支持向量机的参数选取方法和系统与负荷预测方法和系统的制作方法

支持向量机的参数选取方法和系统与负荷预测方法和系统的制作方法
【专利摘要】本发明涉及一种支持向量机的参数选取方法和系统以及负荷预测方法和系统，其是采用云遗传算法对支持向量机的参数进行了优化，根据正态云模型输出结果的随机性和稳定倾向性特点，随机性可以保持个体多样性从而避免搜索陷入局部极值，而稳定倾向性又可以很好地保护较优个体从而对全局最值进行自适应定位，有效提高搜索到最优解或满意解的速度，从而提高以选取的参数配置的支持向量机进行负荷预测的效率，而且在选取过程中获取了预测负荷数据与实际负荷数据之间的误差值以作为云遗传算法优化的效果，优化后使误差值将至最低，以此提高选取的参数的准确性。
【专利说明】
支持向量机的参数选取方法和系统与负荷预测方法和系统
技术领域
[0001] 本发明涉及电力系统技术领域，特别是涉及一种支持向量机的参数选取方法和系 统与负荷预测方法和系统。
【背景技术】
[0002] 科学的预测是正确决策的依据和保证。负荷预测是电力系统领域的一个传统研究 问题，是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研 究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测。负荷预测 是电力系统规划、计划、用电、调度等部门的基础工作，其重要性早已被人们所认识。
[0003] 负荷预测本质上是对功率曲线进行拟合与回归，由于实时功率曲线受电力系统、 经济、社会、气象等诸多因素影响，一般表现为复杂非线性特点，宜采用对复杂非线性特性 具备较强学习能力的预测模型。
[0004] 目前应用较多且比较成熟的预测方法，主要为支持向量机（Support Vector Machine，SVM)等。SVM同时考虑经验风险最小和结构风险最小，使模型具有较强的推广性， 在小样本识别方面有较大优势，且SVM有严格的数学理论基础，其决策为全局最优。
[0005] SVM参数的选取策略目前尚没有统一的方法，SVM参数选取的优劣将直接影响模型 的拟合和回归能力。现有技术中，较为常用的SVM参数优化算法包括网格搜索算法、粒子群 算法等。利用这些算法虽然可以选取SVM参数，但搜索到最优解或满意解的速度太慢，依据 选取的参数进行负荷预测的效率低。

【发明内容】

[0006] 基于此，有必要针对现有的支持向量机搜索到最优解或满意解的速度太慢导致负 荷预测效率低的问题，提供一种支持向量机的参数选取方法和系统与负荷预测方法和系 统。
[0007] -种支持向量机的参数选取方法，包括以下步骤：
[0008] 获取支持向量机的各参数的取值范围和云遗传算法的各自变量，其中，支持向量 机的各参数对应云遗传算法的各自变量；
[0009] 根据对应的各参数的取值范围对各自变量均匀取值，形成初始种群，其中，初始种 群中包括多个个体，个体包括取值后的各自变量；
[0010] 针对每个个体，根据取值后的各自变量配置支持向量机，获取实时负荷数据和历 史负荷数据以及实时负荷数据和历史负荷数据之间的相似度，从历史负荷数据中筛选出相 似日的负荷数据，其中，相似日的负荷数据与实时负荷数据的相似度大于预设值;将相似日 的负荷数据作为支持向量机的输入，将对应相似日之后的预设天数的负荷数据作为支持向 量机的输出，用以训练支持向量机;将相似日的负荷数据输入至训练后的支持向量机，获得 训练后的支持向量机输出的预设天数的负荷数据，并获取训练后的支持向量机输出的预设 天数的负荷数据与相似日之后的预设天数的负荷数据之间的误差值；
[0011]选取初始种群中的部分个体，以选取的各个体对应的误差值的倒数作为适应度 值，根据选取的各个体对应的适应度值，对选取的各个体进行基于条件云的交叉操作，获得 第一个体组;对第一个体组中的各个体进行基于基本云的变异操作，获得第二个体组； [0012]判断第二个体组中是否有个体满足终止条件，若是，则将该个体中取值后的各自 变量作为支持向量机的各参数;若否，则返回至针对每个个体，根据取值后的各自变量配置 支持向量机的步骤。
[0013] -种支持向量机的参数选取系统，包括以下单元：
[0014] 第一获取单元，用于获取支持向量机的各参数的取值范围和云遗传算法的各自变 量，其中，支持向量机的各参数对应云遗传算法的各自变量；
[0015] 生成单元，用于根据对应的各参数的取值范围对各自变量均匀取值，形成初始种 群，其中，初始种群中包括多个个体，个体包括取值后的各自变量；
[0016] 第一训练单元，用于针对每个个体，根据取值后的各自变量配置支持向量机，获取 实时负荷数据和历史负荷数据以及实时负荷数据和历史负荷数据之间的相似度，从历史负 荷数据中筛选出相似日的负荷数据，其中，相似日的负荷数据与实时负荷数据的相似度大 于预设值;将相似日的负荷数据作为支持向量机的输入，将对应相似日之后的预设天数的 负荷数据作为支持向量机的输出，用以训练支持向量机；
[0017] 第二获取单元，将相似日的负荷数据输入至训练后的支持向量机，获得训练后的 支持向量机输出的预设天数的负荷数据，并获取训练后的支持向量机输出的预设天数的负 荷数据与相似日之后的预设天数的负荷数据之间的误差值；
[0018] 云操作单元，选取初始种群中的部分个体，以选取的各个体对应的误差值的倒数 作为适应度值，根据选取的各个体对应的适应度值，对选取的各个体进行基于条件云的交 叉操作，获得第一个体组;对第一个体组中的各个体进行基于基本云的变异操作，获得第二 个体组；
[0019] 判断单元，判断第二个体组中是否有个体满足终止条件，若是，则将该个体中取值 后的各自变量作为支持向量机的各参数;若否，则返回至第一训练单元。
[0020] 根据上述本发明的支持向量机的参数选取方法和系统，其是采用云遗传算法对支 持向量机的参数进行了优化，借助于云模型，利用云发生器代替传统的交叉、变异算子，根 据正态云模型输出结果的随机性和稳定倾向性特点，随机性可以保持个体多样性从而避免 搜索陷入局部极值，而稳定倾向性又可以很好地保护较优个体从而对全局最值进行自适应 定位，有效提高搜索到最优解或满意解的速度，进而可以提高负荷预测的效率，而且在选取 过程中获取了预测负荷数据与实际负荷数据之间的误差值以作为云遗传算法优化的效果， 优化后使误差值将至最低，以此提高选取的参数的准确性。
[0021] 一种负荷预测方法，包括以下步骤：
[0022 ]根据上述支持向量机的参数选取方法选取支持向量机的参数，根据选取的支持向 量机的参数对支持向量机进行配置；
[0023] 将相似日的负荷数据作为支持向量机的输入，将对应相似日之后的预设天数的负 荷数据作为支持向量机的输出，用以再度训练支持向量机；
[0024] 将实时负荷数据输入至再度训练后的支持向量机，获得对应实时负荷数据的日期 之后的预设天数的负荷数据。
[0025] -种负荷预测系统，包括上述支持向量机的参数选取系统和以下单元：
[0026] 配置单元，用于根据上述的支持向量机的参数选取系统选取的支持向量机的参数 对支持向量机进行配置；
[0027] 第二训练单元，将相似日的负荷数据作为支持向量机的输入，将对应相似日之后 的预设天数的负荷数据作为支持向量机的输出，用以再度训练支持向量机；
[0028] 第三获取单元，用于将实时负荷数据输入至再度训练后的支持向量机，获得对应 实时负荷数据的日期之后的预设天数的负荷数据。
[0029] 根据上述本发明的负荷预测方法和系统，其是采用云遗传算法对支持向量机的参 数进行了优化，借助于云模型，利用云发生器代替传统的交叉、变异算子，根据正态云模型 输出结果的随机性和稳定倾向性特点，随机性可以保持个体多样性从而避免搜索陷入局部 极值，而稳定倾向性又可以很好地保护较优个体从而对全局最值进行自适应定位，有效提 高搜索到最优解或满意解的速度，从而提高以选取的参数配置的支持向量机进行负荷预测 的效率，而且在选取参数过程中，获取了训练后的支持向量机输出的预设天数的负荷数据 与相似日之后的预设天数的负荷数据之间的误差值以作为云遗传算法优化的效果，优化后 使误差值将至最低，以此提高选取的参数的准确性，从而降低支持向量机模型在实际预测 时的预测误差，提高负荷预测的精度。
【附图说明】
[0030] 图1为其中一个实施例的支持向量机的参数选取方法的流程示意图；
[0031 ]图2为其中一个实施例的负荷预测方法的流程示意图；
[0032] 图3为其中一个实施例的负荷预测方法实际应用效果图；
[0033] 图4为其中一个实施例的支持向量机的参数选取系统的结构示意图；
[0034] 图5为其中一个实施例的负荷预测系统的结构示意图；
[0035] 图6为其中一个实施例的负荷预测系统的结构示意图。
【具体实施方式】
[0036] 为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本 发明进行进一步的详细说明。应当理解，此处所描述的【具体实施方式】仅仅用以解释本发明， 并不限定本发明的保护范围。
[0037] 参见图1所示，为本发明的支持向量机的参数选取方法的流程示意图。该实施例中 的支持向量机的参数选取方法，包括以下步骤：
[0038]步骤S101:获取支持向量机的各参数的取值范围和云遗传算法的各自变量，其中， 支持向量机的各参数对应云遗传算法的各自变量；
[0039] 在本步骤中，实质上是将支持向量机的各参数作为云遗传算法的各自变量。
[0040] 步骤S102:根据对应的各参数的取值范围对各自变量均匀取值，形成初始种群，其 中，初始种群中包括多个个体，个体包括取值后的各自变量；
[0041] 在本步骤中，由于各参数都有对应的取值范围，也就是各自变量都有对应的取值 范围，对各自变量进行取值可以形成多个个体。
[0042]步骤S103:针对每个个体，根据取值后的各自变量配置支持向量机，获取实时负荷 数据和历史负荷数据以及实时负荷数据和历史负荷数据之间的相似度，从历史负荷数据中 筛选出相似日的负荷数据，其中，相似日的负荷数据与实时负荷数据的相似度大于预设值； 将相似日的负荷数据作为支持向量机的输入，将对应相似日之后的预设天数的负荷数据作 为支持向量机的输出，用以训练支持向量机;将相似日的负荷数据输入至训练后的支持向 量机，获得训练后的支持向量机输出的预设天数的负荷数据，并获取训练后的支持向量机 输出的预设天数的负荷数据与相似日之后的预设天数的负荷数据之间的误差值；
[0043] 在本步骤中，主要是根据个体中的参数值配置支持向量机，利用实时负荷数据和 相似日的负荷数据对支持向量机进行训练，并获取误差值。
[0044] 步骤S104:选取初始种群中的部分个体，以选取的各个体对应的误差值作为适应 度值，根据选取的各个体对应的适应度值，对选取的各个体进行基于条件云的交叉操作，获 得第一个体组;对第一个体组中的各个体进行基于基本云的变异操作，获得第二个体组；
[0045] 步骤S105:判断第二个体组中是否有个体满足终止条件，若是，则将该个体中取值 后的各自变量作为支持向量机的各参数;若否，则返回至针对每个个体，根据取值后的各自 变量配置支持向量机的步骤。
[0046] 根据上述本发明的支持向量机的参数选取方法，其是采用云遗传算法对支持向量 机的参数进行了优化，借助于云模型，利用云发生器代替传统的交叉、变异算子，根据正态 云模型输出结果的随机性和稳定倾向性特点，随机性可以保持个体多样性从而避免搜索陷 入局部极值，而稳定倾向性又可以很好地保护较优个体从而对全局最值进行自适应定位， 有效提高搜索到最优解或满意解的速度，进而可以提高负荷预测的效率，而且在选取过程 中获取了预测负荷数据与实际负荷数据之间的误差值以作为云遗传算法优化的效果，优化 后使误差值将至最低，以此提高选取的参数的准确性。
[0047] 在其中一个实施例中，对选取的各个体进行基于条件云的交叉操作的步骤包括以 下步骤：
[0048] 对于任何一组用于交叉的两个个体，对两个个体中的每个变量作以下运算：
[0049]
计算第一特征数值，其中，Ex、En和He为 第一特征数值，FmajPFmin分别为选取的各个体对应的适应度的最大值和最小值；
[0050] XQ取交叉操作的两个个体对应的适应度中的较大值，将XQ以及Ex、En和He输入至X 条件云发生器，获得第一确定度；
r
[0051] -廿算第二特征数 值，其中，Ex '、En '和He '为第二特征数值，Xf和Xm分别为交叉操作的两个个体中对应的同一 种变量，span为同一种变量的取值区间长度，Ff和Fm分别为两个个体对应的适应度，pop为种 群大小；
[0052]将第一确定度以及Ex'、En'和He'输入至Y条件云发生器，获得与同一变量对应的 第一子变量和第二子变量，用第一子变量替换Xf，用第二子变量替换Xm。
[0053]在本实施例中，交叉操作目的是利用Y条件云发生器对两个个体的信息进行交换， 得到一对新个体，为维持种群大小不变，将新得到的一对个体取代原来的父母个体，使得种 群中的个体之间的差异减小。
[0054] 在其中一个实施例中，对第一个体组中的各个体进行基于基本云的变异操作的步 骤包括以下步骤：
[0055] 对于任何一个用于变异操作的个体，对该个体中的任一变量xP作以下运算：
[0056]
计算第三特征数值，其中，Ex"、 En"和He"为第三特征数值，span (xP)表示变量xP的取值区间长度，pop为种群大小；
[0057] 将Ex"、En"和He"输入至基本云发生器，获得与变量xP对应的第三子变量和第二确 定度，生成服从[0，1]区间均匀分布的随机数，当第二确定度大于随机数时，用第三子变量 替换变量xp。
[0058] 在本实施例中，变异操作目的是利用基本云发生器对个体中的变量进行转换，将 新的信息引入所选个体。变异操作的对象为经过交叉操作得到的第一个体组中的个体中的 变量，在每个个体的变量完成变异后就得到新个体，将新个体取代原个体。
[0059] 在其中一个实施例中，选取初始种群中的部分个体的步骤包括以下步骤：
[0060] 基于轮盘赌方法的选择方式选取初始种群中的部分个体。
[0061] 在本实施例中，轮盘赌选择是从种群中随机选择一些个体的方法，被选中的机率 和它们的适应度值成比例，个体的适应度值愈高（也即对应的误差值愈小），被选中的概率 也愈大，基于轮盘赌方法的选择方式选取的个体的适应度值较高，可以间接提高支持向量 机参数选取的准确性。
[0062] 根据上述支持向量机的参数选取方法，本发明还提供一种负荷预测方法，以下就 本发明的负荷预测方法的实施例进行详细说明。
[0063] 参见图2所示，为本发明的负荷预测方法的流程示意图。该实施例中的负荷预测方 法包括以下步骤：
[0064] 步骤S201:根据上述支持向量机的参数选取方法选取支持向量机的参数，根据选 取的支持向量机的参数对支持向量机进行配置；
[0065] 步骤S202:将相似日的负荷数据作为支持向量机的输入，将对应相似日之后的预 设天数的负荷数据作为支持向量机的输出，用以再度训练支持向量机；
[0066] 步骤S203:将实时负荷数据输入至再度训练后的支持向量机，获得对应实时负荷 的日期之后的预设天数的负荷数据。
[0067]在本实施例中，采用云遗传算法对支持向量机的参数进行了优化，借助于云模型， 利用云发生器代替传统的交叉、变异算子，根据正态云模型输出结果的随机性和稳定倾向 性特点，随机性可以保持个体多样性从而避免搜索陷入局部极值，而稳定倾向性又可以很 好地保护较优个体从而对全局最值进行自适应定位，有效提高搜索到最优解或满意解的速 度，从而提高以选取的参数配置的支持向量机进行负荷预测的效率，而且在选取参数过程 中，获取了训练后的支持向量机输出的预设天数的负荷数据与相似日之后的预设天数的负 荷数据之间的误差值以作为云遗传算法优化的效果，优化后使误差值将至最低，以此提高 选取的参数的准确性，从而降低支持向量机模型在实际预测时的预测误差，提高负荷预测 的精度。
[0068]在其中一个实施例中，在再度训练支持向量机的步骤之后，还包括以下步骤:将相 似日的负荷数据输入至再度训练后的支持向量机，获得再度训练后的支持向量机输出的预 设天数的负荷数据，并获取再度训练后的支持向量机输出的预设天数的负荷数据与相似日 之后的预设天数的负荷数据之间的误差值。
[0069] 在本实施例中，可以利用历史数据来对再度训练后的支持向量机进行测试，获得 再度训练后的支持向量机的预测误差值，以此来判断再度训练后的支持向量机进行负荷预 测的精度。
[0070] 在其中一个实施例中，负荷预测方法主要由两部分构成：
[0071] 1)基于支持向量机和相似日的预测算法:采用支持向量机作为负荷预测的基础模 型，核函数选择为径向基函数，并引入相似日选取作为数据预处理的主要部分；
[0072] 径向基核函数如下式
[0074] 其中，Xi和Xj为任意两个输入量，e为自然底数;参数σ为待定参数，其大小将在参数 优化算法中进行调整；
[0075] 2)对预测算法的参数取值的参数优化算法:为解决相似度阈值以及支持向量机参 数的选取问题，选取云遗传算法对其进行优化，云遗传算法优化的效果以支持向量机模型 对历史数据的拟合程度为判断依据。
[0076]预测算法包括以下步骤：
[0077] 1、选定支持向量机的参数；
[0078] 2、把实时数据和历史数据进行比对，在一定相似度阈值下筛选出一组相似日；
[0079] 其中，实时数据和历史数据的相似度采用以下计算方法：
[0081]式中，Sim表示实时数据和历史数据的相似度，X表示实时功率数据构成的行向量， y表示历史功率数据构成的行向量，T为转置符号；
[0082] 3、把该组相似日的功率数据作为输入，各相似日的后三天(天数可以根据需要设 置)的功率数据作为输出，用以训练支持向量机模型；
[0083] 4、取所得相似日的一部分(比如，取5个相似日）用以计算步骤3得到的支持向量机 模型的拟合效果，其中，选取的相似日的功率数据作为输入，然后用模型输出的功率数据与 各相似日的后三天的功率数据作误差分析，包括平均绝对百分比误差和均方根相对误差， 相关公式如下：
[0084] 一、平均绝对百分比误差εΜΑΡΕ计算公式为
[0086]其中，η为用作误差分析的负荷值个数，Yi为i时刻预测负荷值，yi为i时刻实际负荷 值，yN为被预测对象(风电/光伏/负荷)的额定功率；
[0087]二、均方根相对误差￡rmse计算公式为
[0089]各物理量含义与平均绝对百分比误差emape计算公式中的相同；
[0090]三、总体误差值ε计算公式为
[0092]参数优化算法包括以下步骤：
[0093] 1、取相似度阈值为0.9，支持向量机的参数作为云遗传算法的自变量，各变量取值 范围皆为(0,100)，云遗传算法的种群大小为100;
[0094] 2、各个自变量根据各自的取值区间均匀取值，得到各个个体，形成初始种群；
[0095] 3、把各个个体分别代入预测算法，得到训练好的支持向量机模型及其误差值，该 误差值的倒数即为适应度值；
[0096] 4、基于轮盘赌方法的选择操作，选出一部分个体；
[0097] 5、对所选出的个体进行基于条件云的交叉操作；
[0098] 6、对所选出的个体进行基于基本云的变异操作；
[0099] 7、判断是否满足终止条件，若满足则输出最优个体，否则回到步骤3;
[0100] 其中，满足以下任一规则即视为满足终止条件：
[0101] (1)最大迭代次数为1〇〇;
[0102] (2)最优个体的适应度在两次连续迭代过程中变化不超过10-8。
[0103] 在实际进行预测时，将最优个体也即最优各参数输入预测算法，得到再度训练好 的支持向量机模型，把实时数据输入，便可得到未来三天的预测功率数据。
[0104] 条件云和基本云基于正态云模型。正态云模型是一个遵循正态分布规律、具有稳 定倾向的随机数集，用期望值Ex、熵Εη、超熵He三个数值来表征。
[0105] 参照图3,其为本发明的负荷预测方法对一个水泥厂的发电功率的实际预测效果， 虚线为预测功率，实线为实际功率。经误差分析可得，其均方根相对误差为18.21%，平均绝 对百分比误差为16.32%，具有较高的计算精度。在对同一预测对象进行多次计算，结果表 明，云遗传算法优化的支持向量机模型平均在30次迭代后得到最优模型，收敛速度较快。
[0106] 本发明涉及三种云发生器：
[0107] 1)基本云发生器，包括以下步骤：
[0108] 步骤 1:输入 Ex、En、He;
[0109] 步骤2:生成期望值为En、方差为He的正态随机数Εη' ；
[0110] 步骤3:生成期望值为Εη'、方差为He的正态随机数X;
[0111] 步骤4:计算确定度
[0113] 步骤5:输出云滴(χ，μ);
[0114] 2)Χ条件云发生器，包括以下步骤：
[0?15] 步骤1:输入Ex、En、He，以及论域上特定的值Χ0;
[0116] 步骤2:生成期望值为En、方差为He的正态随机数En' ；
[0117] 步骤3:计算确定度
[0119] 步骤4:输出云滴(χο，μ);
[0120] 3)Υ条件云发生器，包括以下步骤：
[0121] 步骤1:输入Ex、En、He，以及特定的确定度μ〇;
[0122] 步骤2:生成期望值为Εη、方差为He的正态随机数En' ；
[0123] 步骤3:计算X值
[0125] 步骤5:输出云滴(χ，μ〇)。
[0126] 参数优化算法中，基于条件云的交叉操作，对于任何一组用于交叉的两个个体，对 个体的每个变量作以下运算：
[0127] 1、特征数值Ex、En、He计算如下
[0128] Ex = Fmax
[0131 ]其中，Fmax和Fmin分别为适应度的最大和最小值；
[0132] 2、XQ取交叉操作的两个个体中较大的适应度，利用X条件云发生器生成一个云滴， 并得到相应的确定度μ〇;
[0133] 3、特征数值Ex、En、He计算如下
[0137] 其中，X#PXm分别为交叉操作的父个体和母个体的某一变量，span为该变量的取值 区间长度，F#PF m则分别对应它们的适应度，pop为种群大小；
[0138] 4、结合上述算得的确定度μ〇，利用Y条件云发生器生成一对云滴，作为本交叉操作 得到的一对儿女的相应变量。
[0139] 参数优化算法中，基于基本云的变异操作，对于任何一个用于变异操作的个体，对 任一变量办作以下运算：
[0140] 1、特征数值Ex、En、He计算如下
[0141] Ex = xP
[0144]其中span (xP)表示变量xP的取值区间长度，pop为种群大小；
[0145] 2、利用基本云发生器生成一个云滴(χ，μ);
[0146] 3、生成服从[0,1]区间均勾分布的随机数rand，当y>rand时，更新个体，也即取χ Ρ =χ〇
[0147] 根据上述支持向量机的参数选取方法，本发明还提供一种支持向量机的参数选取 系统，以下就本发明的支持向量机的参数选取系统的实施例进行详细说明。
[0148] 参见图4所示，为本发明的支持向量机的参数选取系统的结构示意图。该实施例中 的支持向量机的参数选取系统包括以下单元：
[0149] 第一获取单元310,用于获取支持向量机的各参数的取值范围和云遗传算法的各 自变量，其中，支持向量机的各参数对应云遗传算法的各自变量；
[0150] 生成单元320、用于根据对应的各参数的取值范围对各自变量均匀取值，形成初始 种群，其中，初始种群中包括多个个体，个体包括取值后的各自变量；
[0151] 第一训练单元330,用于针对每个个体，根据取值后的各自变量配置支持向量机， 获取实时负荷数据和历史负荷数据以及实时负荷数据和历史负荷数据之间的相似度，从历 史负荷数据中筛选出相似日的负荷数据，其中，相似日的负荷数据与实时负荷数据的相似 度大于预设值;将相似日的负荷数据作为支持向量机的输入，将对应相似日之后的预设天 数的负荷数据作为支持向量机的输出，用以训练支持向量机；
[0152] 第二获取单元340,将相似日的负荷数据输入至训练后的支持向量机，获得训练后 的支持向量机输出的预设天数的负荷数据，并获取训练后的支持向量机输出的预设天数的 负荷数据与相似日之后的预设天数的负荷数据之间的误差值；
[0153] 云操作单元350,选取初始种群中的部分个体，以选取的各个体对应的误差值的倒 数作为适应度值，根据选取的各个体对应的适应度值，对选取的各个体进行基于条件云的 交叉操作，获得第一个体组;对第一个体组中的各个体进行基于基本云的变异操作，获得第 二个体组；
[0154] 判断单元360,判断第二个体组中是否有个体满足终止条件，若是，则将该个体中 取值后的各自变量作为支持向量机的各参数;若否，则返回至第一训练单元330。
[0155] 在其中一个实施例中，云操作单元350用于对于任何一组用于交叉的两个个体，对 两个个体中的每个变量作以下运算：
[0156]
?计算第一特征数值，其中，Εχ、Εη和He为 第一特征数值，FmajPFmin分别为选取的各个体对应的适应度的最大值和最小值；
[0157] xo取交叉操作的两个个体对应的适应度中的较大值，将xo以及Ex、En和He输入至X 条件云发生器，获得第一确定度；
[0158]
算第二特征数 值，其中，Ex '、En '和He '为第二特征数值，xf和xm分别为交叉操作的两个个体中对应的同一 种变量，span为同一种变量的取值区间长度，Ff和Fm分别为两个个体对应的适应度，pop为种 群大小；
[0159]将第一确定度以及Ex '、En '和He '输入至Y条件云发生器，获得与同一变量对应的 第一子变量和第二子变量，用第一子变量替换Xf，用第二子变量替换Xm。
[0160]在其中一个实施例中，云操作单元用于对于任何一个用于变异操作的个体，对该 个体中的任一变量Xp作以下运算：
[0161]
'计算第三特征数值，其中，Ex"、 En"和He"为第三特征数值，span (xP)表示变量xP的取值区间长度，pop为种群大小；
[0162] 将Ex"、En"和He"输入至基本云发生器，获得与变量xP对应的第三子变量和第二确 定度，生成服从[0，1]区间均匀分布的随机数，当第二确定度大于随机数时，用第三子变量 替换变量x p。
[0163] 在其中一个实施例中，云操作单元350用于基于轮盘赌方法的选择方式选取初始 种群中的部分个体。
[0164] 本发明的支持向量机的参数选取系统与本发明的支持向量机的参数选取方法一 一对应，在上述支持向量机的参数选取方法的实施例阐述的技术特征及其有益效果均适用 于支持向量机的参数选取系统的实施例中。
[0165] 根据上述负荷预测方法，本发明还提供一种负荷预测系统，以下就本发明的负荷 预测系统的实施例进行详细说明。
[0166] 参见图5所示，为本发明的负荷预测系统的结构示意图。该实施例中的负荷预测系 统包括上述支持向量机的参数选取系统和以下单元：
[0167] 配置单元410,用于根据上述的支持向量机的参数选取系统选取的支持向量机的 参数对支持向量机进行配置；
[0168] 第二训练单元420,将相似日的负荷数据作为支持向量机的输入，将对应相似日之 后的预设天数的负荷数据作为支持向量机的输出，用以再度训练支持向量机；
[0169] 第三获取单元430,用于将实时负荷数据输入至再度训练后的支持向量机，获得对 应实时负荷数据的日期之后的预设天数的负荷数据。
[0170] 在其中一个实施例中，如图6所示，负荷预测系统还包括第四获取单元440,用于将 相似日的负荷数据输入至再度训练后的支持向量机，获得再度训练后的支持向量机输出的 预设天数的负荷数据，并获取再度训练后的支持向量机输出的预设天数的负荷数据与相似 日之后的预设天数的负荷数据之间的误差值。
[0171] 本发明的负荷预测系统与本发明的负荷预测方法一一对应，在上述负荷预测方法 的实施例阐述的技术特征及其有益效果均适用于负荷预测系统的实施例中。
[0172] 在本发明中，"第一"、"第二"等序数词只是为了对所涉及的对象进行区分，并不是 对对象本身进行限定。
[0173] 以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实 施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存 在矛盾，都应当认为是本说明书记载的范围。
[0174]以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并 不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来 说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护 范围。因此，本发明专利的保护范围应以所附权利要求为准。
【主权项】
1. 一种支持向量机的参数选取方法，其特征在于，包括W下步骤： 获取支持向量机的各参数的取值范围和云遗传算法的各自变量，其中，所述支持向量 机的各参数对应云遗传算法的各自变量； 根据对应的各参数的取值范围对各所述自变量均匀取值，形成初始种群，其中，所述初 始种群中包括多个个体，所述个体包括取值后的各所述自变量； 针对每个个体，根据取值后的各所述自变量配置所述支持向量机，获取实时负荷数据 和历史负荷数据W及所述实时负荷数据和所述历史负荷数据之间的相似度，从所述历史负 荷数据中筛选出相似日的负荷数据，其中，所述相似日的负荷数据与所述实时负荷数据的 相似度大于预设值;将所述相似日的负荷数据作为所述支持向量机的输入，将对应所述相 似日之后的预设天数的负荷数据作为所述支持向量机的输出，用W训练所述支持向量机； 将所述相似日的负荷数据输入至训练后的支持向量机，获得训练后的支持向量机输出的预 设天数的负荷数据，并获取所述训练后的支持向量机输出的预设天数的负荷数据与所述相 似日之后的预设天数的负荷数据之间的误差值； 选取所述初始种群中的部分个体，W选取的各个体对应的误差值的倒数作为适应度 值，根据选取的各个体对应的适应度值，对选取的各个体进行基于条件云的交叉操作，获得 第一个体组;对所述第一个体组中的各个体进行基于基本云的变异操作，获得第二个体组； 判断所述第二个体组中是否有个体满足终止条件，若是，则将该个体中取值后的各所 述自变量作为所述支持向量机的各参数;若否，则返回至所述针对每个个体，根据取值后的 各所述自变量配置所述支持向量机的步骤。2. 根据权利要求1所述的支持向量机的参数选取方法，其特征在于，所述对选取的各个 体进行基于条件云的交叉操作的步骤包括W下步骤： 对于任何一组用于交叉的两个个体，对两个个体中的每个变量作W下运算： 根据1^算第一特征数值，其中，6义、611和化为第一 特征数值，Fmax和Fmin分别为选取的各个体对应的适应度的最大值和最小值； X0取交叉操作的两个个体对应的适应度中的较大值，将xoW及Ex、En和化输入至X条件 云发生器，获得第一确定度； 根捐计算第二特征数值， 其中，Ex'、En'和化'为第二特征数值，xf和xm分别为交叉操作的两个个体中对应的同一种变 量，span为所述同一种变量的取值区间长度，Ff和Fm分别为两个个体对应的适应度，pop为所 述种群大小； 将所述第一确定度W及所述Ex'、化'和化'输入至Y条件云发生器，获得与所述同一变 量对应的第一子变量和第二子变量，用所述第一子变量替换Xf，用所述第二子变量替换Xm。3. 根据权利要求1所述的支持向量机的参数选取方法，其特征在于，所述对所述第一个 体组中的各个体进行基于基本云的变异操作的步骤包括W下步骤： 对于任何一个用于变异操作的个体，对该个体中的任一变量Xp作W下运算： 根据Ex" =xp计算第Ξ特征数值，其中，Ex"、En"和He" 为第Ξ特征数值，span (xp)表示变量xp的取值区间长度，pop为所述种群大小； 将所述Ex"、En"和化"输入至基本云发生器，获得与变量xp对应的第Ξ子变量和第二确 定度，生成服从[0，1 ]区间均匀分布的随机数，当所述第二确定度大于所述随机数时，用第 Ξ子变量替换所述变量xp。4. 根据权利要求1至3中任意一项所述的支持向量机的参数选取方法，其特征在于，所 述选取所述初始种群中的部分个体的步骤包括W下步骤： 基于轮盘赌方法的选择方式选取所述初始种群中的部分个体。5. -种负荷预测方法，其特征在于，包括W下步骤： 根据如权利要求1至4中任意一项所述的支持向量机的参数选取方法选取所述支持向 量机的参数，根据选取的所述支持向量机的参数对所述支持向量机进行配置； 将所述相似日的负荷数据作为所述支持向量机的输入，将对应所述相似日之后的预设 天数的负荷数据作为所述支持向量机的输出，用W再度训练所述支持向量机； 将所述实时负荷数据输入至所述再度训练后的支持向量机，获得对应所述实时负荷的 日期之后的预设天数的负荷数据。6. -种支持向量机的参数选取系统，其特征在于，包括W下单元： 第一获取单元，用于获取支持向量机的各参数的取值范围和云遗传算法的各自变量， 其中，所述支持向量机的各参数对应云遗传算法的各自变量； 生成单元，用于根据对应的各参数的取值范围对各所述自变量均匀取值，形成初始种 群，其中，所述初始种群中包括多个个体，所述个体包括取值后的各所述自变量； 第一训练单元，用于针对每个个体，根据取值后的各所述自变量配置所述支持向量机， 获取实时负荷数据和历史负荷数据W及所述实时负荷数据和所述历史负荷数据之间的相 似度，从所述历史负荷数据中筛选出相似日的负荷数据，其中，所述相似日的负荷数据与所 述实时负荷数据的相似度大于预设值;将所述相似日的负荷数据作为所述支持向量机的输 入，将对应所述相似日之后的预设天数的负荷数据作为所述支持向量机的输出，用W训练 所述支持向量机； 第二获取单元，将所述相似日的负荷数据输入至训练后的支持向量机，获得训练后的 支持向量机输出的预设天数的负荷数据，并获取所述训练后的支持向量机输出的预设天数 的负荷数据与所述相似日之后的预设天数的负荷数据之间的误差值； 云操作单元，选取所述初始种群中的部分个体，W选取的各个体对应的误差值的倒数 作为适应度值，根据选取的各个体对应的适应度值，对选取的各个体进行基于条件云的交 叉操作，获得第一个体组;对所述第一个体组中的各个体进行基于基本云的变异操作，获得 第二个体组； 判断单元，判断所述第二个体组中是否有个体满足终止条件，若是，则将该个体中取值 后的各所述自变量作为所述支持向量机的各参数;若否，则返回至所述第一训练单元。7. 根据权利要求6所述的支持向量机的参数选取系统，其特征在于，所述云操作单元用 于对于任何一组用于交叉的两个个体，对两个个体中的每个变量作W下运算： 根巧^算第一特征数值，其中，Ex、En和He为第一 特征数值，Fmax和Fmin分别为选取的各个体对应的适应度的最大值和最小值； xo取交叉操作的两个个体对应的适应度中的较大值，将xoW及Ex、En和化输入至X条件 云发生器，获得第一确定度； 根据计算第二特征数值， 其中，Ex'、En'和化'为第二特征数值，xf和xm分别为交叉操作的两个个体中对应的同一种变 量，span为所述同一种变量的取值区间长度，Ff和Fm分别为两个个体对应的适应度，pop为所 述种群大小； 将所述第一确定度W及所述Ex'、化'和化'输入至Y条件云发生器，获得与所述同一变 量对应的第一子变量和第二子变量，用所述第一子变量替换Xf，用所述第二子变量替换Xm。8. 根据权利要求6所述的支持向量机的参数选取系统，其特征在于，所述云操作单元用 于对于任何一个用于变异操作的个体，对该个体中的任一变量Xp作W下运算： 根赛十算第Ξ特征数值，其中，Ex"、En"和 He"为第Ξ特征数值，span (xp)表示变量xp的取值区间长度，pop为所述种群大小； 将所述Ex"、En"和化"输入至基本云发生器，获得与变量xp对应的第Ξ子变量和第二确 定度，生成服从[0，1 ]区间均匀分布的随机数，当所述第二确定度大于所述随机数时，用第 Ξ子变量替换所述变量xp。9. 根据权利要求6至8中任意一项所述的支持向量机的参数选取系统，其特征在于，所 述云操作单元用于基于轮盘赌方法的选择方式选取所述初始种群中的部分个体。10. -种负荷预测系统，其特征在于，包括如权利要求6至9中任意一项所述的支持向量 机的参数选取系统和W下单元： 配置单元，用于根据如6至9中任意一项所述的支持向量机的参数选取系统选取的所述 支持向量机的参数对所述支持向量机进行配置； 第二训练单元，将所述相似日的负荷数据作为所述支持向量机的输入，将对应所述相 似日之后的预设天数的负荷数据作为所述支持向量机的输出，用W再度训练所述支持向量 机； 第Ξ获取单元，用于将所述实时负荷数据输入至所述再度训练后的支持向量机，获得 对应所述实时负荷数据的日期之后的预设天数的负荷数据。
【文档编号】G06N3/12GK106096771SQ201610402774
【公开日】2016年11月9日
【申请日】2016年6月7日
【发明人】莫文雄, 王勇, 栾乐, 黄裕春, 许中, 伍衡, 崔晓飞, 马智远, 谭子健, 肖天为, 范旭娟, 文昊
【申请人】广州供电局有限公司