[发明专利]基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型

权利要求书

1.基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型，其特征是：包括如下步骤：

第一步.设置参数；

第二步.初始化种群；

第三步.构造适应度函数；

第四步.开始优化；

第五步.完成优化。

2.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型，其特征是：所述第一步.设置参数；SSA的参数包括：搜索代理的数量SearchAgents_no、最大迭代次数Max_iteration、变量个数dim、上界ub＝[ub₁、ub₂、ub₃、…、ub_n-1、ub_n]和下界lb＝[lb₁，lb₂，lb₃，…lb_n-1，lb_n]属于变量；SearchAgents_no＝50；Max_iteration＝300；dim＝2；ub＝[1000；2000]；lb＝[1；1]。

3.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型，其特征是：所述第二步.初始化种群；在设置了五个基本参数之后，通过方程公式(10)生成随机salp种群作为迭代的开始，并且迭代的初始值设为1：

S(i,j)＝rand(i,j)×(ub(i)-lb(i))+lb(i) (10)。

4.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型，其特征是：所述第三步.构造适应度函数；是利用所提出的SSA-LSSVM模型对变电站LCC进行预测，利用SSA方法得到LSSVM模型的两个最优参数，并将这两个参数输入LSSVM模型对变电站LCC进行预测，而适应度函数是基于用平均绝对误差MAE原理计算实际值与预测值之间的误差，如方程公式(11)所示：

公式(11)中，x(k)为变电站LCC实际值；是变电站LCC的预测值。

5.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型，其特征是：所述第四步.开始优化；在第一种群的初始值生成的基础上，计算所有salp的适应度，并将具有最佳适应度的salp的位置设置为变量F，并需要在每次迭代过程中设置；在识别出变量F之后，领导者和跟随者通过更新它们的位置，以获得全局最优值。

6.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型，其特征是：所述第五步.完成优化；在每次的迭代中可以得到最佳的salp位置和最佳适应度；当达到最大迭代次数时，迭代结束，然后对所有的适应度值进行排序并选出最优值，与此同时得到了与所选择的最优值对应的最佳slap位置；因此，LSSVM模型中最佳正规化参数“C”和RBF核函数的最佳带宽σ由SSA确定。

7.根据权利要求1所述的基于SSA-LSSVM的高纬度严寒地区变电站LCC预测模型，其特征是：包括以下步骤：

(1)数据预处理：

数据来源于国网下属某省级电网公司科技项目甲方提供，包括30组变电站全寿命周期成本相关参数：初始投资成本、变电站的运行年限、年平均最低气温、年平均风速、冻土深度、通货膨胀率、运行维护费率、年平均检修成本、年平均设备故障率、年故障中断功率、年平均故障修复成本、年平均故障修复时间、年平均停运时间、年平均非计划停电量、单位停电量赔偿费用、设备报废率和LCC总成本；变电站LCC相关参数对应编号见附表1；将27组数据分为2个部分，前23组数据作为训练样本，最后4组数据作为测试样本；

为了消除各个变电站LCC的参数由于量纲不同从而影响预测模型的预测速度和精度，在建模之前，首先对所有变电站的样本数据进行归一化处理，归一化公式如式(12)：

上式(12)中：x_i为样本初始值；为归一化后的值；x_max和x_min分别为每个样本数据的最大值和最小值；

(2)参数优化：

采用SSA优化LS-SVM建模，对样本集进行训练和预测，首先需要对模型参数组合C和σ进行寻优，即为找到适应度较小时所对应的模型参数的取值组合；与传统LS-SVM参数选取时采用网格搜索法，先粗略寻找最优参数组合，再进行精细的选择的方法不同，将采用SSA优化算法并选用RBF核函数，对LS-SVM预测模型参数进行寻优，表2为SSA优化寻优法所得到的模型参数C和σ组合值；

从SSA优化LSSVM的进化曲线中得出，当迭代次数为300次时终止，此时的适应度值MSE趋于平稳；并且从收敛曲线的变化中得出，SSA算法收敛效率高且运算速度快；因此，此时得到的LSSVM参数组合为最优的参数组合；

(3)预测结果展示与分析：

建立基于SSA优化的LS-SVM高寒地区变电站LCC预测模型，通过对由30组变电站组成的样本集进行训练以及预测，并将得到的预测值与变电站LCC的实际值进行对比，来评价模型的预测效果；

模型所预测结果与LCC实际值相比误差较小，贴近于变电站LCC的实际值，预测效果较优。