[发明专利]一种基于支持向量机的能源供需预测方法

说明书

技术领域

本发明属于卷烟生产技术领域，具体涉及一种基于支持向量机的能源供需预测方法。

背景技术

我国烟草企业如何在确保稳定供给和安全生产的前提下，高效利用有限能源，优化供需结构，充分利用二次能源，减少能源供需不平衡造成的浪费是个十分重要的问题。以预测变化趋势为基础，有效调度能源至关重要。目前，国内大多数烟草企业的能源预测是基于人工经验的短时预测，对预测者的经验要求比较高，缺少预测模型的支持。大多数关于能源供需的研究都集中在单一能源或两种能源的供需预测，很少有包含多种能源的供需预测。

目前有关能源供需预测的系统和方法主要有神经网络模型和回归方程法。虽然神经网络模型具有较高的非线性映射能力，能以任意精度逼近非线性函数，但在实际计算中，也存在一些问题：①反向传播的计算过程收敛速度慢，一般需要成百上千次的迭代计算；②存在能量函数的极小值；③隐含神经元个数和连接权的选取往往靠经验；④网络的收敛性与网络的结构有关等。由于烟草企业能源系统复杂，所涉及的能源种类繁多，能源之间相互关联，不适合用回归方程预测。并且应用回归方程进行估算预测时，只能由自变量来估计因变量，不允许因变量来推测自变量。并且应用回归方程进行估算预测时，只能由自变量来估计因变量，不允许因变量来推测自变量。因此，我们考虑利用支持向量机来进行能源供需预测。

支持向量机(Support Vector Machine,SVM)是Corinna Cortes和Vapnik8等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机在某种程度上只需要输入输出数据，而不需要就输入输出数据建立严格的可靠的数学模型。以烟草能源的需求作为输入，产出的烟叶品质作为输出，建立仅仅依靠输入输出数据的支持向量机模型，该模型非常适合小样本数据，这里所指的小样本并不是指数据非常少，而是在非常有限的样本数的情况下建立在一定程度和范围内极其可靠的数学模型，即建立以数据驱动的可信条件下的数学模型。该模型虽然简单，但在确定精度的前提下模型的可信度还是相当高的。在基于这种方法的最小二乘支持向量机不仅可以对烟草能源供需进行尽可能精确的建模，而且还能很好的预测烟草的品质及在既定品质之下的烟草培养方案。为了进一步增加模型的可靠性及对模型预测的验证需求，我们选取不同的核函数来建立模型，并进行对比分析，在适当的情况下拟合各种支持向量机建立模型的结果和统计关系结构，这样在大变量波动的情况下，建立一个合理、全面、和可靠的而且能够近似预测的系统模型。通过支持向量机建立的统计模型忽略了多输入情况下的相互制约，相互联系，仅仅从输入输出的数据出发，这样无论输入数据多么复杂，多因素之间的关联多么难以理解，都不需要考虑高阶系统的降维分类以及因子关系分析，这将大大简化系统的复杂程度和降低模型的难易程度，并能有效的提高模型精度。

发明内容

本发明的目的在于针对现有技术的不足，提供一种不需要考虑高阶系统的降维分类以及因子关系分析，大大简化系统的复杂程度和降低模型的难易程度，并能有效的提高模型精度的能源供需预测方法。

本发明的目的是这样实现的：

一种基于支持向量机的能源供需预测方法，首先对能源供需的历史数据进行预处理，预处理包括剔除异常数据，特殊点分析及数据去噪；再将所有数据指标建立支持向量机模型；然后进行支持向量机模型求解。

其中，进行支持向量求解是，选取目标函数为：