[发明专利]基于遗传算法和支持向量机的配网运行维护费预测方法

权利要求书

1.基于遗传算法和支持向量机的配网运行维护费预测方法，包括：

1)配网运行维护费影响因素的遗传算法分析：利用遗传算法确定配网运行维护费预测模型的训练参数；

2)建立支持向量机配网运行维护费预测模型：在遗传算法的基础上，利用支持向量机具有无限逼近非线性连续函数关系的性质，将其作为配网运行维护费预测模型；

3)基于遗传算法和支持向量机的配网运行维护费预测：依据遗传算法确定配网运行维护费预测模型的训练参数，同时将支持向量机作为配网运行维护费的预测模型，对配网运行维护费进行准确合理的估算。

2.根据权利要求1所述的配网运行维护费预测方法，其特征在于，遗传算法的步骤如下：

1)参数编码：将配网运行维护费预测模型的训练参数以二进制的形式进行染色体基因编码；

2)适应度评估：遗传算法中通过适应度函数表明解的优劣性；

3)选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代进行下一代个体的繁殖；

4)交叉：通过以一定的交叉率交换染色体串结构中数据以得到新一代染色体；

5)变异：在群体中随机选择个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值；

6)当满足终止条件时，进化过程结束；否则，转到步骤2)。

3.根据权利要求1或2所述的配网运行维护费预测方法，其特征在于，所述支持向量机配网运行维护费预测模型的建立包括：

1)由于支持向量机具有无限逼近非线性连续函数关系的性质，选择支持向量机作为配网运行维护费的预测模型；

2)设样本集为(x_i,y_i)，i＝1,2,...,n；其中x_i表示输入值，y_i是对应的输出值，超平面方程为：

ωx_i+b＝0，

在约束条件上加入一个松弛变量ξ_i≥0，这时的最大间隔超平面称为广义最优分类超平面，则约束条件变为：

y_i(ωx_i+b)≥1-ξ_i，

对应的优化问题转变为：

minω2/2+CΣi=1nξi,]]>

s.t y_i(ωx_i+b)≥1-ξ_i，i＝1,2,...,n；

其中：ω为权向量，b为偏置，ξ_i为松弛变量；C＞0是控制惩罚程度的常数，C越大，惩罚就越大；引入Lagrange乘子α,β有：

L(ω,ξ,α,β)=ω2/2+CΣi=1nξi-Σi=1nαi[yi(ωxi+b)-1+ξi]-Σi=1nβiξi]]>

Lagrange函数L在鞍点处是关于ω,ξ,b的极小点，对ω,ξ,b分别求偏导，再整理L最终得到原问题的对偶问题：

max Q(α)=L(ω,ξ,α,β)=Σi=1nαi-(Σi=1nΣj=1nαiαjyiyjψ(xi)ψ(xj))/2=Σi=1nαi-(Σi=1nΣj=1nαiαjyiyjK(xi,xj))]]>

s.tΣi=1nαiyi=0,αi≥0]]>

式中，ψ(·)是映射函数，将数据映射到高维空间，K(·)是核函数；

则最优判断函数为：

f(x)=sgn(Σi=1nαi*yiK(xi,xj)+b);]]>

3)建立支持向量机的方法是通过一个非线性映射将数据x映射到高维空间，并在这个空间上进行线性回归，即寻找系统输入x与输出y之间的依赖关系。