如，Ν等于10，χ为10个钢铁材 料历史价格数据样本中的其中一个，则 Xl表示除X外的另外9个钢铁材料历史价格数据样 本。
[0101] 值得说明的是，上述的常数γ及σ可以采用烟花算法进行优化，其过程为：
[0102] (1)预先设置常数γ及σ的初始值：
[0103] 随机在解空间初始化Ν个位置Xi，g卩Ν个烟花，其中xi为二维向量，分别表示最小二 乘支持向量回归机中的参数γ和σ。
[0104] (2)产生新的爆炸火花：
[0105] 对于每个烟花，产生新的爆炸火花。对于烟花Xi，其爆炸半径Ai和爆炸火花数目Si 的计算公忒；別为，
[0106]
[0107]
[0108] ............ 1，。，·_，Ν)为当前烟花种群中适应度最小值，ymax = maX(f(Xi))，（i = l，2，-_，N)为当前烟花种群中适应度最大值。A和Μ为常数。
[0109]新的爆炸火花的位置·4 = %+4χνΗ，ι)，其中Ai为爆炸半径，υ(-ι，ι)为在区间
[-1，1]中产生服从均匀分布的随机数的值。Xlk表示第i个火花在第k维度上的值，k为随机选 取值。
[0110] (3)产生新的变异火花：
[0111] 新的爆炸火花的位置4 其中Xlk表示第i个火花在第k维度上的值，k 为随机选取的值，N(l，l)是矩阵为1，方差为1的随机数。
[0112] (4)从新种群中随机选取N个烟火作为新的烟花进入下一次迭代。分别计算各烟花 的适应度值，适应度函数如下：
[0113]
[0114] 式中，f (i)表示第i个烟花的适应度值，p表示所用样本的数量，yi表示钢铁用电量 实际值，表示通过支持向量回归机模型计算得到的钢铁用电量预测值。
[0115] 如果N个烟花的适应度值最小值能够满足要求，停止迭代，此时适应度值最小值所 对应的烟花的位置#表示支持向量回归机参数γ和σ的最优值，这样通过此方式可以确定 支持向量回归机模型中参数γ和〇的最优值。
[0116]步骤206、根据支持向量回归机模型和最佳影响超前期下的钢铁材料价格，确定待 预测地区的用电量。
[0117] 可见，本发明实施例提供的一种用电量的预测方法可以通过价格的滞后期来预测 用电量，例如在预测12月用电量时使用的是10或者9月的价格数据，这些价格数据在11月的 是已知的，这样预测误差就只剩下模型误差一项了，误差相对较低，所预测的钢铁行业用电 量较为准确。
[0118] 本发明实施例提供的一种用电量的预测方法，通过获取待预测地区的各期的历史 用电量数据以及相应的钢铁材料历史价格数据，经过平滑处理后，可以根据一时差相关分 析模型对平滑处理后的钢铁材料历史价格数据和历史用电量数据进行处理，确定钢铁材料 价格对用电量的最佳影响超前期;从而根据一支持向量回归机模型和最佳影响超前期下的 钢铁材料价格，确定待预测地区的用电量。可见，本发明通过最佳影响超前期的历史用电量 数据以及相应的钢铁材料历史价格数据即可预测待预测地区的用电量，而最佳影响超前期 的历史用电量数据以及相应的钢铁材料历史价格数据是可以预先确定的，无需预测未来影 响因素指标的数值，避免了钢铁行业用电量的预测误差相对较大，较为不准确的问题。
[0119] 对应于上述图1和图2的方法实施例，本发明实施例提供一种用电量的预测装置， 如图3所示，包括：
[0120] 数据获取单元31，可以获取待预测地区的各期的历史用电量数据以及相应的钢铁 材料历史价格数据。
[0121] 平滑处理单元32,可以根据一移动平均模型，对历史用电量数据以及钢铁材料历 史价格数据分别进行平滑处理。
[0122]最佳影响超前期确定单元33,可以根据一时差相关分析模型对平滑处理后的钢铁 材料历史价格数据和历史用电量数据进行处理，确定钢铁材料价格对用电量的最佳影响超 前期。
[0123] 支持向量回归机模型建立单元34,可以根据一核函数、平滑处理后的钢铁材料历 史价格数据和历史用电量数据构建一支持向量回归机模型。
[0124] 用电量预测单元35,可以根据支持向量回归机模型和最佳影响超前期下的钢铁材 料价格，确定待预测地区的用电量。
[0125] 具体的，数据获取单元31所获取的钢铁材料历史价格数据，包括:粗钢历史价格数 据、钢材历史价格数据、生铁历史价格数据及铁矿石历史价格数据。
[0126] 此外，平滑处理单元32,具体可以：
[0127] 根据公式：
[0128]
[0129]确定历史用电量数据以及钢铁材料历史价格数据一期平滑处理后的当期数据值 A/ ;2n+l为移动平均期数，η为预设常数;At为历史用电量数据以及钢铁材料历史价格数据 平滑处理前的当期数据值。
[0130] 另外，最佳影响超前期确定单元33,具体可以：
[0131] 根据公式：
[0132]
[0133] 分别选择不同超前期数1，确定不同超前期数下的同一种钢铁材料价格数据对用 电量的相关性系数ru
[0134] 确定不同超前期数下的同一种钢铁材料价格数据对用电量的相关性系数^的最 大值，并将η的最大值所对应的超前期数1作为该种钢铁材料价格对用电量的最佳影响超 前期。
[0135] 其中，xt-i为第t-Ι期同一种钢铁材料价格样本；?为同一种钢铁材料各期价格样 本的平均值;yt为第t期用电量样本；j为各期用电量样本的平均值。
[0136] 进一步的，该用电量的预测装置，如图4所示，还包括：
[0137] 归一化处理单元36,可以根据公式：
[0138]
[0139]对平滑处理后的第一样本数据分别进行归一化处理，得到归一化处理后的数据 X1;该第一样本数据包括:最佳影响超前期下的粗钢历史价格数据、钢材历史价格数据、生 铁历史价格数据、铁矿石历史价格数据以及平滑处理后的历史用电量数据。
[0140]其中，χ/为归一化处理之前的一种第一样本数据的当前值;Xmin为一种第一样本 数据的最小值;Xmax为一种第一样本数据的最大值。
[0141 ]此处，支持向量回归机模型建立单元34，具体可以：
[0142]根据一核函数、平滑处理后且归一化处理后的钢铁材料历史价格数据和历史用电 量数据构建一支持向量回归机模型。
[0143] 支持向量回归机模型为 。核函数为K(xi，x)=exp(_| |xi_x ，+ 2/σ2) ;ai为拉格朗日乘子，
为偏置
En 为η阶单位矩阵，ln=[l，···，l]T，y=[yi,…，，…，αη」'，Ω =K(Xi，x)i = l，…，N; γ及σ为常数;x为一个平滑处理后且归一化处理后的钢铁材料历史价格数据样本;Xl为除x 样本之外的其他平滑处理后且归一化处理后的钢铁材料历史价格数据样本;N为平滑处理 后且归一化处理后的钢铁材料历史价格数据样本的数目。
[0144] 进一步的，该用电量的预测装置，如图4所示，还可以包括：
[0145] 常数初始值设置单元37,可以预先设置常数丫及〇的初始值。
[0146] 常数优化单元38,可以根据常数γ及σ的初始值，通过一烟花算法优化常数γ及〇。 [0147]值得说明的是，本发明实施例提供的一种用电量的预测装置的具体实现方式可以 参见上述的方法实施例，此处不再赘述。
[0148] 本发明实施例提供的一种用电量的预测装置，通过获取待预测地区的各期的历史 用电量数据以及相应的钢铁材料历史价格数据，经过平滑处理后，可以根据一时差相关分 析模型对平滑处理后的钢铁材料历史价格数据和历史用电量数据进行处理，确定钢铁材料 价格对用电量的最佳影响超前期;从而根据一支持向量回归机模型和最佳影响超前期下的 钢铁材料价格，确定待预测地区的用电量。可见，本发明通过最佳影响超前期的历史用电量 数据以及相应的钢铁材料历史价格数据即可预测待预测地区的用电量，而最佳影响超前期 的历史用电量数据以及相应的钢铁材料历史价格数据是可以预先确定的，无需预测未来影 响因素指标的数值，避免了钢铁行业用电量的预测误差相对较大，较为不准确的问题。
[0149] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序 产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实 施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机 可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产 品的形式。
[0150] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流 程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序 指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产 生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0151] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备