浅谈CA-SVM 模型应用于电力短期负荷预测.docVIP

浅谈CA-SVM 模型应用于电力短期负荷预测摘 要：本文提出基于 CA-SVM 的电力短期负荷预测模型。以误差平方和最小为准则建立目标函数，基于文化算法的全局寻优能力，对支持向量机的核参数和惩罚参数进行优化选择，并利用支持向量机对电力短期负荷进行预测，大大提高电力负荷预测精度。 关键词：CA-SVM 模型 短期负荷预测文化算法 1．支持向量回归机 支持向量回归机基本思想是基于 Mercer 定理，通过适当的非线性变换将输入空间变换到一个高维特征空间,把在这个特征空间中寻找线性回归最优超平面归结为求解凸规划问题，并求得全局最优解。 设样本集为 为输入向量， 为输出。 当样本集满足线性关系时，问题归结为以下优化问题： 当数据集不能实现线性回归时，将原数据集通过一非线性影射 ，影射到高维特征空间，在高维特征空间中进行线性回归。高维特征空间上的内积运算可定义为核函数:，只需对变量在原低维空间进行核函数运算即可，则此时约束表达式为 2. 文化算法 2.1 文化算法思想框架 文化算法是从进化种群中获得求解问题的知识(即信念),并将这些知识用于指导搜索过程。这种基于知识机制的引入能在进化过程中提取有用的信息,使种群以一定的速度进化和适应环境。由种群空间和信念空间两部分组成。前者是基于种群的进化,后者是基于信念文化的进化。首先在种群空间中个体按一定准则进化，根据进化情况通过接受函数 accept()提取优秀个体信息，update()用于更新信念空间，而影响函数 influence()根据提取的信念知识指导种群的进化，种群空间与信念空间相互联系。generate()是群体操作函数使个体得到进化；objective()是目标函数；select()是从个体中选择部分个体作为父辈。 2.2 文化算法流程设计 （1）信念空间结构 本文采用S ,N作为信念空间的结构，其中 为形式知识，表示最优个体的集合， 表示第t 代种群中第i 个最优个体，m为最优个体集合的规模； 为规范知识，表示每个变量的取值区间信息 ， 表 示 为( I , L ,U ), n为变量数目 。 ，下限 和上限 根据所给定的 变量取值范围来初始化； 表示变量 i 的下限 所对应的适应度， 表示变量 i 的上限 所对应的适应度。 （2）接受函数 信念空间中参数的形成和更新并不是对所有个体进行统计而得到的, 而是按一定的概率从种群中选取最优秀的个体群作为研究对象。接受函数 Accept( )用以选择能够直接影响当前信仰空间知识经验的个体。本文按照文献[6]，从当前种群空间中按如下方式选择最优个体： 其中 p 为种群规模，g 为进化代数，β 为比例常数。 （3）信念空间的更新 形势知识包含进化过程中所发现的最好个体,它是其 他个体所要跟随的领头个体,更新规则如下: 其中， 为当前最优个体， 表示第 t 代最优个体。其中， 分别表示 的第 t 代的下限和上限，分别表示它们所对应的适应度函数值。 （4）影响函数 信念空间在形成群体经验后，通过影响函数 influence()对群体空间中个体的行为规则进行修改, 以使个体空间得到更高的进化效率。使用规范知识调整变量变化步长，使用形势知识调整其变化方向．定义如下 其中， N (0,1)为服从标准正态分布的随机数， 为信念空间中变量i 可调整区间的长度， I ,u 分别为信念空间中规范知识中保存的区间的下限与上限，λ 为步长收缩因子。 3. 基于文化算法的 SVM 参数优化 Vapnik 等人在大量研究后发现，核函数也是影响 SVR性能的一个方面。径向基核(RBF)，即 ,是应用最广泛的核，无论是在低维还是高维空间，对小样本或是大样本等情况，RBF 核函数均适用，而且具有较宽的收敛域，是较为理想的核函数。本文选取 RBF 作为 SVM核函数。 支持向量机参数优化是指选择最优惩罚参数C 和高斯核参数δ ，使得支持向量机具有最好的预测精度，并能提高 SVR 的学习和泛化能力。其中，惩罚参数C 是在确定的特征子空间中调节学习机置信范围和经验风险的比例，以使学习机具有最佳的推广能力。核参数δ 是RBF核的宽度，其改变实际上是隐含地改变映射函数，从而改变样本特征子空间分布的复杂程度。定义适应度函数为 其中 是第t期统计观测值， 是第t期对应的预测值， t =1, 2,…n。 基于文化算法的 SVM 参数优化具体步骤为： Step 1:初始化种群规模 p 、最大进化代数g m、常参数β 、步长收缩因子λ 、终止阈值以及 SVM 惩罚参数ε 和核参数δ 的上、