本發(fā)明涉及電氣工程的預(yù)測領(lǐng)域，特別涉及一種用于風(fēng)電功率預(yù)測的的SVM預(yù)測模型。

背景技術(shù)：

支持向量機(jī)(SVM)的性能與其相關(guān)參數(shù)的選擇有很大關(guān)系，目前常用的SVM參數(shù)優(yōu)化方法有蟻群優(yōu)化算法、遺傳算法和粒子群算法等，上述算法都在相應(yīng)的領(lǐng)域證明了各自的有效性，但在尋優(yōu)的過程中均會(huì)有不同程度的陷入局部最優(yōu)的缺點(diǎn)，所以探索新的智能算法優(yōu)化SVM來建立模型具有重要意義。

萬有引力搜索算法是一種啟發(fā)式優(yōu)化算法，也是一種源于對物理學(xué)中的萬有引力進(jìn)行模擬產(chǎn)生的群體智能優(yōu)化方法，在對標(biāo)準(zhǔn)測試函數(shù)進(jìn)行優(yōu)化時(shí)，其尋優(yōu)精度和收斂速度都明顯優(yōu)于粒子群優(yōu)化算法和遺傳算法等優(yōu)化效果，引力搜索算法中的搜索粒子是一組在空間運(yùn)行的物體，物體間通過萬有引力作用相互吸引，并在引力作用下朝著質(zhì)量最大的物體移動(dòng)，從而求出優(yōu)化問題的最優(yōu)解，其具有目標(biāo)函數(shù)不必可微、優(yōu)化結(jié)果不依賴于初始值、全局優(yōu)化和隱含并行搜索的恃點(diǎn)，己成功地應(yīng)用于諸多領(lǐng)域。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對上述問題，提供了一種用于風(fēng)電功率預(yù)測的的SVM預(yù)測模型，具有提高尋優(yōu)精度和收斂速度的優(yōu)點(diǎn)，彌補(bǔ)了局部優(yōu)化能力差的缺憾。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

一種用于風(fēng)電功率預(yù)測的的SVM預(yù)測模型，其特征在于，包括以下步驟：

1)改進(jìn)引力搜索算法，以提高算法的收斂速度和精度；

2)將改進(jìn)后的引力搜索算法與SVM結(jié)合構(gòu)建風(fēng)電功率的預(yù)測模型；

3)根據(jù)構(gòu)建的風(fēng)電功率的預(yù)測模型，對風(fēng)電功率時(shí)間序列的預(yù)測數(shù)據(jù)進(jìn)行預(yù)測。

其中，所述引力搜索算法的改進(jìn)過程如下：

在一個(gè)D維的搜索空間中，假設(shè)有N個(gè)粒子，定義第i個(gè)粒子的位置為；

X_i＝(x_i¹，...x_i^d，...x_iⁿ)，i＝1，2，..N；

上式中，x_i^d為第i個(gè)粒子在第d維上的位置；粒子的質(zhì)量通過適應(yīng)度值的大小來計(jì)算，粒子質(zhì)量更新公式為：

M_ai＝M_pi＝M_ii＝M_i，i＝1，2，...，N

上式中，M_ai為粒子個(gè)體質(zhì)量；M_pi為粒子引力質(zhì)量；M_ii為粒子慣性質(zhì)量；為適應(yīng)度值；m_bestt(t)、m_worst(t)是整個(gè)種群在t時(shí)刻的最好、最差適應(yīng)度值；

則在某t時(shí)刻，定義粒子j作用在粒子i上的萬有引力F_ij^d(t)為：

上式中，M_pi(t)為t時(shí)刻受力粒子i的引力質(zhì)量；M_oj(t)為t時(shí)刻施力粒子i的引力質(zhì)量；R_ij(t)為兩粒子間的歐式距離；G(t)是t時(shí)刻的萬有引力常系數(shù)；

接著，定義k_best(t)為第t次迭代的時(shí)候一組質(zhì)量較大的粒子的數(shù)量，設(shè)定k_best(t)初值為搜索粒子群體的數(shù)量N，隨著迭代次數(shù)的遞增，作用粒子持續(xù)減少，最后k_best(t)的線性值遞減為1，因此，在第d維空間中，粒子i所受來自其他所有粒子作用力的合力定義進(jìn)化為：

得到粒子i在第d維空間的速度v_i^d和位置x_i^d更新分別如下：

式中，R是[0，1]之間的隨機(jī)數(shù)；

最后，將精英策略引入引力搜索算法中，形成新的解組合，以提高迭代過程中粒子的質(zhì)量：

X_{i_new}＝X_{i_besr}×Q

Q＝R_top×rand(-0.5，0.5)/D

X_{i_worst}＝X_{i_new}

式中，X_{i_besr}為適應(yīng)度最好的前20％″精英解″所處的位置；X_{i_worst}為將要被替代掉的適應(yīng)度最差的后20％的解位置，X_{i_new}為產(chǎn)生的新解位置，R_top為最優(yōu)解與距離最優(yōu)解最近的解之間的歐氏距離；rand(-0.5，0.5)為一個(gè)[-0.5，0.5]范圍內(nèi)的偽隨機(jī)數(shù)；D為搜索空間的維數(shù)。

其中，所述風(fēng)電功率的預(yù)測模型的構(gòu)建包括以下分步驟：

2.1)將風(fēng)電功率時(shí)間序列的訓(xùn)練樣本分為訓(xùn)練數(shù)據(jù)x₁和預(yù)測數(shù)據(jù)x₂；

2.2)利用改進(jìn)后的引力搜索算法進(jìn)行SVM的參數(shù)優(yōu)化。

其中，所述SVM的參數(shù)優(yōu)化包括以下子步驟：

2.2.1)將訓(xùn)練數(shù)據(jù)x₁再分為作為參數(shù)尋優(yōu)過程中的訓(xùn)練集S1和作為參數(shù)尋優(yōu)過程中的驗(yàn)證集S2，采用簡單交叉驗(yàn)證的方法提高模型的泛化能力，尋優(yōu)目標(biāo)為驗(yàn)證集S2輸出預(yù)測值與真值之間的均方誤差最小值；

2.2.2)初始化改進(jìn)的引力搜索算法，產(chǎn)生初始種群；

2.2.3)輸入訓(xùn)練集x₁，生成初始SVM參數(shù)組合；

2.2.4)將目標(biāo)函數(shù)的最小值作為尋優(yōu)目標(biāo)，為每個(gè)粒子計(jì)算適應(yīng)度值，更新種群最優(yōu)解和最差解；

2.2.5)利用精英策略產(chǎn)生新解，替代種群中最差的20％的解，形成新的解的組合；

2.2.6)更新常系數(shù)G(t)，計(jì)算解中每個(gè)粒子的質(zhì)量M_i(t)，計(jì)算粒子所受合力F_i^d(t)和加速度a_i^d(t)；

2.2.7)更新粒子的速度和位置，新的位置即為新的SVM參數(shù)值；

2.2.8)如果達(dá)到最大迭代次數(shù)，則終止迭代，返回最優(yōu)參數(shù)值；否則返回搭配步驟2.2.3)。

本發(fā)明的有益效果為：通過將改進(jìn)的引力搜索方法引入到SVM的參數(shù)優(yōu)化中，從而提高尋優(yōu)精度和收斂速度，彌補(bǔ)局部優(yōu)化能力差的缺憾，最終優(yōu)化風(fēng)電功率預(yù)測的預(yù)測精度。

附圖說明

圖1為本發(fā)明的流程圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例和附圖，進(jìn)一步闡述本發(fā)明。

本發(fā)明的流程如附圖1所示，主要包括兩部分：對引力搜索方法進(jìn)行改進(jìn)；在SVM算法的參數(shù)優(yōu)化中引進(jìn)改進(jìn)引力搜索算法，建立組合預(yù)測的模型。

具體包括以下步驟：

1)改進(jìn)引力搜索算法：

在一個(gè)D維的搜索空間中，假設(shè)有N個(gè)粒子，定義第i個(gè)粒子的位置為：

X_i＝(x_i¹，...x_i^d，...x_iⁿ)，i＝1，2，..N

上式中，x_i^d為第i個(gè)粒子在第d維上的位置。粒子的質(zhì)量通過適應(yīng)度值的大小來計(jì)算。粒子的質(zhì)量越大，就意味著它越接近最優(yōu)值，并且有越大的吸引力和越慢的移動(dòng)速度。粒子質(zhì)量更新公式為：

M_ai＝M_pi＝M_ii＝M_i，i＝1，2，...，N

上式中，M_ai為粒子個(gè)體質(zhì)量；M_pi為粒子引力質(zhì)量；M_ii為粒子慣性質(zhì)量；為適應(yīng)度值；m_bestt(t)、m_worst(t)是整個(gè)種群在t時(shí)刻的最好、最差適應(yīng)度值。

在某t時(shí)刻，定義粒子j作用在粒子i上的萬有引力F_ij^d(t)為：

上式中，M_pi(t)為t時(shí)刻受力粒子i的引力質(zhì)量；M_oj(t)為t時(shí)刻施力粒子i的引力質(zhì)量；R_ij(t)為兩粒子間的歐式距離；G(t)是t時(shí)刻的萬有引力常系數(shù)。

定義k_best(t)為第t次迭代的時(shí)候一組質(zhì)量較大的粒子的數(shù)量，且它是一個(gè)隨時(shí)間遞減的線性函數(shù)。這里，設(shè)定k_best(t)初值為搜索粒子群體的數(shù)量N，即優(yōu)化初期所有的粒子都相互作用，但隨著迭代次數(shù)的遞增，作用粒子持續(xù)減少，最后k_best(t)的線性值遞減為1，即只有一個(gè)慣性質(zhì)量最大的粒子作用其他的粒子，因此，在第d維空間中，粒子i所受來自其他所有粒子作用力的合力定義進(jìn)化為：

粒子i在第d維空間的速度v_i^d和位置x_i^d更新分別如下：

式中，R是[0，1]之間的隨機(jī)數(shù)。這從一定程度上可增加種群多樣性，有利于避免陷入局部最優(yōu)。

將精英策略引入引力搜索算法中，即將每個(gè)粒子按適應(yīng)度大小排序，找出20％適應(yīng)度最好的解和20％適應(yīng)度最差的解，利用適應(yīng)度最好的20％″精英解″按照下式生成新的解，并將新的解替代原來適應(yīng)度最差的20％解，形成新的解組合，以提高迭代過程中粒子的質(zhì)量：

X_{i_new}＝X_{i_besr}×Q

Q＝R_top×rand(-0.5，0.5)/D

X_{i_worst}＝X_{i_new}

式中，X_{i_besr}為適應(yīng)度最好的前20％″精英解″所處的位置；X_{i_worst}為將要被替代掉的適應(yīng)度最差的后20％的解位置，X_{i_new}為產(chǎn)生的新解位置。R_top為最優(yōu)解與距離最優(yōu)解最近的解之間的歐氏距離；rand(-0.5，0.5)為一個(gè)[-0.5，0.5]范圍內(nèi)的偽隨機(jī)數(shù)；D為搜索空間的維數(shù)。

該改進(jìn)的引力搜索算法的優(yōu)點(diǎn)在于可使算法在保持全局收斂性的同時(shí)，增強(qiáng)在最優(yōu)解區(qū)域的局部搜索能為，并提高了算法前期向全局最優(yōu)解靠攏的速度，進(jìn)一步提高算法的收斂速度和精度。

2)將改進(jìn)的引力搜索算法與SVM結(jié)合構(gòu)建風(fēng)電功率的預(yù)測模型：

2.1)將風(fēng)電功率時(shí)間序列的訓(xùn)練樣本分為訓(xùn)練數(shù)據(jù)x₁和預(yù)測數(shù)據(jù)x₂。

2.2)利用改進(jìn)引力搜索算法進(jìn)行SVM的參數(shù)優(yōu)化：

2.2.1)將訓(xùn)練數(shù)據(jù)x₁再分為訓(xùn)練集S1和驗(yàn)證集S2，S1作為參數(shù)尋優(yōu)過程中的訓(xùn)練集，S2作為參數(shù)尋優(yōu)過程中的驗(yàn)證集，采用簡單交叉驗(yàn)證的方法提高模型的泛化能力，尋優(yōu)目標(biāo)為驗(yàn)證集S2輸出預(yù)測值與真值之間的均方誤差最小值。

2.2.2)給定種群規(guī)模N、最大迭代次數(shù)T，產(chǎn)生初始種群，即初始化改進(jìn)引力搜索算法。

2.2.3)輸入訓(xùn)練集x₁，生成初始SVM參數(shù)組合，即各個(gè)粒子的位置值。

2.2.4)將目標(biāo)函數(shù)的最小值作為尋優(yōu)目標(biāo)，為每個(gè)粒子計(jì)算適應(yīng)度值，更新種群最優(yōu)解、最差解。

2.2.5)利用精英策略產(chǎn)生新解，替代種群中最差的20％的解，形成新的解的組合。

2.2.6)更新常系數(shù)G(t)，計(jì)算解中每個(gè)粒子的質(zhì)量M_i(t)，計(jì)算粒子所受合力F_i^d(t)和加速度a_i^d(t)。

2.2.7)更新粒子的速度和位置，新的位置即為新的SVM參數(shù)值。

2.2.8)如果達(dá)到最大迭代次數(shù)，則終止迭代，返回最優(yōu)參數(shù)值；否則返回步驟2.2.3)。

3)根據(jù)學(xué)習(xí)獲得的模型，對風(fēng)電功率時(shí)間序列的預(yù)測數(shù)據(jù)x₂進(jìn)行預(yù)測。

比較預(yù)測數(shù)據(jù)X₂的真實(shí)值和預(yù)測值算出誤差，該模型對風(fēng)電功率的預(yù)測的誤差比傳統(tǒng)SVM的誤差較小，能夠提高功率預(yù)測的精度，從而對風(fēng)電功率的控制具有重要意義，例如有助于通過儲(chǔ)能平抑風(fēng)功率波動(dòng)等。