[发明专利]一种基于猫群算法优化支持向量机参数的冷负荷预测方法

说明书

技术领域

本发明涉及一种基于数据挖掘的预测方法，具体涉及一种基于猫群算法优化支持向量机参数的冷负荷预测方法。

背景技术

目前的冷预测技术主要是统计回归预测方法，统计回归预测方法包括多元线性回归方法、指数平滑法(时间序列预测)、灰色预测、神经网络及支持向量机(SVM)等。

基于多元线性回归技术的冷负荷预测模型对于提前4小时的预测效果较好，但不能较好地处理较长期的预测问题。季节性空调指数平滑法冷负荷预测模型在整个预测期内平均预测误差较低，但是该方法适合于办公类建筑空调负荷的预测。灰色理论进行冷负荷预测时，预测精度不高。

把人工神经网络与线性回归分析法和时间序列预测法用于未来24小时冷负荷预测，结果表明，人工神经网络对冷负荷预测的相对误差明显低于其他两种模型。基于小波变换的递归BP网络模型预测冷负荷在速度及精度上都有较大提高。

基于支持向量机理论的建筑物空调负荷预测模型具有更高的预测精度和更好的泛化能力，是建筑物空调负荷预测的一种有效方法。基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测法，较单一方法具有更好的预测精确度。

综上所述,现有冷负荷预测方法存在如下问题：①多元线性回归预测精度不高，不能做较长期的预测；②时间序列预测模型对原始数据的平稳性要求高，而实际冷负荷一般均不满足平稳性的要求，从而导致预测精度不理想；③神经网络对冷负荷预测存在易于陷入局部极小点，推广能力差，预测精度在实际应用中不够理想等问题；④基于支持向量机(SVM)的冷负荷预测方法比上述方法能取得更好的预测精度，特别是基于遗传算法、蚁群算法及粒子群算法等对SVM参数进行寻优后的预测方法。但是其在冷负荷预测中的应用还存在精度不高，时间复杂度较高等问题，因此有必要对现有的SVM预测算法提出进一步的改进。

发明内容

为解决上述中存在的问题与缺陷，本发明提供了一种提高支持向量机的预测能力，提高预测精度的基于猫群算法优化支持向量机参数的冷负荷预测方法。本发明实用性高，推广能力强。

本发明通过以下技术方案实现：

本发明基于猫群算法优化支持向量机参数的冷负荷预测方法，包括如下步骤：

1）冷负荷预测特征的选取；

2）冷负荷历史数据预处理；

3）冷负荷历史数据分析；

4）利用猫群算法自动优化支持向量机参数；

5）利用优化后的支持向量机进行冷负荷预测。

上述步骤2）所述的冷负荷历史数据预处理包括数据清洗和数据结构调整两部分。

上述数据清洗用于对数据中的明显错误进行改正，使用取相邻两个数据算术平均值的方法对数据中的一些缺失进行填补，在保证数据有效性和高质量的前提下，尽最大努力使数据完整、无缺、无错误；上述数据结构调整用于对冷负荷历史数据的结构进行调整，调整成适合支持向量机训练和预测的结构。

上述步骤3）所述的冷负荷历史数据分析使用主成分分析算法，在保证数据有效性的前提下，对冷负荷历史数据做降维处理。

上述步骤4）所述的自动优化支持向量机参数是通过使用猫群算法对支持向量机做参数寻优实现的，其步骤为：

11）创建N只猫，N的取值范围为100-500，设定算法相关参数；

12）随机设定每只猫的初始位置和速度；

13）按照模式配合比设置随机设定每只猫的模式标记；

14）根据每只猫的模式标记，判断猫是否处在搜寻模式，若是则进入搜寻模式，否则进入跟踪模式；

15）根据每只猫的适应度值挑选出最优的猫的位置和速度；

16）更新全局最优位置、速度和适应度；

17）判断是否满足结束条件，是则结束，否则跳回步骤13）。

上述步骤11）所述的设定算法相关参数包括全局寻优范围、最大迭代次数、猫的个数、搜寻记忆池大小、记忆池中猫位置的变化范围和模式配合比。

上述步骤14）包括搜寻模式和跟踪模式：所述的搜寻模式用于在局部小范围内进行局部寻优；所述的跟踪模式用于在全局范围内进行全局寻优。

上述步骤17）所述的结束条件包括达到最大迭代次数和适应度值已收敛。

上述步骤14）中猫群算法的搜寻模式包括如下步骤：

21）对猫的位置做与搜寻记忆池大小相等的复制，并放入搜寻记忆池中；

22）除了保留一个位置不变外，对搜寻记忆池中其它的位置做随机变化；

23）计算每个变化位置的适应度；

24）选取最佳适应的位置并把猫移动到该位置。