值，該 誤差值的倒數即為適應度值；
[0096] 4、基于輪盤賭方法的選擇操作，選出一部分個體；
[0097] 5、對所選出的個體進行基于條件云的交叉操作；
[0098] 6、對所選出的個體進行基于基本云的變異操作；
[0099] 7、判斷是否滿足終止條件，若滿足則輸出最優個體，否則回到步驟3;
[0100] 其中，滿足以下任一規則即視為滿足終止條件：
[0101] (1)最大迭代次數為1〇〇;
[0102] (2)最優個體的適應度在兩次連續迭代過程中變化不超過10-8。
[0103] 在實際進行預測時，將最優個體也即最優各參數輸入預測算法，得到再度訓練好 的支持向量機模型，把實時數據輸入，便可得到未來三天的預測功率數據。
[0104] 條件云和基本云基于正態云模型。正態云模型是一個遵循正態分布規律、具有穩 定傾向的隨機數集，用期望值Ex、熵Εη、超熵He三個數值來表征。
[0105] 參照圖3,其為本發明的負荷預測方法對一個水泥廠的發電功率的實際預測效果， 虛線為預測功率，實線為實際功率。經誤差分析可得，其均方根相對誤差為18.21%，平均絕 對百分比誤差為16.32%，具有較高的計算精度。在對同一預測對象進行多次計算，結果表 明，云遺傳算法優化的支持向量機模型平均在30次迭代后得到最優模型，收斂速度較快。
[0106] 本發明涉及三種云發生器：
[0107] 1)基本云發生器，包括以下步驟：
[0108] 步驟 1:輸入 Ex、En、He;
[0109] 步驟2:生成期望值為En、方差為He的正態隨機數Εη' ；
[0110] 步驟3:生成期望值為Εη'、方差為He的正態隨機數X;
[0111] 步驟4:計算確定度
[0113] 步驟5:輸出云滴(χ，μ);
[0114] 2)Χ條件云發生器，包括以下步驟：
[0?15] 步驟1:輸入Ex、En、He，以及論域上特定的值Χ0;
[0116] 步驟2:生成期望值為En、方差為He的正態隨機數En' ；
[0117] 步驟3:計算確定度
[0119] 步驟4:輸出云滴(χο，μ);
[0120] 3)Υ條件云發生器，包括以下步驟：
[0121] 步驟1:輸入Ex、En、He，以及特定的確定度μ〇;
[0122] 步驟2:生成期望值為Εη、方差為He的正態隨機數En' ；
[0123] 步驟3:計算X值
[0125] 步驟5:輸出云滴(χ，μ〇)。
[0126] 參數優化算法中，基于條件云的交叉操作，對于任何一組用于交叉的兩個個體，對 個體的每個變量作以下運算：
[0127] 1、特征數值Ex、En、He計算如下
[0128] Ex = Fmax
[0131 ]其中，Fmax和Fmin分別為適應度的最大和最小值；
[0132] 2、XQ取交叉操作的兩個個體中較大的適應度，利用X條件云發生器生成一個云滴， 并得到相應的確定度μ〇;
[0133] 3、特征數值Ex、En、He計算如下
[0137] 其中，X#PXm分別為交叉操作的父個體和母個體的某一變量，span為該變量的取值 區間長度，F#PF m則分別對應它們的適應度，pop為種群大小；
[0138] 4、結合上述算得的確定度μ〇，利用Y條件云發生器生成一對云滴，作為本交叉操作 得到的一對兒女的相應變量。
[0139] 參數優化算法中，基于基本云的變異操作，對于任何一個用于變異操作的個體，對 任一變量辦作以下運算：
[0140] 1、特征數值Ex、En、He計算如下
[0141] Ex = xP
[0144]其中span (xP)表示變量xP的取值區間長度，pop為種群大小；
[0145] 2、利用基本云發生器生成一個云滴(χ，μ);
[0146] 3、生成服從[0,1]區間均勾分布的隨機數rand，當y>rand時，更新個體，也即取χ Ρ =χ〇
[0147] 根據上述支持向量機的參數選取方法，本發明還提供一種支持向量機的參數選取 系統，以下就本發明的支持向量機的參數選取系統的實施例進行詳細說明。
[0148] 參見圖4所示，為本發明的支持向量機的參數選取系統的結構示意圖。該實施例中 的支持向量機的參數選取系統包括以下單元：
[0149] 第一獲取單元310,用于獲取支持向量機的各參數的取值范圍和云遺傳算法的各 自變量，其中，支持向量機的各參數對應云遺傳算法的各自變量；
[0150] 生成單元320、用于根據對應的各參數的取值范圍對各自變量均勻取值，形成初始 種群，其中，初始種群中包括多個個體，個體包括取值后的各自變量；
[0151] 第一訓練單元330,用于針對每個個體，根據取值后的各自變量配置支持向量機， 獲取實時負荷數據和歷史負荷數據以及實時負荷數據和歷史負荷數據之間的相似度，從歷 史負荷數據中篩選出相似日的負荷數據，其中，相似日的負荷數據與實時負荷數據的相似 度大于預設值;將相似日的負荷數據作為支持向量機的輸入，將對應相似日之后的預設天 數的負荷數據作為支持向量機的輸出，用以訓練支持向量機；
[0152] 第二獲取單元340,將相似日的負荷數據輸入至訓練后的支持向量機，獲得訓練后 的支持向量機輸出的預設天數的負荷數據，并獲取訓練后的支持向量機輸出的預設天數的 負荷數據與相似日之后的預設天數的負荷數據之間的誤差值；
[0153] 云操作單元350,選取初始種群中的部分個體，以選取的各個體對應的誤差值的倒 數作為適應度值，根據選取的各個體對應的適應度值，對選取的各個體進行基于條件云的 交叉操作，獲得第一個體組;對第一個體組中的各個體進行基于基本云的變異操作，獲得第 二個體組；
[0154] 判斷單元360,判斷第二個體組中是否有個體滿足終止條件，若是，則將該個體中 取值后的各自變量作為支持向量機的各參數;若否，則返回至第一訓練單元330。
[0155] 在其中一個實施例中，云操作單元350用于對于任何一組用于交叉的兩個個體，對 兩個個體中的每個變量作以下運算：
[0156]
?計算第一特征數值，其中，Εχ、Εη和He為 第一特征數值，FmajPFmin分別為選取的各個體對應的適應度的最大值和最小值；
[0157] xo取交叉操作的兩個個體對應的適應度中的較大值，將xo以及Ex、En和He輸入至X 條件云發生器，獲得第一確定度；
[0158]
算第二特征數 值，其中，Ex '、En '和He '為第二特征數值，xf和xm分別為交叉操作的兩個個體中對應的同一 種變量，span為同一種變量的取值區間長度，Ff和Fm分別為兩個個體對應的適應度，pop為種 群大小；
[0159]將第一確定度以及Ex '、En '和He '輸入至Y條件云發生器，獲得與同一變量對應的 第一子變量和第二子變量，用第一子變量替換Xf，用第二子變量替換Xm。
[0160]在其中一個實施例中，云操作單元用于對于任何一個用于變異操作的個體，對該 個體中的任一變量Xp作以下運算：
[0161]
'計算第三特征數值，其中，Ex"、 En"和He"為第三特征數值，span (xP)表示變量xP的取值區間長度，pop為種群大小；
[0162] 將Ex"、En"和He"輸入至基本云發生器，獲得與變量xP對應的第三子變量和第二確 定度，生成服從[0，1]區間均勻分布的隨機數，當第二確定度大于隨機數時，用第三子變量 替換變量x p。
[0163] 在其中一個實施例中，云操作單元350用于基于輪盤賭方法的選擇方式選取初始 種群中的部分個體。
[0164] 本發明的支持向量機的參數選取系統與本發明的支持向量機的參數選取方法一 一對應，在上述支持向量機的參數選取方法的實施例闡述的技術特征及其有益效果均適用 于支持向量機的參數選取系統的實施例中。
[0165] 根據上述負荷預測方法，本發明還提供一種負荷預測系統，以下就本發明的負荷 預測系統的實施例進行詳細說明。
[0166] 參見圖5所示，為本發明的負荷預測系統的結構示意圖。該實施例中的負荷預測系 統包括上述支持向量機的參數選取系統和以下單元：
[0167] 配置單元410,用于根據上述的支持向量機的參數選取系統選取的支持向量機的 參數對支持向量機進行配置；
[0168] 第二訓練單元420,將相似日的負荷數據作為支持向量機的輸入，將對應相似日之 后的預設天數的負荷數據作為支持向量機的輸出，用以再度訓練支持向量機；
[0169] 第三獲取單元430,用于將實時負荷數據輸入至再度訓練后的支持向量機，獲得對 應實時負荷數據的日期之后的預設天數的負荷數據。
[0170] 在其中一個實施例中，如圖6所示，負荷預測系統還包括第四獲取單元440,用于將 相似日的負荷數據輸入至再度訓練后的支持向量機，獲得再度訓練后的支持向量機輸出的 預設天數的負荷數據，并獲取再度訓練后的支持向量機輸出的預設天數的負荷數據與相似 日之后的預設天數的負荷數據之間的誤差值。
[0171] 本發明的負荷預測系統與本發明的負荷預測方法一一對應，在上述負荷預測方法 的實施例闡述的技術特征及其有益效果均適用于負荷預測系統的實施例中。
[0172] 在本發明中，"第一"、"第二"等序數詞只是為了對所涉及的對象進行區分，并不是 對對象本身進行限定。
[0173] 以上所述實施例的各技術特征可以進行任意的組合，為使描述簡潔，未對上述實 施例中的各個技術特征所有可能的組合都進行描述，然而，只要這些技術特征的組合不存 在矛盾，都應當認為是本說明書記載的范圍。
[0174]以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但并 不能因此而理解為對發明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來 說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬于本發明的保護 范圍。因此，本發明專利的保護范圍應以所附權利要求為準。
【主權項】
1. 一種支持向量機的參數選取方法，其特征在于，包括W下步驟： 獲取支持向量機的各參數的取值范圍和云遺傳算法的各自變量，其中，所述支持向量 機的各參數對應云遺傳算法的各自變量； 根據對應的各參數的取值范圍對各所述自變量均勻取值，形成初始種群，其中，所述初 始種群中包括多個個體，所述個體包括取值后的各所述自變量； 針對每個個體，根據取值后的各所述自變量配置所述支持向量機，獲取實時負荷數據 和歷史負荷數據W及所述實時負荷數據和所述歷史負荷數據之間的相似度，從所述歷史負 荷數據中篩選出相似日的負荷數據，其中，所述相似日的負荷數據與所述實時負荷數據的 相似度大于預設值;將所述相似日的負荷數據作為所述支持向量機的輸入，將對應所述相 似日之后的預設天數的負荷數據作為所述支持向量機的輸出，用W訓練所述支持向量機； 將所述相似日的負荷數據輸入至訓練后的支持向量機，獲得訓練后的支持向量機輸出的預 設天數的負荷數據，并獲取所述訓練后的支持向量機輸出的預設天數的負荷數據與所述相 似日之后的預設天數的負荷數據之間的誤差值； 選取所述初始種群中的部分個體，W選取的各個體對應的誤差值的倒數作為適應度 值，根據選取的各個體對應的適應度值，對選取的各個體進行基于條件云的交叉操作，獲得 第一個體組;對所述第一個體組中的各個體進行基于基本云的變異操作，獲得第二個體組； 判斷所述第二個體組中是否有個體滿足終止條件，若是，則將該個體中取值后的各所 述自變量作為所述支持向量機的各參數;若否，則返回至所述針對每個個體，根據取值后的 各所述自變量配置所述支持向量機的步驟。2. 根據權利要求1所述的支持向量機的參數選取方法，其特征在于，所述對選取的各個 體進行基于條件云的交叉操作的步驟包括W下步驟： 對于任何一組用于交叉的兩個個體，對兩個個體中的每個變量作W下運算： 根據1^算第一特征數值，其中，6義、611和化為第一 特征數值，Fmax和Fmin分別為選取的各個體對應的適應度的最大值和最小值； X0取交叉操作的兩個個體對應的適應度中的較大值，將xoW及Ex、En和化輸入至X條件 云發生器，獲得第一確定度； 根捐計算第二特征數值， 其中，Ex'、En'和化'為第二特征數值，xf和xm分別為交叉操作的兩個個體中對應的同一種變 量，span為所述同一種變量的取值區間長度，Ff和Fm分別為兩個個體對應的適應度，pop為所 述種群大小； 將所述第一確定度W及所述Ex'、化'和化'輸入至Y條件云發生器，獲得與所述同一變 量對應的第一子變量和第二子變量，用所述第一子變量替換Xf，用所述第二子變量替換Xm。3. 根據權利要求1所述的支持向量機的參數選取方法，其特征在于，所述對所述第一個 體組中的各個體進行基于基本云的變異操作的步驟包括W下步驟： 對于任何一個用于變異操作的個體，對該個體中的任一變量Xp作W下運算： 根據Ex" =xp計算第Ξ特征數值，其中，Ex"、En"和He" 為第Ξ特征數值，span (xp)表示變量xp的取值區間長度，pop為所述種群大小； 將所述Ex"、En"和化"輸入至基本云發生器，獲得與變量xp對應的第Ξ子變量和第二確 定度，生成服從[0，1 ]區間均勻分布的隨機數，當所述第二確定度大于所述隨機數時，用第 Ξ子變量替換所述變量xp。4. 根據權利要求1至3中任意一項所述的支持向量機的參數選取方法，其特征在于，所 述選取所述初始種群中的部分個體的步驟包括W下步驟： 基于輪盤賭方法的選擇方式選取所述初始種群中的部分個體。5. -種負荷預測方法，其特征在于，包括W下步驟： 根據如權利要求1至4中任意一項所述的支持向量機的參數選取方法選取所述支持向 量機的參數，根據選取的所述支持向量機的參數對所述支持向量機進行配置； 將所述相似日的負荷數據作為所述支持向量機的輸入，將對應所述相似日之后的預設 天數的負荷數據作為所述支持向量機的輸出，用W再度訓練所述支持向量機； 將所述實時負荷數據輸入至所述再度訓練后的支持向量機，獲得對應所述實時負荷的 日期之后的預設天數的負荷數據。6. -種支持向量機的參數選取系統，其特征在于，包括W下單元： 第一獲取單元，用于獲取支持向量機的各參數的取值范圍和云遺傳算法的各自變量， 其中，所述支持向量機的各參數對應云遺傳算法的各自變量； 生成單元，用于根據對應的各參數的取值范圍對各所述自變量均勻取值，形成初始種 群，其中，所述初始種群中包括多個個體，所述個體包括取值后的各所述自變量； 第一訓練單元，用于針對每個個體，根據取值后的各所述自變量配置所述支持向量機， 獲取實時負荷數據和歷史負荷數據W及所述實時負荷數據和所述歷史負荷數據之間的相 似度，從所述歷史負荷數據中篩選出相似日的負荷數據，其中，所述相似日的負荷數據與所 述實時負荷數據的相似度大于預設值;將所述相似日的負荷數據作為所述支持向量機的輸 入，將對應所述相似日之后的預設天數的負荷數據作為所述支持向量機的輸出，用W訓練 所述支持向量機； 第二獲取單元，將所述相似日的負荷數據輸入至訓練后的支持向量機，獲得訓練后的 支持向量機輸出的預設天數的負荷數據，并獲取所述訓練后的支持向量機輸出的預設天數 的負荷數據與所述相似日之后的預設天數的負荷數據之間的誤差值； 云操作單元，選取所述初始種群中的部分個體，W選取的各個體對應的誤差值的倒數 作為適應度值，根據選取的各個體對應的適應度值，對選取的各個體進行基于條件云的交 叉操作，獲得第一個體組;對所述第一個體組中的各個體進行基于基本云的變異操作，獲得 第二個體組； 判斷單元，判斷所述第二個體組中是否有個體滿足終止條件，若是，則將該個體中取值 后的各所述自變量作為所述支持向量機的各參數;若否，則返回至所述第一訓練單元。7. 根據權利要求6所述的支持向量機的參數選取系統，其特征在于，所述云操作單元用 于對于任何一組用于交叉的兩個個體，對兩個個體中的每個變量作W下運算： 根巧^算第一特征數值，其中，Ex、En和He為第一 特征數值，Fmax和Fmin分別為選取的各個體對應的適應度的最大值和最小值； xo取交叉操作的兩個個體對應的適應度中的較大值，將xoW及Ex、En和化輸入至X條件 云發生器，獲得第一確定度； 根據計算第二特征數值， 其中，Ex'、En'和化'為第二特征數值，xf和xm分別為交叉操作的兩個個體中對應的同一種變 量，span為所述同一種變量的取值區間長度，Ff和Fm分別為兩個個體對應的適應度，pop為所 述種群大小； 將所述第一確定度W及所述Ex'、化'和化'輸入至Y條件云發生器，獲得與所述同一變 量對應的第一子變量和第二子變量，用所述第一子變量替換Xf，用所述第二子變量替換Xm。8. 根據權利要求6所述的支持向量機的參數選取系統，其特征在于，所述云操作單元用 于對于任何一個用于變異操作的個體，對該個體中的任一變量Xp作W下運算： 根賽十算第Ξ特征數值，其中，Ex"、En"和 He"為第Ξ特征數值，span (xp)表示變量xp的取值區間長度，pop為所述種群大小； 將所述Ex"、En"和化"輸入至基本云發生器，獲得與變量xp對應的第Ξ子變量和第二確 定度，生成服從[0，1 ]區間均勻分布的隨機數，當所述第二確定度大于所述隨機數時，用第 Ξ子變量替換所述變量xp。9. 根據權利要求6至8中任意一項所述的支持向量機的參數選取系統，其特征在于，所 述云操作單元用于基于輪盤賭方法的選擇方式選取所述初始種群中的部分個體。10. -種負荷預測系統，其特征在于，包括如權利要求6至9中任意一項所述的支持向量 機的參數選取系統和W下單元： 配置單元，用于根據如6至9中任意一項所述的支持向量機的參數選取系統選取的所述 支持向量機的參數對所述支持向量機進行配置； 第二訓練單元，將所述相似日的負荷數據作為所述支持向量機的輸入，將對應所述相 似日之后的預設天數的負荷數據作為所述支持向量機的輸出，用W再度訓練所述支持向量 機； 第Ξ獲取單元，用于將所述實時負荷數據輸入至所述再度訓練后的支持向量機，獲得 對應所述實時負荷數據的日期之后的預設天數的負荷數據。
【文檔編號】G06N3/12GK106096771SQ201610402774
【公開日】2016年11月9日
【申請日】2016年6月7日
【發明人】莫文雄, 王勇, 欒樂, 黃裕春, 許中, 伍衡, 崔曉飛, 馬智遠, 譚子健, 肖天為, 范旭娟, 文昊
【申請人】廣州供電局有限公司