进化得到最优估计值。
[0050] 需要具体说明的是，根据遗传算法中的进化思想，保留目标函数值较高的参数，淘 汰目标函数值较低的参数，对部分参数进化，并且保持参数的数量不变。最后，根据确定的 初始值和估计模型迭代得到目标函数最大值对应的参数，即为所要估计的参数。
[0051] 在本发明的另一个实施例中，参阅图2所示，所述调度控制系统不完整数据参数 的估计方法可以是：
[0052] 步骤201，对调度控制系统进行数据采集。其具体的实施过程如下：
[0053] 假设调度控制系统采集的数据为数据集Y，Y有K个属性，属性值可看作K个随机 变量LX2，…，Χκ，并且满足K维正态分布。数据集Y中含有缺失数据，记Y= (Y。^ ， 为无缺失值的数据集合，YMS为有数据缺失的数据集合。通过完整的数据集Y_中每一 列的数据得到相应随机变量Xi,x2,…，Χ|(的上下界，并记作[mini,maxj(i= 1，2,…，Κ)。
[0054] 步骤202,将采集的数据通过对数似然函数得到待估计参数。
[0055] 作为一个实施例，待估计参数以包含参数的对数似然函数作为目标函数。设待估 计参数Θ为数据的均值μ和协方差矩阵Σ，记作θ= (μ,Σ)。含有待估计参数Θ的 对数似然函数如下：
[0056]
(1)
[0057] 式⑴中，μ= (μuμ2,…，μκ)为均值向量，表示各变量的均值。Σ= (σj 为变量（Xi，X2, ···，&)的协方差矩阵。较佳地，（μ，Σ)初始值一般由数据集确定，数据 集￥^是不完整数据集Υ中的完整数据样本，根据数据集Υ^确定的数据参数更接近数据集 Υ的参数。
[0058] Xi表示数据记录i(i= 1，2,…，η)对应变量的向量，其中缺失的数据用估计的相 应均值代替，其中η为数据记录的个数。其中，相应的均值中的第一个均值向量由数据集 得到，再通过logistic映射方程得到第一代参数种群，之后的均值通过参数种群的优 化迭代得到。
[0059] 由此，采集到的电力数据一般符合正态分布，对于该类数据采用对数似然函数的 函数值确定所估计参数是否更精确 函数值越大，参数越精确。因此，调度控制系统米集 的数据通过对数似然函数（公式1)之后，便成为了需要待估计参数。
[0060] 步骤203,根据待估计参数建立估计模型。其具体实施过程如下：
[0061] 在实施例中，对数似然函数越大，所估计的参数越准确。因此，根据对数似然函数 极大化原则，可将原问题转化为带约束条件的单目标优化问题。其约束条件模型如下： [0062]mmf P)
[0063]
[0064]式（2)中，minjPmaxi分别表示第i个变量的下限和上限。约束条件限制估计 的变量均值必须在变量最大值和最小值之间，如果所估计的均值超出范围则代表所估计值 有误，需要重新估计。较佳地，将该约束条件模型和包含参数的对数似然函数共同构成估计 模型。
[0065] 步骤204,根据估计模型利用混沌映射确定待估计参数的初始值。
[0066] 作为本发明的一个实施例，确定参数估计模型之后，要在公式（2)中约束条件下， 根据logistic映射方程生成一组参数，该组参数规模可以根据数据缺失率来定一一当数据 缺失率较高时，种群规模可以适当增大；反之，规模可适当减小。其中，组参数规模一般定为 100。优选地，该组参数确定方法如下：
[0067]按照公式（3)logistic映射方程，得到一组混纯随机数，记作y2,…，yn。
[0068]yn+i=vyn(l-yn)n= 1, 2,···,°° (3)
[0069] 其中，其中71在（0，1)内随机取0.5以外的值，v在区间（0,4]内取值。
[0070] 然后，按K个数为一组，将混沌随机数yi，y2，…，yn分为m组，记为 (yn，· · ·，ylk)，· · ·，(yml，· · ·，ymk) 〇 根据参数约束条件miriiSμmax土，i= 1，2,…，K，将 m组混沌随机数按照公式（4)映射到参数空间，生成参数。
[0071] μji=y(maXi-mirii)+mini,i= 1, ···,K；j= 1, ···,m(4)
[0072] 得到参数均值（μn, ···,μ1K), ···, (μη1, ···,μηΚ)，将均值填充求方差得到参数 θ2，…，θη。则参数θ。，Θ:，θ2，…，θη可组成参数群，将其代入目标函数f(9)，进行 验证，得到每个参数的适应情况。也就是说，每个参数在这里的意思是参数个体，而参数的 适应情况指参数个体在参数种群中是精英个体还是误差较大的较差个体。
[0073] 步骤205,根据确定的初始值和估计模型，对待估计参数按照进化规则做进化操 作。
[0074] 较佳地，为了加快得到最优解的速度，不会将全部的可能情况都列举出来进行验 证比对，而是采用遗传算法中的迭代进化思想，对父代参数群中的参数进行进化操作，继续 计算进化后的参数群的目标函数值。具体的实施过程如下：
[0075] 首先，每一代参数群中的参数，都要代入目标函数f(Θ)计算其在群体中的适应 度，以确定每个参数的优劣程度。而且，目标函数值越大，其对应的参数越接近不完整数据 集的真实参数。参数群的迭代过程模拟了自然进化规律。根据计算得到的参数的适应度， 保留适应度较高的参数，淘汰部分适应度较低的参数。较佳地，淘汰10%的适应度较低的个 体。
[0076] 然后，优选地，采用交叉、变异的操作进化，以达到产生更优的参数。具体来说，在 交叉、变异过程中，需要选择合适的交叉概率P。和变异概率P"，这两个概率值直接影响着群 体的进化速度，而且一般是通过经验得到的。
[0077] 作为一个实施例，交叉的操作进化过程为：设P。为交叉概率，参数种群中含有m个 参数个体，从参数种群中选取mDP。个染色体进行交叉操作。假设Θθ2，…，θη表示参 数种群的父代，将其随机选择两个参数θθ，组成交叉对，记作（θΘ卩，i，je(1，2,… ，m)且i乒j。以交叉对（θΘp为例说明交叉操作的过程，从（〇,l)区间产生一个随机 数e，在（1，2，···，Κ)中随机选择r，按式（1)对θι;Θ，中的μ^μ#进行交叉操作，产生 两个后代μ'yμ' ^得到新的参数Θ'yΘ' _
[0078] μ;1Γ=θμir+(l-e)μjr
[0079] μ;jr= (1-e)μir+eμjr
[0080] 作为一个实施例，变异的操作进化过程为：设Θi是某代参数种群中的一个个体， 其中均值为（μn,…，μiK)，μ[minmax_j]。在（1，2,…，K)中随机选择r，按下式进行 变异，则变异后的均值为（μ,_,，···，μ' ,、，···，μ,_J，可得到变异后的参数Θ/。
[0081]
[0082] 式中，random( □)为产生均匀分布的随机函数，产生一个随机数；本文中
e[0，1]为一个随机数，G为变异最大代数，g为当前变异代数，β是决定非一致性程度的参数，在本实施例中β取2。
[0083] 步骤206,判断是否满足迭代终止条件，若满足则终止迭代，得到最优估计值。若不 满足则返回步骤205。
[0084] 优选地，迭代终止条件为最优目标函数值连续1次不变或者变化范围小于某个 很小的值α，即|/Γ-./^|<?，其中为迭代循环了i次后最优参数对应的目标函数值。当 满足终止条件时，终止迭代，得到最优估计值。
[0085] 作为实施例中，1取值为10-20。优选地，1取值为15。因为1取值过小，迭代过程 很可能某阶段参数未进化到更优参数个体而停止，不利于寻找全局最优参数；1取值过大， 迭代次数就会大幅度的增加，增加了系统开销和迭代时间，但是目标函数值的变化幅度较 小。
[0086] 作为另一实施例，α取值范围为[10 5, 10 3]。优选地，α取10 4。因为，α取值 过小，迭代次数就会大幅度的增加，增加了系统开销和迭代时间，但是目标函数值的变化幅 度较小；α取值过大，确定的参数误差较大，未实现寻找最优参数个体的目的。
[0087] 在本发明的另一个实施例中，参阅图3所示，为本发明实施例调度控制系统不完 整数据参数的估计装置的结构示意图。所述调度控制系统不完整数据参数的估计装置包 括：
[0088] 数据预处理单元301，能够确定需要估计的数据参数。较佳地，数据预处理单元 301包括数据采集模块和数据处理模块。其中，数据采集模块对调度控制系统进行数据采 集，并传送给数据处理模块。数据处理模块将接收的数据通过对数似然函数得到待估计参 数。
[0089] 模型建立单元302,能够根据确立的数据参数，建立估计模型。较佳地，将该约束条 件模型和包含参数的对数似然函数共同构成估计模型。
[0090] 初始值获取单元303,能够根据估计模型利用混沌映射确定参数的