一种短期电力负荷预测方法、装置及计算设备与流程

本发明涉及电力负荷领域，特别涉及一种短期电力负荷预测方法、装置及计算设备。

背景技术：

短期电力负荷预测是电力系统的一个重要研究方向，通过准确的短期负荷预测可以经济合理地安排电网内各机组的启停，保证电网运行的安全性。短期电力负荷预测是指从已知电力系统的相关历史数据入手，对其进行分析与研究，探讨电力负荷之间的内在联系和发展变化规律，从而进行预先估计。

现有的短期电力负荷预测方案中，多是采用支持向量机的回归模型为基础，利用基本的果蝇算法对其参数进行优化，最终将优化后的参数带入回归模型以形成电力负荷预测模型。然而，基本的果蝇算法中由于只有群体位置移动，容易导致参数陷入局部最优，导致算法的收敛能力和全局搜索能力较低，进而难以获得估计精度较高的短期电力负荷预测模型。

技术实现要素：

为此，本发明提供一种短期电力负荷预测方案，以力图解决或者至少缓解上面存在的问题。

根据本发明的一个方面，提供一种短期电力负荷预测方法，适于在计算设备中执行，该方法包括如下步骤。首先，根据收集到的历史数据获取训练样本集和预测样本集，历史数据包括电力负荷数据和气象数据；根据训练样本集建立最小二乘支持向量机回归模型，回归模型包括目标函数f(γ,σ)和参数对(γ,σ)，其中，γ为正则化参数，σ为核函数宽度参数；通过果蝇算法优化参数对(γ,σ)以获取目标函数f(γ,σ)的最小值，果蝇算法中将果蝇个体随机分为第一类果蝇和第二类果蝇，第一类果蝇的搜寻距离范围小于第二类果蝇的搜寻距离范围；将优化后的参数对(γ,σ)带入回归模型中，生成对应的短期电力负荷预测模型；向预测模型输入预测样本集获取对应的预测结果。

可选地，在根据本发明的短期电力负荷预测方法中，气象数据包括温度数据、相对湿度数据、降水量数据和风力数据中至少一种。

可选地，在根据本发明的短期电力负荷预测方法中，最小二乘支持向量机回归模型中的核函数包括小波核函数。

可选地，在根据本发明的短期电力负荷预测方法中，通过果蝇算法优化参数对(γ,σ)以获取目标函数f(γ,σ)的最小值包括：初始化果蝇群体的位置坐标(X,Y)和最佳味道浓度Smellbest，位置坐标(X,Y)对应参数对(γ,σ)，最佳味道浓度Smellbest对应目标函数f(γ,σ)的最小值；将所有果蝇个体随机分为第一类果蝇和第二类果蝇，对第一类果蝇赋予小范围的搜寻方向和距离，对第二类果蝇赋予大范围的搜寻方向和距离；通过果蝇个体与原点之间的距离Dist和味道浓度函数F(Dist,S)，计算出对应的第一味道浓度Smell，其中Smell＝F(Dist,S)，S为果蝇个体的第一味道浓度判定值；若第一味道浓度Smell中的最小值小于最佳味道浓度Smellbest，则将最佳味道浓度Smellbest的值更新为第一味道浓度Smell中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第一味道浓度Smell中最小值对应的果蝇个体的位置坐标；若第一味道浓度Smell中的最小值不小于最佳味道浓度Smellbest，则重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数。

可选地，在根据本发明的短期电力负荷预测方法中，第一味道浓度判定值S＝1/Dist+η，其中η＝ρ·Dist，ρ服从均匀分布。

可选地，在根据本发明的短期电力负荷预测方法中，通过果蝇算法优化参数对(γ,σ)以获取目标函数f(γ,σ)的最小值还包括：计算果蝇群体的适应度方差r²；若适应度方差r²不大于预设的方差阈值，且最佳味道浓度Smellbest大于预设的定位精度，则将第一味道浓度Smell按从大到小的顺序排列，将复制前M个值对应的果蝇个体的位置坐标，分别对其进行柯西变异操作，获得对应的新的位置坐标；对M个果蝇个体，通过果蝇个体与原点之间的距离Dist′和味道浓度函数F(Dist′,S′)，计算出对应的第二味道浓度Smell′，其中Smell′＝F(Dist′,S′)，S′为果蝇个体的第二味道浓度判定值；若第二味道浓度Smell′中的最小值小于最佳味道浓度Smellbest，则将最佳味道浓度Smellbest的值更新为第二味道浓度Smell′中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第二味道浓度Smell′中最小值对应的果蝇个体的位置坐标；若第二味道浓度Smell′中的最小值不小于最佳味道浓度Smellbest，则重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数。

可选地，在根据本发明的短期电力负荷预测方法中，第二味道浓度判定值S′＝1/Dist′+η′，其中η′＝ρ·Dist′，ρ服从均匀分布。

根据本发明的又一个方面，提供一种短期电力负荷预测装置，适于驻留在计算设备中，该装置包括获取模块、建立模块、优化模块、生成模块和预测模块。其中，获取模块适于根据收集到的历史数据获取训练样本集和预测样本集，历史数据包括电力负荷数据和气象数据；建立模块适于根据训练样本集建立最小二乘支持向量机回归模型，回归模型包括目标函数f(γ,σ)和参数对(γ,σ)，其中，γ为正则化参数，σ为核函数宽度参数；优化模块适于通过果蝇算法优化参数对(γ,σ)以获取目标函数f(γ,σ)的最小值，果蝇算法中将果蝇个体随机分为第一类果蝇和第二类果蝇，第一类果蝇的搜寻距离范围小于第二类果蝇的搜寻距离范围；生成模块适于将优化后的参数对(γ,σ)带入回归模型中，生成对应的短期电力负荷预测模型；预测模块，适于向预测模型输入预测样本集获取对应的预测结果。

可选地，在根据本发明的短期电力负荷预测装置中，气象数据包括温度数据、相对湿度数据、降水量数据和风力数据中至少一种。

可选地，在根据本发明的短期电力负荷预测装置中，最小二乘支持向量机回归模型中的核函数包括小波核函数。

可选地，在根据本发明的短期电力负荷预测装置中，优化模块进一步适于：初始化果蝇群体的位置坐标(X,Y)和最佳味道浓度Smellbest，位置坐标(X,Y)对应参数对(γ,σ)，最佳味道浓度Smellbest对应目标函数f(γ,σ)的最小值；将所有果蝇个体随机分为第一类果蝇和第二类果蝇，对第一类果蝇赋予小范围的搜寻方向和距离，对第二类果蝇赋予大范围的搜寻方向和距离；通过果蝇个体与原点之间的距离Dist和味道浓度函数F(Dist,S)，计算出对应的第一味道浓度Smell，其中Smell＝F(Dist,S)，S为果蝇个体的第一味道浓度判定值；当第一味道浓度Smell中的最小值小于最佳味道浓度Smellbest时，将最佳味道浓度Smellbest的值更新为第一味道浓度Smell中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第一味道浓度Smell中最小值对应的果蝇个体的位置坐标；当第一味道浓度Smell中的最小值不小于最佳味道浓度Smellbest时，重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数。

可选地，在根据本发明的短期电力负荷预测装置中，第一味道浓度判定值S＝1/Dist+η，其中η＝ρ·Dist，ρ服从均匀分布。

可选地，在根据本发明的短期电力负荷预测装置中，优化模块进一步适于：计算果蝇群体的适应度方差r²；当适应度方差r²不大于预设的方差阈值，且最佳味道浓度Smellbest大于预设的定位精度时，将第一味道浓度Smell按从大到小的顺序排列，将复制前M个值对应的果蝇个体的位置坐标，分别对其进行柯西变异操作，获得对应的新的位置坐标；对M个果蝇个体，通过果蝇个体与原点之间的距离Dist′和味道浓度函数F(Dist′,S′)，计算出对应的第二味道浓度Smell′，其中Smell′＝F(Dist′,S′)，S′为果蝇个体的第二味道浓度判定值；当第二味道浓度Smell′中的最小值小于最佳味道浓度Smellbest时，将最佳味道浓度Smellbest的值更新为第二味道浓度Smell′中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第二味道浓度Smell′中最小值对应的果蝇个体的位置坐标；当第二味道浓度Smell′中的最小值不小于最佳味道浓度Smellbest时，重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数。

可选地，在根据本发明的短期电力负荷预测装置中，第二味道浓度判定值S′＝1/Dist′+η′，其中η′＝ρ·Dist′，ρ服从均匀分布。

根据本发明的又一个方面，还提供一种计算设备，包括根据本发明的短期电力负荷预测装置。

根据本发明的短期电力负荷预测的技术方案，首先通过训练样本集建立最小二乘支持向量机回归模型，通过果蝇算法优化回归模型中的参数对(γ,σ)以获取目标函数f(γ,σ)的最小值，将优化后的参数对(γ,σ)带入回归模型中，生成对应的短期电力负荷预测模型，向其输入预测样本集获取对应的预测结果。上述技术方案中，果蝇个体随机分为两类果蝇，对应的搜索距离范围不同，避免参数对(γ,σ)最终的优化结果陷入局部最优，并对味道判定函数进行改进，同时采用柯西变异对部分果蝇个体进行变异操作，进一步提高算法的收敛能力和寻优能力。

附图说明

为了实现上述以及相关目的，本文结合下面的描述和附图来描述某些说明性方面，这些方面指示了可以实践本文所公开的原理的各种方式，并且所有方面及其等效方面旨在落入所要求保护的主题的范围内。通过结合附图阅读下面的详细描述，本公开的上述以及其它目的、特征和优势将变得更加明显。遍及本公开，相同的附图标记通常指代相同的部件或元素。

图1示出了根据本发明的一个实施例的计算设备100的示意图；

图2示出了根据本发明一个实施例的短期电力负荷预测方法200的流程图；以及

图3示出了根据本发明的一个实施例的短期电力负荷预测装置300的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1是示例计算设备100的框图。在基本的配置102中，计算设备100典型地包括系统存储器106和一个或者多个处理器104。存储器总线108可以用于在处理器104和系统存储器106之间的通信。

取决于期望的配置，处理器104可以是任何类型的处理，包括但不限于：微处理器(μP)、微控制器(μC)、数字信息处理器(DSP)或者它们的任何组合。处理器104可以包括诸如一级高速缓存110和二级高速缓存112之类的一个或者多个级别的高速缓存、处理器核心114和寄存器116。示例的处理器核心114可以包括运算逻辑单元(ALU)、浮点数单元(FPU)、数字信号处理核心(DSP核心)或者它们的任何组合。示例的存储器控制器118可以与处理器104一起使用，或者在一些实现中，存储器控制器118可以是处理器104的一个内部部分。

取决于期望的配置，系统存储器106可以是任意类型的存储器，包括但不限于：易失性存储器(诸如RAM)、非易失性存储器(诸如ROM、闪存等)或者它们的任何组合。系统存储器106可以包括操作系统120、一个或者多个应用122以及程序数据124。在一些实施方式中，应用122可以布置为在操作系统上利用程序数据124进行操作。

计算设备100还可以包括有助于从各种接口设备(例如，输出设备142、外设接口144和通信设备146)到基本配置102经由总线/接口控制器130的通信的接口总线140。示例的输出设备142包括图形处理单元148和音频处理单元150。它们可以被配置为有助于经由一个或者多个A/V端口152与诸如显示器或者扬声器之类的各种外部设备进行通信。示例外设接口144可以包括串行接口控制器154和并行接口控制器156，它们可以被配置为有助于经由一个或者多个I/O端口158和诸如输入设备(例如，键盘、鼠标、笔、语音输入设备、触摸输入设备)或者其他外设(例如打印机、扫描仪等)之类的外部设备进行通信。示例的通信设备146可以包括网络控制器160，其可以被布置为便于经由一个或者多个通信端口164与一个或者多个其他计算设备162通过网络通信链路的通信。

网络通信链路可以是通信介质的一个示例。通信介质通常可以体现为在诸如载波或者其他传输机制之类的调制数据信号中的计算机可读指令、数据结构、程序模块，并且可以包括任何信息递送介质。“调制数据信号”可以这样的信号，它的数据集中的一个或者多个或者它的改变可以在信号中编码信息的方式进行。作为非限制性的示例，通信介质可以包括诸如有线网络或者专线网络之类的有线介质，以及诸如声音、射频(RF)、微波、红外(IR)或者其它无线介质在内的各种无线介质。这里使用的术语计算机可读介质可以包括存储介质和通信介质二者。

计算设备100可以实现为小尺寸便携(或者移动)电子设备的一部分，这些电子设备可以是诸如蜂窝电话、个人数字助理(PDA)、个人媒体播放器设备、无线网络浏览设备、个人头戴设备、应用专用设备、或者可以包括上面任何功能的混合设备。计算设备100还可以实现为包括桌面计算机和笔记本计算机配置的个人计算机。在一些实施例中，计算设备100被配置为执行根据本发明的短期电力负荷预测方法。应用122包括根据本发明的短期电力负荷预测装置300。

图2示出了根据本发明一个实施例的短期电力负荷预测方法200的流程图。短期电力负荷预测方法200适于在计算设备(例如图1所示的计算设备100)中执行。

如图2所示，方法200始于步骤S210。在步骤S210中，根据收集到的历史数据获取训练样本集和预测样本集，历史数据包括电力负荷数据和气象数据。其中，气象数据包括温度数据、相对湿度数据、降水量数据和风力数据中至少一种。在本实施例中，待测日为2016年7月1日，气象数据包括温度数据、相对湿度数据、降水量数据和风力数据。训练样本集为江苏省某地区2016年6月各天整点时刻的电力负荷数据和气象数据，预测样本集中的电力负荷数据为待测日前一个月，即6月中的7个趋势相似日的电力负荷数据。趋势相似日是通过日特征相似度和趋势相似度选出的，日特征相似度为某两日的日特征量的相似程度，趋势相似度为某两日及附近几日电力负荷水平变化规律的相似程度，这里日特征量主要考虑气象数据，即温度数据、相对湿度数据、降水量数据和风力数据。由于星期类型对负荷预测也有一定作用，也可以将星期类型纳入到日特征量的考虑范围中。当然，在选出趋势相似日之前需要先对每日的日特征量进行量化处理。关于日特征量的量化处理与趋势相似日的选择，为现有的成熟技术，此处不予以赘述。

随后，进入步骤S220，根据训练样本集建立最小二乘支持向量机回归模型，回归模型包括目标函数f(γ,σ)和参数对(γ,σ)，其中，γ为正则化参数，σ为核函数宽度参数。最小二乘支持向量机回归模型中的核函数包括小波核函数。在本实施例中，对训练样本集x_i为输入数据，y_i为输出数据，N为训练样本集的容量，为便于数据处理，可预先对x_i和y_i进行归一化处理。则，最小二乘支持向量机回归模型的优化问题为：

其中，为非线性映射，w为权向量，b为偏置量，γ为正则化参数，控制误差的惩罚程度，ξ_i为误差。引入拉格朗日乘子α_i，将优化问题转化为：

根据卡罗需-库恩-塔克(KKT)条件对L(w,b,ξ_i,α_i)中的各个变量进行求导并令其为零，消去w和ξ_i可得一线性方程组，求解该线性方程组可得回归模型为：

其中，α_i＝γξ_i，K(x_i,x_j)为核函数。在本实施例中，核函数为小波核函数，则得出：

其中，ψ(·)为小波传递函数，σ为核函数宽度参数，即小波伸缩因子。

为不失小波核函数的一般性，选择Morlet型小波，其小波传递函数为将该式带入y中，得到最终的最小二乘小波支持向量机回归模型为：

目标函数y_i为第i个训练样本的输出数据，为由第i个训练样本的输入数据通过回归模型得到的输出数据。

在步骤S230中，通过果蝇算法优化参数对(γ,σ)以获取目标函数f(γ,σ)的最小值，果蝇算法中将果蝇个体随机分为第一类果蝇和第二类果蝇，第一类果蝇的搜寻距离范围小于第二类果蝇的搜寻距离范围。首先，初始化果蝇群体的位置坐标(X,Y)和最佳味道浓度Smellbest，位置坐标(X,Y)对应参数对(γ,σ)，最佳味道浓度Smellbest对应目标函数f(γ,σ)的最小值。此时，还需预先设定果蝇群体规模Sizepop、最大迭代次数Itermax、适应度方差阈值δ和定位精度φ。在本实施例中，群体规模Sizepop＝20，最大迭代次数Itermax＝100。

将所有果蝇个体随机分为第一类果蝇和第二类果蝇，对第一类果蝇赋予小范围的搜寻方向和距离，对第二类果蝇赋予大范围的搜寻方向和距离。令S1代表第一类果蝇，S2代表第二类果蝇，若果蝇个体属于S1，则搜寻距离区间为[-1，1]，若果蝇个体属于S2，则搜寻距离区间为[-10，10]。

通过果蝇个体与原点之间的距离和味道浓度函数F(Dist,S)，计算出对应的第一味道浓度Smell，其中Smell＝F(Dist,S)，S为果蝇个体的第一味道浓度判定值，S＝1/Dist+η，其中η＝ρ·Dist，ρ服从均匀分布。在本实施例中，对第i个果蝇个体而言，其位置坐标为(X_i,Y_i)，与原点之间的距离为Dist_i，第一味道浓度为Smell_i，第一味道浓度判定值为S_i，由于η_i＝ρ·Dist_i，则第一浓度判定值S_i表示如下：

味道浓度判定函数F(·)为训练样本的预测结果与真实值的均方根误差，此时Smell_i＝F(Dist_i,S_i)，i＝1,2,...,Sizepop。

若第一味道浓度Smell中的最小值小于最佳味道浓度Smellbest，则将最佳味道浓度Smellbest的值更新为第一味道浓度Smell中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第一味道浓度Smell中最小值对应的果蝇个体的位置坐标。若第一味道浓度Smell中的最小值不小于最佳味道浓度Smellbest，则重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数Itermax。在迭代优化完成后，此时果蝇群体的位置坐标(X,Y)对应为优化后的参数对(γ,σ)。

在根据本发明的又一个实施例中，当已获取到果蝇群体的所有果蝇的第一味道浓度Smell后，可计算果蝇群体的适应度方差r²。首先，计算果蝇个体的平均味道浓度Smellavg，如下所示：

根据平均味道浓度Smellavg获得适应度方差r²，则：

若适应度方差r²不大于预设的方差阈值，且最佳味道浓度Smellbest大于预设的定位精度，即r²≤δ且Smellbest＞φ，则将第一味道浓度Smell按从大到小的顺序排列，将复制前M个值对应的果蝇个体的位置坐标，分别对其进行柯西变异操作，获得对应的新的位置坐标。对上述M个果蝇个体而言，其中第j个果蝇个体的坐标为(X_j,Y_j)，进行柯西变异后得到的新的位置坐标对应为(X′_j,Y′_j)，可得：

其中，Cauchy(0,1)为标准柯西分布，p为控制变异步长的系数。

对该M个果蝇个体，通过果蝇个体与原点之间的距离Dist′和味道浓度函数F(Dist′,S′)，计算出对应的第二味道浓度Smell′，其中Smell′＝F(Dist′,S′)，S′为果蝇个体的第二味道浓度判定值，S′＝1/Dist′+η′，其中η′＝ρ·Dist′，ρ服从均匀分布。第j个果蝇个体与原点之间的距离为Dist_j′，其第二味道浓度为Smell′_j，第二味道浓度判定值为S′_j，由η′_j＝ρ·Dist′_j，则第二浓度判定值S′_j表示如下：

味道浓度判定函数F(·)为训练样本的预测结果与真实值的均方根误差，此时Smell′_j＝F(Dist′_j,S′_j)，j＝1,2,...,M。

若第二味道浓度Smell′中的最小值小于最佳味道浓度Smellbest，则将最佳味道浓度Smellbest的值更新为所述第二味道浓度Smell′中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第二味道浓度Smell′中最小值对应的果蝇个体的位置坐标。若第二味道浓度Smell′中的最小值不小于最佳味道浓度Smellbest，则重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数Itermax。在迭代优化完成后，此时果蝇群体的位置坐标(X,Y)对应为优化后的参数对(γ,σ)。

在步骤S240中，将优化后的参数对(γ,σ)带入最小二乘支持向量机回归模型中，生成对应的短期电力负荷预测模型。最后，进入步骤S250，向上述预测模型输入预测样本集获取对应的预测结果。在本实施例中，由于训练样本集中的电力负荷数据是江苏省某地区2016年6月各天整点时刻的数据，即每天都有24个电力负荷数据，因此可以相应地生成24个短期电力负荷预测模型，每个模型对应一个整点时刻。将步骤S210中获取的预测样本集中的电力负荷数据分别输入到对应的短期电力负荷预测模型中，而步骤S240中得到的优化后的参数对(γ,σ)的值为(3.2689,4.0723)，最终预测出该地区2016年7月1日电力负荷结果如表1所示。

表1

如表1所示，平均绝对误差为1.37％，说明本方法对短期电力负荷进行预测的结果准确度很高，与实际负荷非常接近，性能优异。

图3示出了根据本发明一个实施例的短期电力负荷预测装置300的示意图。如图3所示，该装置包括：获取模块310、建立模块320、优化模块330、生成模块340和预测模块350。

获取模块310适于根据收集到的历史数据获取训练样本集和预测样本集，历史数据包括电力负荷数据和气象数据。其中，气象数据包括温度数据、相对湿度数据、降水量数据和风力数据中至少一种。

建立模块320适于根据训练样本集建立最小二乘支持向量机回归模型，回归模型包括目标函数f(γ,σ)和参数对(γ,σ)，其中，γ为正则化参数，σ为核函数宽度参数。其中，最小二乘支持向量机回归模型中的核函数包括小波核函数。

优化模块330适于通过果蝇算法优化参数对(γ,σ)以获取目标函数f(γ,σ)的最小值，果蝇算法中将果蝇个体随机分为第一类果蝇和第二类果蝇，第一类果蝇的搜寻距离范围小于第二类果蝇的搜寻距离范围。

优化模块330进一步适于初始化果蝇群体的位置坐标(X,Y)和最佳味道浓度Smellbest，位置坐标(X,Y)对应参数对(γ,σ)，最佳味道浓度Smellbest对应目标函数f(γ,σ)的最小值；将所有果蝇个体随机分为第一类果蝇和第二类果蝇，对第一类果蝇赋予小范围的搜寻方向和距离，对第二类果蝇赋予大范围的搜寻方向和距离；通过果蝇个体与原点之间的距离Dist和味道浓度函数F(Dist,S)，计算出对应的第一味道浓度Smell，其中Smell＝F(Dist,S)，S为果蝇个体的第一味道浓度判定值；当第一味道浓度Smell中的最小值小于最佳味道浓度Smellbest时，将最佳味道浓度Smellbest的值更新为第一味道浓度Smell中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第一味道浓度Smell中最小值对应的果蝇个体的位置坐标；当第一味道浓度Smell中的最小值不小于最佳味道浓度Smellbest时，重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数。其中，第一味道浓度判定值S＝1/Dist+η，其中η＝ρ·Dist，ρ服从均匀分布。

优化模块330进一步适于计算果蝇群体的适应度方差r²；当适应度方差r²不大于预设的方差阈值，且最佳味道浓度Smellbest大于预设的定位精度时，将第一味道浓度Smell按从大到小的顺序排列，将复制前M个值对应的果蝇个体的位置坐标，分别对其进行柯西变异操作，获得对应的新的位置坐标；对M个果蝇个体，通过果蝇个体与原点之间的距离Dist′和味道浓度函数F(Dist′,S′)，计算出对应的第二味道浓度Smell′，其中Smell′＝F(Dist′,S′)，S′为果蝇个体的第二味道浓度判定值；当第二味道浓度Smell′中的最小值小于最佳味道浓度Smellbest时，将最佳味道浓度Smellbest的值更新为第二味道浓度Smell′中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第二味道浓度Smell′中最小值对应的果蝇个体的位置坐标；当第二味道浓度Smell′中的最小值不小于最佳味道浓度Smellbest时，重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数。其中，第二味道浓度判定值S′＝1/Dist′+η′，其中η′＝ρ·Dist′，ρ服从均匀分布。

生成模块340适于将优化后的参数对(γ,σ)带入回归模型中，生成对应的短期电力负荷预测模型；

预测模块350适于向预测模型输入预测样本集获取对应的预测结果。

关于短期电力负荷预测的具体步骤以及实施例，在基于图2的描述中已经详细公开，此处不再赘述。

现有的短期电力负荷预测方案中，多是采用支持向量机的回归模型为基础，利用常规的果蝇算法对其参数进行优化以形成电力负荷预测模型。然而，常规的果蝇算法中由于只有群体位置移动，容易导致参数陷入局部最优，导致算法的收敛能力和全局搜索能力较低。根据本发明实施例的短期电力负荷预测的技术方案，首先通过训练样本集建立最小二乘支持向量机回归模型，通过果蝇算法优化回归模型中的参数对(γ,σ)以获取目标函数f(γ,σ)的最小值，将优化后的参数对(γ,σ)带入回归模型中，生成对应的短期电力负荷预测模型，向其输入预测样本集获取对应的预测结果。上述技术方案中，果蝇个体随机分为两类果蝇，对应的搜索距离范围不同，避免参数对(γ,σ)最终的优化结果陷入局部最优，并对味道判定函数进行改进，同时采用柯西变异对部分果蝇个体进行变异操作，进一步提高算法的收敛能力和寻优能力。

B10.如B8所述的装置，所述最小二乘支持向量机回归模型中的核函数包括小波核函数。

B11.如B8-10中任一项所述的装置，所述优化模块进一步适于：

初始化果蝇群体的位置坐标(X,Y)和最佳味道浓度Smellbest，所述位置坐标(X,Y)对应参数对(γ,σ)，最佳味道浓度Smellbest对应目标函数f(γ,σ)的最小值；

将所有果蝇个体随机分为第一类果蝇和第二类果蝇，对第一类果蝇赋予小范围的搜寻方向和距离，对第二类果蝇赋予大范围的搜寻方向和距离；

通过果蝇个体与原点之间的距离Dist和味道浓度函数F(Dist,S)，计算出对应的第一味道浓度Smell，其中Smell＝F(Dist,S)，S为果蝇个体的第一味道浓度判定值；

当所述第一味道浓度Smell中的最小值小于最佳味道浓度Smellbest时，将最佳味道浓度Smellbest的值更新为第一味道浓度Smell中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第一味道浓度Smell中最小值对应的果蝇个体的位置坐标；

当所述第一味道浓度Smell中的最小值不小于最佳味道浓度Smellbest时，重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数。

B12.如B11所述的装置，所述第一味道浓度判定值S＝1/Dist+η，其中η＝ρ·Dist，ρ服从均匀分布。

B13.如B11或12所述的装置，所述优化模块进一步适于：

计算果蝇群体的适应度方差r²；

当所述适应度方差r²不大于预设的方差阈值，且最佳味道浓度Smellbest大于预设的定位精度时，将第一味道浓度Smell按从大到小的顺序排列，将复制前M个值对应的果蝇个体的位置坐标，分别对其进行柯西变异操作，获得对应的新的位置坐标；

对所述M个果蝇个体，通过果蝇个体与原点之间的距离Dist′和味道浓度函数F(Dist′,S′)，计算出对应的第二味道浓度Smell′，其中Smell′＝F(Dist′,S′)，S′为所述果蝇个体的第二味道浓度判定值；

当所述第二味道浓度Smell′中的最小值小于最佳味道浓度Smellbest时，将最佳味道浓度Smellbest的值更新为所述第二味道浓度Smell′中的最小值，并将果蝇群体的位置坐标(X,Y)更新为第二味道浓度Smell′中最小值对应的果蝇个体的位置坐标；

当所述第二味道浓度Smell′中的最小值不小于最佳味道浓度Smellbest时，重新将所有果蝇个体随机分为第一类果蝇和第二类果蝇并继续优化处理，直至达到预设的最大迭代次数。

B14.如B13所述的装置，所述第二味道浓度判定值S′＝1/Dist′+η′，其中η′＝ρ·Dist′，ρ服从均匀分布。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下被实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员应当理解在本文所公开的示例中的设备的模块或单元或组件可以布置在如该实施例中所描述的设备中，或者可替换地可以定位在与该示例中的设备不同的一个或多个设备中。前述示例中的模块可以组合为一个模块或者此外可以分成多个子模块。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

此外，所述实施例中的一些在此被描述成可以由计算机系统的处理器或者由执行所述功能的其它装置实施的方法或方法元素的组合。因此，具有用于实施所述方法或方法元素的必要指令的处理器形成用于实施该方法或方法元素的装置。此外，装置实施例的在此所述的元素是如下装置的例子：该装置用于实施由为了实施该发明的目的的元素所执行的功能。

如在此所使用的那样，除非另行规定，使用序数词“第一”、“第二”、“第三”等等来描述普通对象仅仅表示涉及类似对象的不同实例，并且并不意图暗示这样被描述的对象必须具有时间上、空间上、排序方面或者以任意其它方式的给定顺序。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。