支持向量機的參數(shù)選取方法和系統(tǒng)與負荷預(yù)測方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種支持向量機的參數(shù)選取方法和系統(tǒng)以及負荷預(yù)測方法和系統(tǒng)，其是采用云遺傳算法對支持向量機的參數(shù)進行了優(yōu)化，根據(jù)正態(tài)云模型輸出結(jié)果的隨機性和穩(wěn)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(wěn)定傾向性又可以很好地保護較優(yōu)個體從而對全局最值進行自適應(yīng)定位，有效提高搜索到最優(yōu)解或滿意解的速度，從而提高以選取的參數(shù)配置的支持向量機進行負荷預(yù)測的效率，而且在選取過程中獲取了預(yù)測負荷數(shù)據(jù)與實際負荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果，優(yōu)化后使誤差值將至最低，以此提高選取的參數(shù)的準確性。
【專利說明】
支持向量機的參數(shù)選取方法和系統(tǒng)與負荷預(yù)測方法和系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及電力系統(tǒng)技術(shù)領(lǐng)域，特別是涉及一種支持向量機的參數(shù)選取方法和系 統(tǒng)與負荷預(yù)測方法和系統(tǒng)。
【背景技術(shù)】
[0002] 科學(xué)的預(yù)測是正確決策的依據(jù)和保證。負荷預(yù)測是電力系統(tǒng)領(lǐng)域的一個傳統(tǒng)研究 問題，是指從已知的電力系統(tǒng)、經(jīng)濟、社會、氣象等情況出發(fā)，通過對歷史數(shù)據(jù)的分析和研 究，探索事物之間的內(nèi)在聯(lián)系和發(fā)展變化規(guī)律，對負荷發(fā)展做出預(yù)先估計和推測。負荷預(yù)測 是電力系統(tǒng)規(guī)劃、計劃、用電、調(diào)度等部門的基礎(chǔ)工作，其重要性早已被人們所認識。
[0003] 負荷預(yù)測本質(zhì)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(tǒng)、 經(jīng)濟、社會、氣象等諸多因素影響，一般表現(xiàn)為復(fù)雜非線性特點，宜采用對復(fù)雜非線性特性 具備較強學(xué)習(xí)能力的預(yù)測模型。
[0004] 目前應(yīng)用較多且比較成熟的預(yù)測方法，主要為支持向量機（Support Vector Machine，SVM)等。SVM同時考慮經(jīng)驗風(fēng)險最小和結(jié)構(gòu)風(fēng)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(yōu)勢，且SVM有嚴格的數(shù)學(xué)理論基礎(chǔ)，其決策為全局最優(yōu)。
[0005] SVM參數(shù)的選取策略目前尚沒有統(tǒng)一的方法，SVM參數(shù)選取的優(yōu)劣將直接影響模型 的擬合和回歸能力?，F(xiàn)有技術(shù)中，較為常用的SVM參數(shù)優(yōu)化算法包括網(wǎng)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(shù)，但搜索到最優(yōu)解或滿意解的速度太慢，依據(jù) 選取的參數(shù)進行負荷預(yù)測的效率低。

【發(fā)明內(nèi)容】

[0006] 基于此，有必要針對現(xiàn)有的支持向量機搜索到最優(yōu)解或滿意解的速度太慢導(dǎo)致負 荷預(yù)測效率低的問題，提供一種支持向量機的參數(shù)選取方法和系統(tǒng)與負荷預(yù)測方法和系 統(tǒng)。
[0007] -種支持向量機的參數(shù)選取方法，包括以下步驟：
[0008] 獲取支持向量機的各參數(shù)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(shù)對應(yīng)云遺傳算法的各自變量；
[0009] 根據(jù)對應(yīng)的各參數(shù)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(jù)取值后的各自變量配置支持向量機，獲取實時負荷數(shù)據(jù)和歷 史負荷數(shù)據(jù)以及實時負荷數(shù)據(jù)和歷史負荷數(shù)據(jù)之間的相似度，從歷史負荷數(shù)據(jù)中篩選出相 似日的負荷數(shù)據(jù)，其中，相似日的負荷數(shù)據(jù)與實時負荷數(shù)據(jù)的相似度大于預(yù)設(shè)值;將相似日 的負荷數(shù)據(jù)作為支持向量機的輸入，將對應(yīng)相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)作為支持向 量機的輸出，用以訓(xùn)練支持向量機;將相似日的負荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機，獲得 訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)，并獲取訓(xùn)練后的支持向量機輸出的預(yù)設(shè) 天數(shù)的負荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)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(yīng)的誤差值的倒數(shù)作為適應(yīng)度 值，根據(jù)選取的各個體對應(yīng)的適應(yīng)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(shù);若否，則返回至針對每個個體，根據(jù)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(shù)選取系統(tǒng)，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(shù)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(shù)對應(yīng)云遺傳算法的各自變量；
[0015] 生成單元，用于根據(jù)對應(yīng)的各參數(shù)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(xùn)練單元，用于針對每個個體，根據(jù)取值后的各自變量配置支持向量機，獲取 實時負荷數(shù)據(jù)和歷史負荷數(shù)據(jù)以及實時負荷數(shù)據(jù)和歷史負荷數(shù)據(jù)之間的相似度，從歷史負 荷數(shù)據(jù)中篩選出相似日的負荷數(shù)據(jù)，其中，相似日的負荷數(shù)據(jù)與實時負荷數(shù)據(jù)的相似度大 于預(yù)設(shè)值;將相似日的負荷數(shù)據(jù)作為支持向量機的輸入，將對應(yīng)相似日之后的預(yù)設(shè)天數(shù)的 負荷數(shù)據(jù)作為支持向量機的輸出，用以訓(xùn)練支持向量機；
[0017] 第二獲取單元，將相似日的負荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機，獲得訓(xùn)練后的 支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)，并獲取訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的負 荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)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(yīng)的誤差值的倒數(shù) 作為適應(yīng)度值，根據(jù)選取的各個體對應(yīng)的適應(yīng)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(shù);若否，則返回至第一訓(xùn)練單元。
[0020] 根據(jù)上述本發(fā)明的支持向量機的參數(shù)選取方法和系統(tǒng)，其是采用云遺傳算法對支 持向量機的參數(shù)進行了優(yōu)化，借助于云模型，利用云發(fā)生器代替?zhèn)鹘y(tǒng)的交叉、變異算子，根 據(jù)正態(tài)云模型輸出結(jié)果的隨機性和穩(wěn)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(wěn)定傾向性又可以很好地保護較優(yōu)個體從而對全局最值進行自適應(yīng) 定位，有效提高搜索到最優(yōu)解或滿意解的速度，進而可以提高負荷預(yù)測的效率，而且在選取 過程中獲取了預(yù)測負荷數(shù)據(jù)與實際負荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果， 優(yōu)化后使誤差值將至最低，以此提高選取的參數(shù)的準確性。
[0021] 一種負荷預(yù)測方法，包括以下步驟：
[0022 ]根據(jù)上述支持向量機的參數(shù)選取方法選取支持向量機的參數(shù)，根據(jù)選取的支持向 量機的參數(shù)對支持向量機進行配置；
[0023] 將相似日的負荷數(shù)據(jù)作為支持向量機的輸入，將對應(yīng)相似日之后的預(yù)設(shè)天數(shù)的負 荷數(shù)據(jù)作為支持向量機的輸出，用以再度訓(xùn)練支持向量機；
[0024] 將實時負荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機，獲得對應(yīng)實時負荷數(shù)據(jù)的日期 之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)。
[0025] -種負荷預(yù)測系統(tǒng)，包括上述支持向量機的參數(shù)選取系統(tǒng)和以下單元：
[0026] 配置單元，用于根據(jù)上述的支持向量機的參數(shù)選取系統(tǒng)選取的支持向量機的參數(shù) 對支持向量機進行配置；
[0027] 第二訓(xùn)練單元，將相似日的負荷數(shù)據(jù)作為支持向量機的輸入，將對應(yīng)相似日之后 的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)作為支持向量機的輸出，用以再度訓(xùn)練支持向量機；
[0028] 第三獲取單元，用于將實時負荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機，獲得對應(yīng) 實時負荷數(shù)據(jù)的日期之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)。
[0029] 根據(jù)上述本發(fā)明的負荷預(yù)測方法和系統(tǒng)，其是采用云遺傳算法對支持向量機的參 數(shù)進行了優(yōu)化，借助于云模型，利用云發(fā)生器代替?zhèn)鹘y(tǒng)的交叉、變異算子，根據(jù)正態(tài)云模型 輸出結(jié)果的隨機性和穩(wěn)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(wěn)定傾向性又可以很好地保護較優(yōu)個體從而對全局最值進行自適應(yīng)定位，有效提 高搜索到最優(yōu)解或滿意解的速度，從而提高以選取的參數(shù)配置的支持向量機進行負荷預(yù)測 的效率，而且在選取參數(shù)過程中，獲取了訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù) 與相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果，優(yōu)化后 使誤差值將至最低，以此提高選取的參數(shù)的準確性，從而降低支持向量機模型在實際預(yù)測 時的預(yù)測誤差，提高負荷預(yù)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(shù)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(yù)測方法的流程示意圖；
[0032] 圖3為其中一個實施例的負荷預(yù)測方法實際應(yīng)用效果圖；
[0033] 圖4為其中一個實施例的支持向量機的參數(shù)選取系統(tǒng)的結(jié)構(gòu)示意圖；
[0034] 圖5為其中一個實施例的負荷預(yù)測系統(tǒng)的結(jié)構(gòu)示意圖；
[0035] 圖6為其中一個實施例的負荷預(yù)測系統(tǒng)的結(jié)構(gòu)示意圖。
【具體實施方式】
[0036] 為使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本 發(fā)明進行進一步的詳細說明。應(yīng)當理解，此處所描述的【具體實施方式】僅僅用以解釋本發(fā)明， 并不限定本發(fā)明的保護范圍。
[0037] 參見圖1所示，為本發(fā)明的支持向量機的參數(shù)選取方法的流程示意圖。該實施例中 的支持向量機的參數(shù)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(shù)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(shù)對應(yīng)云遺傳算法的各自變量；
[0039] 在本步驟中，實質(zhì)上是將支持向量機的各參數(shù)作為云遺傳算法的各自變量。
[0040] 步驟S102:根據(jù)對應(yīng)的各參數(shù)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(shù)都有對應(yīng)的取值范圍，也就是各自變量都有對應(yīng)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(jù)取值后的各自變量配置支持向量機，獲取實時負荷 數(shù)據(jù)和歷史負荷數(shù)據(jù)以及實時負荷數(shù)據(jù)和歷史負荷數(shù)據(jù)之間的相似度，從歷史負荷數(shù)據(jù)中 篩選出相似日的負荷數(shù)據(jù)，其中，相似日的負荷數(shù)據(jù)與實時負荷數(shù)據(jù)的相似度大于預(yù)設(shè)值； 將相似日的負荷數(shù)據(jù)作為支持向量機的輸入，將對應(yīng)相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)作 為支持向量機的輸出，用以訓(xùn)練支持向量機;將相似日的負荷數(shù)據(jù)輸入至訓(xùn)練后的支持向 量機，獲得訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)，并獲取訓(xùn)練后的支持向量機 輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)之間的誤差值；
[0043] 在本步驟中，主要是根據(jù)個體中的參數(shù)值配置支持向量機，利用實時負荷數(shù)據(jù)和 相似日的負荷數(shù)據(jù)對支持向量機進行訓(xùn)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(yīng)的誤差值作為適應(yīng) 度值，根據(jù)選取的各個體對應(yīng)的適應(yīng)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(shù);若否，則返回至針對每個個體，根據(jù)取值后的各自 變量配置支持向量機的步驟。
[0046] 根據(jù)上述本發(fā)明的支持向量機的參數(shù)選取方法，其是采用云遺傳算法對支持向量 機的參數(shù)進行了優(yōu)化，借助于云模型，利用云發(fā)生器代替?zhèn)鹘y(tǒng)的交叉、變異算子，根據(jù)正態(tài) 云模型輸出結(jié)果的隨機性和穩(wěn)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(wěn)定傾向性又可以很好地保護較優(yōu)個體從而對全局最值進行自適應(yīng)定位， 有效提高搜索到最優(yōu)解或滿意解的速度，進而可以提高負荷預(yù)測的效率，而且在選取過程 中獲取了預(yù)測負荷數(shù)據(jù)與實際負荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果，優(yōu)化 后使誤差值將至最低，以此提高選取的參數(shù)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(shù)值，其中，Ex、En和He為 第一特征數(shù)值，F(xiàn)majPFmin分別為選取的各個體對應(yīng)的適應(yīng)度的最大值和最小值；
[0050] XQ取交叉操作的兩個個體對應(yīng)的適應(yīng)度中的較大值，將XQ以及Ex、En和He輸入至X 條件云發(fā)生器，獲得第一確定度；
r
[0051] -廿算第二特征數(shù) 值，其中，Ex '、En '和He '為第二特征數(shù)值，Xf和Xm分別為交叉操作的兩個個體中對應(yīng)的同一 種變量，span為同一種變量的取值區(qū)間長度，F(xiàn)f和Fm分別為兩個個體對應(yīng)的適應(yīng)度，pop為種 群大??；
[0052]將第一確定度以及Ex'、En'和He'輸入至Y條件云發(fā)生器，獲得與同一變量對應(yīng)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(fā)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(shù)值，其中，Ex"、 En"和He"為第三特征數(shù)值，span (xP)表示變量xP的取值區(qū)間長度，pop為種群大?。?br>[0057] 將Ex"、En"和He"輸入至基本云發(fā)生器，獲得與變量xP對應(yīng)的第三子變量和第二確 定度，生成服從[0，1]區(qū)間均勻分布的隨機數(shù)，當?shù)诙_定度大于隨機數(shù)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(fā)生器對個體中的變量進行轉(zhuǎn)換，將 新的信息引入所選個體。變異操作的對象為經(jīng)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(yīng)度值成比例，個體的適應(yīng)度值愈高（也即對應(yīng)的誤差值愈?。?，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(yīng)度值較高，可以間接提高支持向量 機參數(shù)選取的準確性。
[0062] 根據(jù)上述支持向量機的參數(shù)選取方法，本發(fā)明還提供一種負荷預(yù)測方法，以下就 本發(fā)明的負荷預(yù)測方法的實施例進行詳細說明。
[0063] 參見圖2所示，為本發(fā)明的負荷預(yù)測方法的流程示意圖。該實施例中的負荷預(yù)測方 法包括以下步驟：
[0064] 步驟S201:根據(jù)上述支持向量機的參數(shù)選取方法選取支持向量機的參數(shù)，根據(jù)選 取的支持向量機的參數(shù)對支持向量機進行配置；
[0065] 步驟S202:將相似日的負荷數(shù)據(jù)作為支持向量機的輸入，將對應(yīng)相似日之后的預(yù) 設(shè)天數(shù)的負荷數(shù)據(jù)作為支持向量機的輸出，用以再度訓(xùn)練支持向量機；
[0066] 步驟S203:將實時負荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機，獲得對應(yīng)實時負荷 的日期之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)。
[0067]在本實施例中，采用云遺傳算法對支持向量機的參數(shù)進行了優(yōu)化，借助于云模型， 利用云發(fā)生器代替?zhèn)鹘y(tǒng)的交叉、變異算子，根據(jù)正態(tài)云模型輸出結(jié)果的隨機性和穩(wěn)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(wěn)定傾向性又可以很 好地保護較優(yōu)個體從而對全局最值進行自適應(yīng)定位，有效提高搜索到最優(yōu)解或滿意解的速 度，從而提高以選取的參數(shù)配置的支持向量機進行負荷預(yù)測的效率，而且在選取參數(shù)過程 中，獲取了訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負 荷數(shù)據(jù)之間的誤差值以作為云遺傳算法優(yōu)化的效果，優(yōu)化后使誤差值將至最低，以此提高 選取的參數(shù)的準確性，從而降低支持向量機模型在實際預(yù)測時的預(yù)測誤差，提高負荷預(yù)測 的精度。
[0068]在其中一個實施例中，在再度訓(xùn)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(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機，獲得再度訓(xùn)練后的支持向量機輸出的預(yù) 設(shè)天數(shù)的負荷數(shù)據(jù)，并獲取再度訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)與相似日 之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)之間的誤差值。
[0069] 在本實施例中，可以利用歷史數(shù)據(jù)來對再度訓(xùn)練后的支持向量機進行測試，獲得 再度訓(xùn)練后的支持向量機的預(yù)測誤差值，以此來判斷再度訓(xùn)練后的支持向量機進行負荷預(yù) 測的精度。
[0070] 在其中一個實施例中，負荷預(yù)測方法主要由兩部分構(gòu)成：
[0071] 1)基于支持向量機和相似日的預(yù)測算法:采用支持向量機作為負荷預(yù)測的基礎(chǔ)模 型，核函數(shù)選擇為徑向基函數(shù)，并引入相似日選取作為數(shù)據(jù)預(yù)處理的主要部分；
[0072] 徑向基核函數(shù)如下式
[0074] 其中，Xi和Xj為任意兩個輸入量，e為自然底數(shù);參數(shù)σ為待定參數(shù)，其大小將在參數(shù) 優(yōu)化算法中進行調(diào)整；
[0075] 2)對預(yù)測算法的參數(shù)取值的參數(shù)優(yōu)化算法:為解決相似度閾值以及支持向量機參 數(shù)的選取問題，選取云遺傳算法對其進行優(yōu)化，云遺傳算法優(yōu)化的效果以支持向量機模型 對歷史數(shù)據(jù)的擬合程度為判斷依據(jù)。
[0076]預(yù)測算法包括以下步驟：
[0077] 1、選定支持向量機的參數(shù)；
[0078] 2、把實時數(shù)據(jù)和歷史數(shù)據(jù)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(shù)據(jù)和歷史數(shù)據(jù)的相似度采用以下計算方法：
[0081]式中，Sim表示實時數(shù)據(jù)和歷史數(shù)據(jù)的相似度，X表示實時功率數(shù)據(jù)構(gòu)成的行向量， y表示歷史功率數(shù)據(jù)構(gòu)成的行向量，T為轉(zhuǎn)置符號；
[0082] 3、把該組相似日的功率數(shù)據(jù)作為輸入，各相似日的后三天(天數(shù)可以根據(jù)需要設(shè) 置)的功率數(shù)據(jù)作為輸出，用以訓(xùn)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(shù)據(jù)作為輸入，然后用模型輸出的功率數(shù)據(jù)與 各相似日的后三天的功率數(shù)據(jù)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(guān)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(shù)，Yi為i時刻預(yù)測負荷值，yi為i時刻實際負荷 值，yN為被預(yù)測對象(風(fēng)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(shù)優(yōu)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(shù)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(jù)各自的取值區(qū)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(yù)測算法，得到訓(xùn)練好的支持向量機模型及其誤差值，該 誤差值的倒數(shù)即為適應(yīng)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(yōu)個體，否則回到步驟3;
[0100] 其中，滿足以下任一規(guī)則即視為滿足終止條件：
[0101] (1)最大迭代次數(shù)為1〇〇;
[0102] (2)最優(yōu)個體的適應(yīng)度在兩次連續(xù)迭代過程中變化不超過10-8。
[0103] 在實際進行預(yù)測時，將最優(yōu)個體也即最優(yōu)各參數(shù)輸入預(yù)測算法，得到再度訓(xùn)練好 的支持向量機模型，把實時數(shù)據(jù)輸入，便可得到未來三天的預(yù)測功率數(shù)據(jù)。
[0104] 條件云和基本云基于正態(tài)云模型。正態(tài)云模型是一個遵循正態(tài)分布規(guī)律、具有穩(wěn) 定傾向的隨機數(shù)集，用期望值Ex、熵Εη、超熵He三個數(shù)值來表征。
[0105] 參照圖3,其為本發(fā)明的負荷預(yù)測方法對一個水泥廠的發(fā)電功率的實際預(yù)測效果， 虛線為預(yù)測功率，實線為實際功率。經(jīng)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(yù)測對象進行多次計算，結(jié)果表 明，云遺傳算法優(yōu)化的支持向量機模型平均在30次迭代后得到最優(yōu)模型，收斂速度較快。
[0106] 本發(fā)明涉及三種云發(fā)生器：
[0107] 1)基本云發(fā)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(tài)隨機數(shù)Εη' ；
[0110] 步驟3:生成期望值為Εη'、方差為He的正態(tài)隨機數(shù)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(fā)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(tài)隨機數(shù)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(fā)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(tài)隨機數(shù)En' ；
[0123] 步驟3:計算X值
[0125] 步驟5:輸出云滴(χ，μ〇)。
[0126] 參數(shù)優(yōu)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(shù)值Ex、En、He計算如下
[0128] Ex = Fmax
[0131 ]其中，F(xiàn)max和Fmin分別為適應(yīng)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(yīng)度，利用X條件云發(fā)生器生成一個云滴， 并得到相應(yīng)的確定度μ〇;
[0133] 3、特征數(shù)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(qū)間長度，F(xiàn)#PF m則分別對應(yīng)它們的適應(yīng)度，pop為種群大小；
[0138] 4、結(jié)合上述算得的確定度μ〇，利用Y條件云發(fā)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(yīng)變量。
[0139] 參數(shù)優(yōu)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(shù)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(qū)間長度，pop為種群大?。?br>[0145] 2、利用基本云發(fā)生器生成一個云滴(χ，μ);
[0146] 3、生成服從[0,1]區(qū)間均勾分布的隨機數(shù)rand，當y>rand時，更新個體，也即取χ Ρ =χ〇
[0147] 根據(jù)上述支持向量機的參數(shù)選取方法，本發(fā)明還提供一種支持向量機的參數(shù)選取 系統(tǒng)，以下就本發(fā)明的支持向量機的參數(shù)選取系統(tǒng)的實施例進行詳細說明。
[0148] 參見圖4所示，為本發(fā)明的支持向量機的參數(shù)選取系統(tǒng)的結(jié)構(gòu)示意圖。該實施例中 的支持向量機的參數(shù)選取系統(tǒng)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(shù)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(shù)對應(yīng)云遺傳算法的各自變量；
[0150] 生成單元320、用于根據(jù)對應(yīng)的各參數(shù)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(xùn)練單元330,用于針對每個個體，根據(jù)取值后的各自變量配置支持向量機， 獲取實時負荷數(shù)據(jù)和歷史負荷數(shù)據(jù)以及實時負荷數(shù)據(jù)和歷史負荷數(shù)據(jù)之間的相似度，從歷 史負荷數(shù)據(jù)中篩選出相似日的負荷數(shù)據(jù)，其中，相似日的負荷數(shù)據(jù)與實時負荷數(shù)據(jù)的相似 度大于預(yù)設(shè)值;將相似日的負荷數(shù)據(jù)作為支持向量機的輸入，將對應(yīng)相似日之后的預(yù)設(shè)天 數(shù)的負荷數(shù)據(jù)作為支持向量機的輸出，用以訓(xùn)練支持向量機；
[0152] 第二獲取單元340,將相似日的負荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機，獲得訓(xùn)練后 的支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)，并獲取訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的 負荷數(shù)據(jù)與相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)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(yīng)的誤差值的倒 數(shù)作為適應(yīng)度值，根據(jù)選取的各個體對應(yīng)的適應(yīng)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(shù);若否，則返回至第一訓(xùn)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(shù)值，其中，Εχ、Εη和He為 第一特征數(shù)值，F(xiàn)majPFmin分別為選取的各個體對應(yīng)的適應(yīng)度的最大值和最小值；
[0157] xo取交叉操作的兩個個體對應(yīng)的適應(yīng)度中的較大值，將xo以及Ex、En和He輸入至X 條件云發(fā)生器，獲得第一確定度；
[0158]
算第二特征數(shù) 值，其中，Ex '、En '和He '為第二特征數(shù)值，xf和xm分別為交叉操作的兩個個體中對應(yīng)的同一 種變量，span為同一種變量的取值區(qū)間長度，F(xiàn)f和Fm分別為兩個個體對應(yīng)的適應(yīng)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(fā)生器，獲得與同一變量對應(yīng)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(shù)值，其中，Ex"、 En"和He"為第三特征數(shù)值，span (xP)表示變量xP的取值區(qū)間長度，pop為種群大?。?br>[0162] 將Ex"、En"和He"輸入至基本云發(fā)生器，獲得與變量xP對應(yīng)的第三子變量和第二確 定度，生成服從[0，1]區(qū)間均勻分布的隨機數(shù)，當?shù)诙_定度大于隨機數(shù)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(fā)明的支持向量機的參數(shù)選取系統(tǒng)與本發(fā)明的支持向量機的參數(shù)選取方法一 一對應(yīng)，在上述支持向量機的參數(shù)選取方法的實施例闡述的技術(shù)特征及其有益效果均適用 于支持向量機的參數(shù)選取系統(tǒng)的實施例中。
[0165] 根據(jù)上述負荷預(yù)測方法，本發(fā)明還提供一種負荷預(yù)測系統(tǒng)，以下就本發(fā)明的負荷 預(yù)測系統(tǒng)的實施例進行詳細說明。
[0166] 參見圖5所示，為本發(fā)明的負荷預(yù)測系統(tǒng)的結(jié)構(gòu)示意圖。該實施例中的負荷預(yù)測系 統(tǒng)包括上述支持向量機的參數(shù)選取系統(tǒng)和以下單元：
[0167] 配置單元410,用于根據(jù)上述的支持向量機的參數(shù)選取系統(tǒng)選取的支持向量機的 參數(shù)對支持向量機進行配置；
[0168] 第二訓(xùn)練單元420,將相似日的負荷數(shù)據(jù)作為支持向量機的輸入，將對應(yīng)相似日之 后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)作為支持向量機的輸出，用以再度訓(xùn)練支持向量機；
[0169] 第三獲取單元430,用于將實時負荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機，獲得對 應(yīng)實時負荷數(shù)據(jù)的日期之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)。
[0170] 在其中一個實施例中，如圖6所示，負荷預(yù)測系統(tǒng)還包括第四獲取單元440,用于將 相似日的負荷數(shù)據(jù)輸入至再度訓(xùn)練后的支持向量機，獲得再度訓(xùn)練后的支持向量機輸出的 預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)，并獲取再度訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)與相似 日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)之間的誤差值。
[0171] 本發(fā)明的負荷預(yù)測系統(tǒng)與本發(fā)明的負荷預(yù)測方法一一對應(yīng)，在上述負荷預(yù)測方法 的實施例闡述的技術(shù)特征及其有益效果均適用于負荷預(yù)測系統(tǒng)的實施例中。
[0172] 在本發(fā)明中，"第一"、"第二"等序數(shù)詞只是為了對所涉及的對象進行區(qū)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(shù)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(shù)特征所有可能的組合都進行描述，然而，只要這些技術(shù)特征的組合不存 在矛盾，都應(yīng)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(fā)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(fā)明專利范圍的限制。應(yīng)當指出的是，對于本領(lǐng)域的普通技術(shù)人員來 說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護 范圍。因此，本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準。
【主權(quán)項】
1. 一種支持向量機的參數(shù)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(shù)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(shù)對應(yīng)云遺傳算法的各自變量； 根據(jù)對應(yīng)的各參數(shù)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(jù)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(shù)據(jù) 和歷史負荷數(shù)據(jù)W及所述實時負荷數(shù)據(jù)和所述歷史負荷數(shù)據(jù)之間的相似度，從所述歷史負 荷數(shù)據(jù)中篩選出相似日的負荷數(shù)據(jù)，其中，所述相似日的負荷數(shù)據(jù)與所述實時負荷數(shù)據(jù)的 相似度大于預(yù)設(shè)值;將所述相似日的負荷數(shù)據(jù)作為所述支持向量機的輸入，將對應(yīng)所述相 似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)作為所述支持向量機的輸出，用W訓(xùn)練所述支持向量機； 將所述相似日的負荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機，獲得訓(xùn)練后的支持向量機輸出的預(yù) 設(shè)天數(shù)的負荷數(shù)據(jù)，并獲取所述訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)與所述相 似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)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(yīng)的誤差值的倒數(shù)作為適應(yīng)度 值，根據(jù)選取的各個體對應(yīng)的適應(yīng)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(shù);若否，則返回至所述針對每個個體，根據(jù)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(jù)權(quán)利要求1所述的支持向量機的參數(shù)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(jù)1^算第一特征數(shù)值，其中，6義、611和化為第一 特征數(shù)值，F(xiàn)max和Fmin分別為選取的各個體對應(yīng)的適應(yīng)度的最大值和最小值； X0取交叉操作的兩個個體對應(yīng)的適應(yīng)度中的較大值，將xoW及Ex、En和化輸入至X條件 云發(fā)生器，獲得第一確定度； 根捐計算第二特征數(shù)值， 其中，Ex'、En'和化'為第二特征數(shù)值，xf和xm分別為交叉操作的兩個個體中對應(yīng)的同一種變 量，span為所述同一種變量的取值區(qū)間長度，F(xiàn)f和Fm分別為兩個個體對應(yīng)的適應(yīng)度，pop為所 述種群大?。? 將所述第一確定度W及所述Ex'、化'和化'輸入至Y條件云發(fā)生器，獲得與所述同一變 量對應(yīng)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(jù)權(quán)利要求1所述的支持向量機的參數(shù)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(jù)Ex" =xp計算第Ξ特征數(shù)值，其中，Ex"、En"和He" 為第Ξ特征數(shù)值，span (xp)表示變量xp的取值區(qū)間長度，pop為所述種群大?。? 將所述Ex"、En"和化"輸入至基本云發(fā)生器，獲得與變量xp對應(yīng)的第Ξ子變量和第二確 定度，生成服從[0，1 ]區(qū)間均勻分布的隨機數(shù)，當所述第二確定度大于所述隨機數(shù)時，用第 Ξ子變量替換所述變量xp。4. 根據(jù)權(quán)利要求1至3中任意一項所述的支持向量機的參數(shù)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(yù)測方法，其特征在于，包括W下步驟： 根據(jù)如權(quán)利要求1至4中任意一項所述的支持向量機的參數(shù)選取方法選取所述支持向 量機的參數(shù)，根據(jù)選取的所述支持向量機的參數(shù)對所述支持向量機進行配置； 將所述相似日的負荷數(shù)據(jù)作為所述支持向量機的輸入，將對應(yīng)所述相似日之后的預(yù)設(shè) 天數(shù)的負荷數(shù)據(jù)作為所述支持向量機的輸出，用W再度訓(xùn)練所述支持向量機； 將所述實時負荷數(shù)據(jù)輸入至所述再度訓(xùn)練后的支持向量機，獲得對應(yīng)所述實時負荷的 日期之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)。6. -種支持向量機的參數(shù)選取系統(tǒng)，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(shù)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(shù)對應(yīng)云遺傳算法的各自變量； 生成單元，用于根據(jù)對應(yīng)的各參數(shù)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(xùn)練單元，用于針對每個個體，根據(jù)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(shù)據(jù)和歷史負荷數(shù)據(jù)W及所述實時負荷數(shù)據(jù)和所述歷史負荷數(shù)據(jù)之間的相 似度，從所述歷史負荷數(shù)據(jù)中篩選出相似日的負荷數(shù)據(jù)，其中，所述相似日的負荷數(shù)據(jù)與所 述實時負荷數(shù)據(jù)的相似度大于預(yù)設(shè)值;將所述相似日的負荷數(shù)據(jù)作為所述支持向量機的輸 入，將對應(yīng)所述相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)作為所述支持向量機的輸出，用W訓(xùn)練 所述支持向量機； 第二獲取單元，將所述相似日的負荷數(shù)據(jù)輸入至訓(xùn)練后的支持向量機，獲得訓(xùn)練后的 支持向量機輸出的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)，并獲取所述訓(xùn)練后的支持向量機輸出的預(yù)設(shè)天數(shù) 的負荷數(shù)據(jù)與所述相似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)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(yīng)的誤差值的倒數(shù) 作為適應(yīng)度值，根據(jù)選取的各個體對應(yīng)的適應(yīng)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(shù);若否，則返回至所述第一訓(xùn)練單元。7. 根據(jù)權(quán)利要求6所述的支持向量機的參數(shù)選取系統(tǒng)，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(shù)值，其中，Ex、En和He為第一 特征數(shù)值，F(xiàn)max和Fmin分別為選取的各個體對應(yīng)的適應(yīng)度的最大值和最小值； xo取交叉操作的兩個個體對應(yīng)的適應(yīng)度中的較大值，將xoW及Ex、En和化輸入至X條件 云發(fā)生器，獲得第一確定度； 根據(jù)計算第二特征數(shù)值， 其中，Ex'、En'和化'為第二特征數(shù)值，xf和xm分別為交叉操作的兩個個體中對應(yīng)的同一種變 量，span為所述同一種變量的取值區(qū)間長度，F(xiàn)f和Fm分別為兩個個體對應(yīng)的適應(yīng)度，pop為所 述種群大??； 將所述第一確定度W及所述Ex'、化'和化'輸入至Y條件云發(fā)生器，獲得與所述同一變 量對應(yīng)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(jù)權(quán)利要求6所述的支持向量機的參數(shù)選取系統(tǒng)，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(shù)值，其中，Ex"、En"和 He"為第Ξ特征數(shù)值，span (xp)表示變量xp的取值區(qū)間長度，pop為所述種群大??； 將所述Ex"、En"和化"輸入至基本云發(fā)生器，獲得與變量xp對應(yīng)的第Ξ子變量和第二確 定度，生成服從[0，1 ]區(qū)間均勻分布的隨機數(shù)，當所述第二確定度大于所述隨機數(shù)時，用第 Ξ子變量替換所述變量xp。9. 根據(jù)權(quán)利要求6至8中任意一項所述的支持向量機的參數(shù)選取系統(tǒng)，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(yù)測系統(tǒng)，其特征在于，包括如權(quán)利要求6至9中任意一項所述的支持向量 機的參數(shù)選取系統(tǒng)和W下單元： 配置單元，用于根據(jù)如6至9中任意一項所述的支持向量機的參數(shù)選取系統(tǒng)選取的所述 支持向量機的參數(shù)對所述支持向量機進行配置； 第二訓(xùn)練單元，將所述相似日的負荷數(shù)據(jù)作為所述支持向量機的輸入，將對應(yīng)所述相 似日之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)作為所述支持向量機的輸出，用W再度訓(xùn)練所述支持向量 機； 第Ξ獲取單元，用于將所述實時負荷數(shù)據(jù)輸入至所述再度訓(xùn)練后的支持向量機，獲得 對應(yīng)所述實時負荷數(shù)據(jù)的日期之后的預(yù)設(shè)天數(shù)的負荷數(shù)據(jù)。
【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(fā)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