[发明专利]基于果蝇优化算法-支持向量机的售电量预测方法

权利要求书

1.基于果蝇优化算法-支持向量机的售电量预测方法，其特征在于，包括步骤：

1)将支持向量机作为售电量预测机；

2)利用果蝇优化算法确定售电量预测机的训练参数；

3)将训练参数代入售电量预测机，建立售电量预测模型，对售电量进行预测。

2.根据权利要求1所述的售电量预测方法，其特征在于，所述售电量预测机的建立包括以下具体步骤：

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，因此选择支持向量机作为售电量预测机；

2)设样本集为(x_i,y_i)，i＝1,2,...,n；y是水平值，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：

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：

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：

式中，ψ(x_j)表示非线性函数，K(x_i,x_j)表示核函数；

则最优判断函数为：

式中，表示在寻找到的最优判别函数下的拉格朗日乘子；

3)支持向量机的建立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。

3.根据权利要求2所述的售电量预测方法，其特征在于，所述的核函数为线性核函数、多项式核函数、径向基函数或二层神经网络核函数。

4.根据权利要求1所述的售电量预测方法，其特征在于，所述的果蝇优化算法包括以下步骤：

1)初始化群体规模M、最大迭代次数k_max，随机生成果蝇群体初始位置(X₀,Y₀)；

2)给出每只果蝇个体随机飞行的方向和距离，使其通过嗅觉搜寻食物，

X_i＝X₀+r×(η-0.5)，

Y_i＝Y₀+r×(η-0.5)，

其中：i＝1,2,...，M代表第i个果蝇；r为种群半径；η为[0,1]的随机数；

3)计算各果蝇个体与坐标原点的距离D_i，将其倒数作为味道浓度判定值S_i，

S_i＝1/D_i；

4)定义味道浓度判定函数F，将味道浓度判定值S_i代入F，计算每只果蝇个体的味道浓度为S_m,i＝F(S_i)；

5)寻找果蝇群体中味道浓度的最低值为[S_m,min,I_s,min」＝min(S_m,i)，其中S_m,min为味道浓度的最低值，I_s,min＝(X_min,Y_min)为最低味道浓度值对应的位置坐标；

6)记录最优味道浓度值与对应的位置坐标，果蝇群体通过视觉飞往该位置，

S_m,best＝S_m,min

X_best＝X_min，

Y_best＝Y_min；

7)迭代寻优，将果蝇群体的当前位置坐标(X_best,Y_best)设为新一次迭代寻优的初始位置坐标，重复执行步骤1)-5)；若味道浓度小于上一代味道浓度，则执行步骤6)；否则继续迭代寻优，直到达到预设迭代次数。