本發(fā)明涉及年用電量預(yù)測技術(shù)領(lǐng)域，尤其是涉及一種基于蟻獅優(yōu)化的lssvm年用電量預(yù)測方法。

背景技術(shù)：

年用電量預(yù)測對電力系統(tǒng)的規(guī)劃，運(yùn)行和維護(hù)至關(guān)重要，也可以在一定程度上反映一個國家或地區(qū)的經(jīng)濟(jì)發(fā)展。精確的年用電量預(yù)測可為電力系統(tǒng)運(yùn)營商和經(jīng)濟(jì)管理者提供有價值的參考。因此對電力負(fù)荷進(jìn)行預(yù)測是電力系統(tǒng)最重要的基本工作之一，它對能源規(guī)劃、電力系統(tǒng)的運(yùn)行與控制及經(jīng)濟(jì)發(fā)展戰(zhàn)略研究有著重要意義。預(yù)測的方法有：回歸分析法、類比法，彈性系數(shù)法，時間序列法，神經(jīng)網(wǎng)絡(luò)法等。

在現(xiàn)代經(jīng)濟(jì)社會中，用電量與經(jīng)濟(jì)、社會、人口及生態(tài)環(huán)境之間都存在著異常密切的關(guān)系，即用電系統(tǒng)是一個受到眾多因素影響的復(fù)雜系統(tǒng)，用常規(guī)的數(shù)學(xué)方法來建立預(yù)測模型，不僅工作量大，而且預(yù)測精度也難以保證。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于蟻獅優(yōu)化的lssvm年用電量預(yù)測方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于蟻獅優(yōu)化的lssvm年用電量預(yù)測方法，所述的年用電量預(yù)測方法包括以下步驟：

s1、確定lssvm預(yù)測模型的輸入變量；

s2、初始化蟻獅優(yōu)化算法，將初始蟻獅位置作為核參數(shù)和正則化參數(shù)代入lssvm模型，得到相應(yīng)的年用電量預(yù)測值；

s3、建立適應(yīng)度函數(shù)，計算初始蟻獅位置的適應(yīng)度值，得到初始適應(yīng)度值，保留最小初始適應(yīng)度值對應(yīng)的蟻獅作為初始精英蟻獅；

s4、更新螞蟻位置，計算當(dāng)代螞蟻的適應(yīng)度值，并與當(dāng)代螞蟻對應(yīng)的蟻獅位置的適應(yīng)度值進(jìn)行比較，判斷是否更新蟻獅位置；

s5、將上一步得到的蟻獅位置的適應(yīng)度值逐一與上一代精英蟻獅位置的適應(yīng)度值比較，保留較小適應(yīng)度值對應(yīng)的蟻獅位置，得到本次迭代精英蟻獅位置；

s6、判斷是否達(dá)到最大迭代次數(shù)，若為是，則輸出精英蟻獅位置及其相應(yīng)的年用電量預(yù)測值，若為否，返回s4。

步驟s1具體為：采用灰色關(guān)聯(lián)分析方法，獲得年用電量影響因素和年用電量之間的關(guān)聯(lián)度值，根據(jù)關(guān)聯(lián)度值，選擇相應(yīng)的年用電量影響因素作為lssvm預(yù)測模型的輸入變量。

步驟s2中初始化蟻獅優(yōu)化算法包括以下步驟：

s201、參數(shù)初始化，包括種群規(guī)模agents_no，解的維數(shù)d＝2，解空間的上界bup，解空間的下界blow，最大迭代次數(shù)max_iter；

s202、位置初始化，隨機(jī)產(chǎn)生螞蟻的位置矩陣mant和蟻獅的位置矩陣mantlion。

s201中所述的解空間的上界bup＝[1000,1000]，下界blow＝[0.1,0.01]。

s202中螞蟻的位置矩陣mant和蟻獅的位置矩陣mantlion為：

其中mant和mantlion中的值由式a*j或al*j＝rand*(bupj-blowj)+blowj得到，a*j和al*j分別表示螞蟻位置矩陣和蟻獅位置矩陣第j列的值，rand為0到1之間的一個隨機(jī)數(shù)，n＝agents_no，bupj和blowj分別為第j列的上界和下界，mant和mantlion的每一行均對應(yīng)lssvm的一組核參數(shù)和正則化參數(shù)，即(σ,γ)。

步驟s3中的適應(yīng)度函數(shù)為：其中，和分別為第s組檢驗(yàn)樣本的實(shí)際值和預(yù)測值，n為樣本個數(shù)。

步驟s4中螞蟻位置的更新公式為其中，表示在蟻獅周圍隨機(jī)游走的第t次迭代輪盤賭所選擇的螞蟻位置，表示在精英蟻獅周圍隨機(jī)游走的第t次迭代的螞蟻位置，為第t次迭代時第i個螞蟻的位置。

其中，ai表示第i個螞蟻的隨機(jī)游走的位置最小值，hi表示第i個螞蟻的隨機(jī)游走的位置最大值，表示第t次迭代時第i個螞蟻的實(shí)際位置最小值，表示第t次迭代時第i個螞蟻的實(shí)際位置最大值，wi^t表示第t次迭代時第i個螞蟻的隨機(jī)游走位置，wi^t＝[0，cumsum(2r1(t)-1)，…，cumsum(2rmax_iter(t)-1)]，cumsum是計算數(shù)組累加值函數(shù)，t表示當(dāng)前迭代次數(shù)，max_iter表示最大迭代次數(shù)，r1(t)，…，rmax_iter(t)為隨機(jī)函數(shù)且相互獨(dú)立。

所述的隨機(jī)函數(shù)計算公式為：

r(t)即r1(t)，…，rmax_iter(t)，rand(t)為0到1之間的隨機(jī)數(shù)。

步驟s4中將當(dāng)代螞蟻的適應(yīng)度值與其對應(yīng)的蟻獅位置的適應(yīng)度值進(jìn)行比較，判斷是否更新蟻獅位置，若當(dāng)代螞蟻的適應(yīng)度值小于蟻獅的適應(yīng)度值，則用當(dāng)代螞蟻位置替代蟻獅位置，否則保留原蟻獅位置。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

1、相比于現(xiàn)有預(yù)測方法，預(yù)測精度更高：利用蟻獅優(yōu)化算法對lssvm預(yù)測方法進(jìn)行優(yōu)化，其預(yù)測結(jié)果更接近實(shí)際用電量，減小了預(yù)測的相對誤差；

2、提高預(yù)測效率：自動循環(huán)迭代，預(yù)測效率高，迭代運(yùn)行時間短。

附圖說明

圖1為本發(fā)明的基于蟻獅優(yōu)化的lssvm的年用電量預(yù)測方法流程圖；

圖2為alo優(yōu)化lssvm參數(shù)的詳細(xì)流程圖；

圖3為采用alo-lssvm和gca-alo-lssvm方法進(jìn)行預(yù)測的結(jié)果對比圖；

圖4為采用其他方法與采用本發(fā)明方法得到的預(yù)測值對比圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明的一部分實(shí)施例，而不是全部實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動的前提下所獲得的所有其他實(shí)施例，都應(yīng)屬于本發(fā)明保護(hù)的范圍。

本發(fā)明提供一種基于蟻獅優(yōu)化的lssvm年用電量預(yù)測方法，主要包括兩個部分：首先采用灰色關(guān)聯(lián)分析(greycorrelationanalysis,gca)對用電量影響因素與用電量進(jìn)行相關(guān)性分析，根據(jù)灰色關(guān)聯(lián)度值，確定lssvm輸入變量，簡化lssvm結(jié)構(gòu)，其次通過蟻獅優(yōu)化算法(antlionoptimizer,alo)，得到最小二乘支持向量機(jī)(leastsquaresupportvectormachines,lssvm)的最優(yōu)參數(shù)。

(1)gca

gca是灰色系統(tǒng)理論的主要內(nèi)容之一，其基本原理是通過對統(tǒng)計序列集合關(guān)系的比較來分清系統(tǒng)中多因素的關(guān)系的緊密程度，序列曲線的集合形狀越接近，則它們之間的關(guān)聯(lián)度就越大，反之越小。其具體過程如下：

1)設(shè)用電量序列為x0＝(x0(1),x0(2),…,x0(k),…,x0(p))，用電量影響因素為xg＝(xg(1),xg(2),…,xg(k),…xg(p))，(g＝1,2,…,m)，p表示所選用電量的總年數(shù)，m表示用電量影響因素個數(shù)；

2)利用初值化算子對x0和xi進(jìn)行初始化，得到初值像分別為y0＝(y0(1),y0(2),…,y0(k),…,y0(p))和yg＝(yg(1),yg(2),…,yg(k),…,yg(p))，(g＝1,2,…,m)，m表示用電量影響因素個數(shù)；

3)求出y0與yg之間的關(guān)聯(lián)系數(shù)γ0g(k)，式中：y0k即y0(k)，ygk即yg(k)，ξ∈(0,1]為分辨系數(shù)，一般取為0.5；

4)計算x0與xg的關(guān)聯(lián)度γ0g，式中：γ0gk即γ0g(k)，γ0g∈(0,1]，γ0g越大，表明xg對x0的作用越大，若γ0g≥γ0q，那么因素xg優(yōu)于因素xq，xq表示第q個用電量影響因素，q＝1,2,…,m，γ0q為x0與xq的關(guān)聯(lián)度。

(2)基于alo的lssvm預(yù)測模型

alo算法是由s.mirjalili于2015年提出的一種新的智能進(jìn)化算法，其主要靈感來源于蟻獅幼蟲的覓食行為。該算法在優(yōu)化過程中遵行以下準(zhǔn)則:

準(zhǔn)則1：螞蟻采用不同的路徑在搜索空間隨機(jī)游走，隨機(jī)游走適用于所有維度的螞蟻，且螞蟻隨機(jī)游走受蟻獅陷阱的影響。

準(zhǔn)則2：蟻獅能建立與適應(yīng)度值相稱的陷阱，且較大陷阱的蟻獅捕獲螞蟻的概率較高。

準(zhǔn)則3：隨機(jī)游走范圍隨著螞蟻對蟻獅的移動自適應(yīng)地減少。

準(zhǔn)則4：如果一個螞蟻的適應(yīng)度值比一個蟻獅的適應(yīng)度值小，這意味著它會被蟻獅捕獲。

準(zhǔn)則5：蟻獅在捕獲螞蟻附近重新定位新位置，并重建陷阱以適應(yīng)捕獲螞蟻后的變化。

基于alo求解lssvm中的核參數(shù)和正則化參數(shù)的具體步驟如下：

1)對lssvm的輸入變量、輸出變量進(jìn)行歸一化處理，歸一化到[0,1]后，將25組數(shù)據(jù)分為兩部分：前20組數(shù)據(jù)作為訓(xùn)練樣本集l，后5組數(shù)據(jù)作為驗(yàn)證樣本集z。然后，再從訓(xùn)練樣本集l(共n＝20組數(shù)據(jù))中選出l組數(shù)據(jù)形成訓(xùn)練樣本子集u，建立并訓(xùn)練lssvm模型，l中剩余數(shù)據(jù)作為檢驗(yàn)樣本子集v，檢驗(yàn)訓(xùn)練后的模型。

2)alo算法的參數(shù)初始化：包括種群規(guī)模agents_no，每只蟻獅的位置即為一個解，即lssvm中的兩個參數(shù)：核參數(shù)σ和正則化參數(shù)γ，因此解的維數(shù)d＝2，解空間的上界bup＝[bup1,bup2]，下界blow＝[blow1,blow2]，最大迭代次數(shù)max_iter。同時建立適應(yīng)度函數(shù)f，其中，和分別為第s組檢驗(yàn)樣本的實(shí)際值和預(yù)測值，n為樣本個數(shù)；

3)alo算法位置初始化：螞蟻的初始位置蟻獅的初始位置其中，n＝agents_no，mant和mantlion中的值由式a*j或al*j＝rand*(bupj-blowj)+blowj得到，a*j和al*j表示位置矩陣第j列的值，rand為0到1之間的一個隨機(jī)數(shù)，bupj和blowj分別為第j列變量的上界和下界，mant和mantlion的每一行均對應(yīng)一組lssvm的核參數(shù)和正則化參數(shù)(σ,γ)；

4)將蟻獅位置即核參數(shù)和正則化參數(shù)代入lssvm預(yù)測模型，得到相應(yīng)的預(yù)測值，然后根據(jù)適應(yīng)度函數(shù)f，計算初始蟻獅的適應(yīng)度值，初始適應(yīng)度值最小的蟻獅即為初始精英蟻獅elite⁽⁰⁾；

5)保留上一代精英蟻獅的位置，按照蟻獅位置和精英蟻獅位置更新螞蟻位置，計算當(dāng)前代螞蟻的適應(yīng)度值，并與相應(yīng)蟻獅的適應(yīng)度值進(jìn)行比較，當(dāng)螞蟻的適應(yīng)度值小于蟻獅的適應(yīng)度值時，則螞蟻被捕；

6)更新蟻獅的位置到捕殺螞蟻的位置，計算更新位置后蟻獅的適應(yīng)度值，依次與上一代精英蟻獅的適應(yīng)度值進(jìn)行比較，保留較小適應(yīng)度值的蟻獅，得到本次迭代精英蟻獅elite^(t)；

7)若未達(dá)到最大迭代次數(shù)，則返回步驟5)，否則，輸出精英蟻獅位置，即所求得lssvm的核參數(shù)和正則化參數(shù)(σ,γ)。

基于蟻獅優(yōu)化的lssvm的年用電量預(yù)測方法，包括以下步驟，如圖2所示：

1)確定最小二乘支持向量機(jī)(leastsquaresupportvectormachines,lssvm)的輸入變量；

2)初始化蟻獅優(yōu)化算法(antlionoptimizer,alo)；

3)建立適應(yīng)度函數(shù)，計算初始適應(yīng)度值，并得到初始精英蟻獅位置；

4)更新螞蟻位置，計算當(dāng)前螞蟻位置的適應(yīng)度值，并與其對應(yīng)的蟻獅的適應(yīng)度值進(jìn)行比較，判斷是否更新蟻獅位置；

5)計算更新后的蟻獅位置對應(yīng)的適應(yīng)度值，逐一與上一代精英蟻獅的適應(yīng)度值比較，保留較小適應(yīng)度值的蟻獅，得到本次迭代精英蟻獅；

6)判斷是否達(dá)到最大迭代次數(shù)，若是，則轉(zhuǎn)至下一步，否則將迭代次數(shù)加1后轉(zhuǎn)至4)；

7)完成迭代過程，得到所求年用電量預(yù)測值。

所述步驟1)中l(wèi)ssvm的輸入變量確定方法為：采用灰色關(guān)聯(lián)分析方法對用電量影響因素與用電量進(jìn)行灰色關(guān)聯(lián)分析，獲得用電量影響因素與用電量之間的關(guān)聯(lián)度值，根據(jù)關(guān)聯(lián)度值，選擇年用電量影響因素作為lssvm的輸入變量。

所述步驟2)具體為：

201)alo參數(shù)初始化，包括種群規(guī)模agents_no，每只蟻獅的位置即為一個解，即lssvm中的兩個參數(shù)：核參數(shù)σ和正則化參數(shù)γ，因此解的維數(shù)d＝2，解空間的上界bup＝[bup1,bup2]，下界blow＝[blow1,blow2]，最大迭代次數(shù)max_iter；

202)alo位置初始化，隨機(jī)產(chǎn)生螞蟻的位置矩陣mant和蟻獅的位置矩陣mantlion：其中，n＝agents_no，mant和mantlion中的值由式a*j或al*j＝rand*(bupj-blowj)+blowj得到，a*j和al*j表示位置矩陣第j列的值，rand為0到1之間的一個隨機(jī)數(shù)，bupj和blowj分別為第j列的上界和下界，mant和mantlion的每一行均對應(yīng)一組lssvm的核參數(shù)和正則化參數(shù)(σ,γ)。

所述解空間的上界bup＝[1000,1000]，下界blow＝[0.1,0.01]。

所述步驟3)具體為：

301)對lssvm的輸入變量、輸出變量進(jìn)行歸一化處理，歸一化到[0,1]后，將25組數(shù)據(jù)分為兩部分：前20組數(shù)據(jù)作為訓(xùn)練樣本集l，后5組數(shù)據(jù)作為驗(yàn)證樣本集z。然后，再從訓(xùn)練樣本集l(共n＝20組數(shù)據(jù))中選出l組數(shù)據(jù)形成訓(xùn)練樣本子集u，建立并訓(xùn)練lssvm模型，l中剩余數(shù)據(jù)作為檢驗(yàn)樣本子集v，檢驗(yàn)訓(xùn)練后的模型；

302)將步驟2)中的mantlion代入lssvm，并對其進(jìn)行訓(xùn)練，用訓(xùn)練好的lssvm進(jìn)行預(yù)測，得到預(yù)測值；

303)根據(jù)適應(yīng)度函數(shù)f，其中，和分別為第s組檢驗(yàn)樣本的實(shí)際值和預(yù)測值，n為樣本個數(shù)，計算每個蟻獅的初始適應(yīng)度值，將所有初始適應(yīng)度值一一比較，得到并記錄初始精英蟻獅位置及其適應(yīng)度值，精英蟻獅位置即所求lssvm的最優(yōu)(σ,γ)。

所述步驟4)中螞蟻位置的更新公式為：其中，表示第t次迭代在輪盤賭所選擇的蟻獅周圍隨機(jī)游走的螞蟻位置，表示第t次迭代時在精英蟻獅周圍隨機(jī)游走的螞蟻位置，為第t次迭代時第i個螞蟻的位置。

其中，ai表示第i個螞蟻的隨機(jī)游走的位置最小值，hi表示第i個螞蟻的隨機(jī)游走的位置最大值，表示第t次迭代時第i個螞蟻的實(shí)際位置最小值，表示第t次迭代時第i個螞蟻的實(shí)際位置最大值，wi^t表示第t次迭代時第i個螞蟻的隨機(jī)游走位置。具體地，螞蟻?zhàn)陨黼S機(jī)游走公式為：wi^t＝[0,cumsum(2r1(t)-1),…,cumsum(2rmax_iter(t)-1)]，cumsum是計算數(shù)組累加值函數(shù)，t表示當(dāng)前迭代次數(shù)，max_iter表示最大迭代次數(shù)，r1(t)，…，rmax_iter(t)為隨機(jī)函數(shù)且相互獨(dú)立。

當(dāng)計算時，即螞蟻在蟻獅周圍隨機(jī)游走，表示第t次迭代時第i個螞蟻的實(shí)際位置最小值，c^t是第t次迭代時所有螞蟻位置的最小值，表示第t次迭代時第i個螞蟻的實(shí)際位置最大值，d^t是第t次迭代時所有螞蟻位置的最大值，表示第t次迭代時選擇的第i個蟻獅位置。

當(dāng)計算時，即螞蟻在精英蟻獅周圍隨機(jī)游走，表示第t次迭代時第i個螞蟻的實(shí)際位置最小值，c^t是第t次迭代時所有螞蟻位置的最小值，表示第t次迭代時第i個螞蟻的實(shí)際位置最大值，d^t是第t次迭代時所有螞蟻位置的最大值，elite^t表示第t次迭代時的精英蟻獅位置。

c^t，d^t計算公式為：式中，t表示當(dāng)前迭代次數(shù)，i是比率，c^t'表示第t次迭代時上一時刻所有螞蟻位置的最小值，d^t'表示第t次迭代時上一時刻所有螞蟻位置的最大值。

比率i計算公式為：

式中，t表示當(dāng)前迭代次數(shù)，max_iter表示最大迭代次數(shù)。

隨機(jī)函數(shù)r1(t)，…，rmax_iter(t)計算公式為：

r(t)即r1(t)，…，rmax_iter(t)，rand為0到1之間的隨機(jī)數(shù)。

然后根據(jù)f，計算當(dāng)前螞蟻位置的適應(yīng)度值，并與相應(yīng)蟻獅的適應(yīng)度值進(jìn)行比較，判斷是否更新蟻獅位置。

當(dāng)螞蟻的適應(yīng)度值小于蟻獅的適應(yīng)度值時，則更新蟻獅位置。

所述步驟5)具體為：

501)蟻獅位置更新公式為：式中，表示第t次迭代時選擇的第i個蟻獅的位置，表示第t次迭代時第i個螞蟻的位置；

502)根據(jù)f，計算更新位置后的蟻獅適應(yīng)度值，并逐一與上一代精英蟻獅的適應(yīng)度值進(jìn)行比較，保留較小適應(yīng)度值的蟻獅，得到本次迭代精英蟻獅位置。

實(shí)施例

本發(fā)明使用某市年用電量實(shí)測數(shù)據(jù)(單位：億千瓦時)進(jìn)行了測試。根據(jù)圖1，用1990年～2009年的用電量和用電量影響因素序列訓(xùn)練模型，用訓(xùn)練好的模型預(yù)測測試集2010年～2014年的用電量。其中alo算法中各參數(shù)設(shè)置如下：種群規(guī)模agents_no＝30，變量的維數(shù)d＝2，最大迭代次數(shù)max_iter＝200，解空間的上界bup＝[1000,1000]，下界blow＝[0.1,0.01]。根據(jù)alo算法求取的lssvm最優(yōu)參數(shù)為[1000,1000]。分別以alo-lssvm和gca-alo-lssvm表示應(yīng)用gca確定輸入變量前、后的模型，兩種方法得到的預(yù)測值見表1、圖3，表1為確定輸入變量前、后alo-lssvm預(yù)測結(jié)果比較。

表1

同時采用基于gca-bayesbp神經(jīng)網(wǎng)絡(luò)建立預(yù)測模型，與本發(fā)明的預(yù)測值對比圖見圖4。

幾種方法的預(yù)測效果見表2，表2表示所用三種預(yù)測方法的預(yù)測效果評價。

表2

根據(jù)1998年10月中國電力出版社出版的第1版由牛東曉、曹樹華、趙磊、張文文等編著的《電力負(fù)荷預(yù)測技術(shù)及其應(yīng)用》一書中第15頁所提供的預(yù)測模型評價標(biāo)準(zhǔn)可知，幾種預(yù)測方法都達(dá)到了好的預(yù)測效果。但從具體的評價標(biāo)準(zhǔn)值可看出本發(fā)明基于蟻獅優(yōu)化的lssvm的年用電量預(yù)測方法在預(yù)測年用電量時有更高的準(zhǔn)確率，可以滿足要求。

以上所述，僅為本發(fā)明的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到各種等效的修改或替換，這些修改或替換都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求的保護(hù)范圍為準(zhǔn)。