基于自适应遗传算法的最小二乘支持向量机用电预测方法
专利汇可以提供基于自适应遗传算法的最小二乘支持向量机用电预测方法专利检索，专利查询，专利分析的服务。并且本 发明 提供一种基于自适应遗传 算法 的最小二乘 支持向量机 用电预测方法，该方法是从某企业采集历史用电数据，并采用高斯 滤波器 进行去噪音处理；然后采用经验模态分解方法把过滤噪音后的数据分解成多个基本模式分量和余量，并对其进行归一化；其次，采用最小二乘支持向量机对归一化后的分量、余量进行预测，同时采用交叉概率和变异概率自适应的 遗传算法 对最小二乘支持向量机的两个参数进行寻优，找到最佳参数组合；最后采用最小二乘支持向量机模型得到预测结果。本发明对企业用电量有较高的预测 精度 ，是一种高效的用电量预测方法。，下面是基于自适应遗传算法的最小二乘支持向量机用电预测方法专利的具体信息内容。
1.一种基于自适应遗传算法的最小二乘支持向量机用电预测方法，其特征在于：包括以下步骤：
S1：采集某企业的历史用电量时间序列，对采集的用电量时间序列进行预处理，将该序列通过高斯滤波器，进行去噪处理；
S2：采用经验模态分解方法对经过去噪处理后的历史用电量时间序列进行分解，分解出基本模式分量和余量，并对分解出的基本模式分量和余量进行归一化处理，生成训练样本集；
S3：对生成的训练样本集，采用最小二乘支持向量机模型分别进行预测；
S4：在最小二乘支持向量机模型预测过程中，使用交叉概率和变异概率自适应的遗传算法对最小二乘支持向量机模型的两个参数进行寻优计算，在全局范围内得到最佳参数组合；
S5：利用寻优之后的最佳参数组合，结合训练样本集构建基于自适应遗传算法的最小二乘支持向量机用电量组合预测模型进行预测，得出最终预测结果。
2.如权利要求1所述的基于自适应遗传算法的最小二乘支持向量机用电预测方法，其特征在于：所述步骤S1具体包括：
S1.1：获取历史用电量数据时间序列，设为：
其中，T表示历史用电量数据时间序列样本；(xi，yi)表示采集的用电量和对应的时间，n表示历史电量时间序列数量；
S1.2：将历史用电量数据时间序列用高斯滤波器进行去噪处理。
3.如权利要求2所述的基于自适应遗传算法的最小二乘支持向量机用电预测方法，其特征在于：所述步骤S2具体包括：
S2.1：识别出用电量时间序列中的极大值点和极小值点，分别拟合出其包络线eup(t)和elow(t)，并计算包络线的平均值：
S2.2：计算x(t)与m1(t)的差，得到h1(t)：
h1(t)＝x(t)-m1(t) (3)
其中，x(t)为序列中第t个变量；m1(t)为平均值；把h1(t)作为新信号x(t)，重复上述步骤，经过n次筛选，直到h1(t)＝x(t)-m1(t)满足IMF条件，此时记c1(t)＝h1(t)，则c1(t)就是用电量序列的第一个基本模式分量；
S2.3：从原始的序列中分离出基本模式分量c1(t)，得到剩余分量，即余量：
r1(t)＝x(t)-m1(t) (4)
将余量r1(t)作为新的原始数据，重复上述步骤可得到其余基本模式分量和1个余量，如下：
则原始的用电量时间序列可被分解为包含多个基本模式分量和余量之和：
其中x(t)表示第t个用电量数据；ci(t)表示基本模式分量；rn(t)表示余量；n表示分解的基本模式分量的个数；
S2.4：对分解出的基本模式分量和余量采用如下公式进行归一化处理：
式中：xmax和xmin分别为基本模式分量和余量中的最大值和最小值，ymax取1，ymin取-1。
4.如权利要求3所述的基于自适应遗传算法的最小二乘支持向量机用电预测方法，其特征在于：所述步骤S3具体包括：
S3.1：设给定样本集 其中，N为样本总数；
S3.2：样本集的回归模型为：
其中， 表示一个非线性映射，可将输入向量映射到高维空间F；w为加权向量；b为偏置；
S3.3：对于最小二乘支持向量机，其优化问题变为求解下述问题：
其中w为加权向量；γ是一个权重，用于平衡寻找最优超平面和偏差量最小；ξi为松弛变量；b为偏置；
S3.4：为求公式(9)中的带约束求解函数极值问题，引入拉格朗日因子得：
其中，ai为拉格朗日乘子；w为加权向量；γ是一个权重，用于平衡寻找最优超平面和偏差量最小；ξi为松弛变量；b为偏置；
S3.5：对公式(10)中的各个变量进行求导，并另其为0得：
令：
得到：
其中，ai为拉格朗日乘子；w为加权向量；γ是一个权重，用于平衡寻找最优超平面和偏差量最小；ξi为松弛变量；b为偏置；
S3.6：消去公式(12)中的w和ξi，则上述问题转化为求解线性方程组的问题：
式中： en＝[1，1，...，1]2，α＝[α1，α2，...，αn]T，y＝[y1，y2，...，yn]T；
其中Ω为核矩阵；en和α是向量；I是单位矩阵；b为偏置；γ是一个权重；
S3.7：解公式(13)可以得到：
其中，K(xi，x)为核函数；b为偏置；
S3.8：选取高斯核函数作为最小二乘支持向量机模型的核函数：
其中，σ为核参数，是高斯核函数的半径；
根据算法原理可知，最小二乘支持向量机模型的参数有两个，即γ与核函数的参数σ2。
5.如权利要求4所述的基于自适应遗传算法的最小二乘支持向量机用电预测方法，其特征在于：所述步骤S4具体包括：
S4.1：将S2中的训练样本集作为输入；
S4.2：将最小二乘支持向量机的两个参数进行随机编码，来产生初始种群；
2
S4.3：确定种群的规模大小，参数γ和σ的取值范围，交叉概率初始值，变异概率初始值，终止进化的次数；
S4.4：根据个体适应度值，采用联赛选择法选择出适应度最高的个体遗传到下一代种群进行交叉操作，产生两个新的个体；
S4.5：随机选取种群中的个体以一定的变异概率进行变异操作，变异之后的个体中某些基因发生改变，因此就产生了新的个体，而后利用新的个体建立模型来计算适应度；
交叉基础概率为：
其中Pc0为预设的交叉概率，Pc0(t)为第t次迭代时的基础交叉概率，t为进化代数，T为设置的最大进化迭代数；
变异基础概率为：
其中Pm0为预设的变异概率，Pm0(t)为第t次迭代时的基础变异概率，t为进化代数，T为设置的最大进化迭代数；
第i个个体的交叉概率为：
其中Pc0(t)为第t次迭代时的基础交叉概率，fi为第i个个体的适应度，favg为种群的平均适应度，fmin为种群的最小适应度；
第i个个体变异概率为：
其中Pm0(t)为第t次迭代时的基础变异概率，fi为第i个个体的适应度，favg为种群的平均适应度，fmin为种群的最小适应度；
S4.6：判断适应度，当平均适应度值的变化一直小于程序初始设定的极小阈值，则将具有最大适应度的个体作为最优解，算法结束；当平均适应度值没有达到要求，则重复上述步骤S4.3到S4.5，直至达到最大迭代次数；
S4.7：将得到的最优解组合解译，得到最优参数组合。
基于自适应遗传算法的最小二乘支持向量机用电预测方法
技术领域
背景技术
发明内容
具体实施方式
2 2017.01.02 23:59:59 4020
3 2017.01.03 23:59:59 5340
4 2017.01.04 23:59:59 6600
5 2017.01.05 23:59:59 6480
... ... ...
730 2018.12.31 23:59:59 2212
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 机电复合传动系统需求转矩的自适应递归多步预测方法 | 2022-11-15 | 0 |
| 基于EEMD-ELM的非平稳脉动风速高精度预测方法 | 2023-04-13 | 0 |
| 一种基于iPLS-PA算法的硝酸盐浓度预测方法 | 2020-05-20 | 2 |
| 一种区域性桥梁风险预测方法及系统 | 2020-06-13 | 2 |
| 基于有监督的无标记异常识别方法、装置及存储介质 | 2020-08-14 | 1 |
| 一种高炉炼铁过程一氧化碳利用率的建模方法 | 2022-07-07 | 0 |
| 应用程序预加载方法、装置、存储介质及终端 | 2021-05-22 | 0 |
| 剪影成像方法及装置 | 2020-10-25 | 1 |
| 基于贝叶斯理论的海洋平台桩靴基础安装风险控制方法 | 2022-10-17 | 0 |
| 一种造影剂作用下的成像方法与设备 | 2020-06-06 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
