[发明专利]基于自适应遗传算法的最小二乘支持向量机用电预测方法

说明书

本发明提供一种基于自适应遗传算法的最小二乘支持向量机用电预测方法，该方法是从某企业采集历史用电数据，并采用高斯滤波器进行去噪音处理；然后采用经验模态分解方法把过滤噪音后的数据分解成多个基本模式分量和余量，并对其进行归一化；其次，采用最小二乘支持向量机对归一化后的分量、余量进行预测，同时采用交叉概率和变异概率自适应的遗传算法对最小二乘支持向量机的两个参数进行寻优，找到最佳参数组合；最后采用最小二乘支持向量机模型得到预测结果。本发明对企业用电量有较高的预测精度，是一种高效的用电量预测方法。

技术领域

本发明属于用电量预测方法技术领域，特别是涉及一种基于自适应遗传算法的最小二乘支持向量机用电预测方法。

背景技术

随着售电侧改革的深入，售电市场的放开，售电公司的数量以及参与市场交易的形式不断增加。目前，我国售电公司依然处于初始发展阶段，其发展模式还处于形成期，作为电力市场化改革“代言人”的售电公司，除了通过市场化电量交易，以及为用户提供个性化用能服务以降低综合用能成本外，还需要承担抑制用户端电价波动“防火墙”的作用，是风险和利益共担的载体。因此对用电企业用电量的预测成为了售电公司控制用电量偏差和考核金额的重要方法，精准的用电量预测技术可以提高售电公司竞争力，同时也提高电厂发电的利用率，为能源的高效利用提供保障。语音转换的目标是在保证其中的语义信息保持不变的条件下，改变源说话人语音中的个性特征信息，使之具有目标说话人的个性特征，从而使转换后的语音听起来就像是目标说话人的声音。

经验模态分解是一种基于信号局部特征的信号分解方法，该分解方法的优势是具有小波分解的多分辨性，同时克服了小波变化中小波基的选取和分解尺度确定的困难，因此其分解能力具有自适应特性，既可以用来处理平稳信号也可以处理非平稳信号。经验模态分解方法在分解过程中做以下假设：1、信号至少有一个极大值点和一个极小值点；2、用相邻极值点的时间间隔来定义时间尺度；3、若信号无极值点，只有拐点，则在对信号分解前先进行一次或多次的微分，以此来获得极值点。再对微分结果进行积分，就可得到信号相应的分量。截至目前发现经验模态分解方法在电力、医学、交通、机械等多个领域都具有较高的应用意义。

遗传算法是一种基于自然选择和基因遗传学原理的随机并行搜索算法，是一种寻求全局最优解而不需要任何初始化信息的高效优化方法。近年来遗传算法在函数优化、人工神经网络等问题中，都有成功的应用范例，因而是极具有潜力的方法。但目前，作为一种通用的随机搜索算法的遗传算法，采用固定的交叉和变异概率，在解决一些复杂问题时它还存在着早熟收敛和收敛速度慢的缺陷。而自适应遗传算法对两种概率的自适应性选择保留了种群的多样性，并且有利于全局收敛。

最小二乘支持向量机是支持向量机的一种扩展，其将输入向量非线性地投射到高维空间中去，以此来构造最佳决策面，而后采用最小化结构风险原则，将支持向量机的不等式运算转变成求解线性方程组的运算，有效地简化了计算复杂度，加快了运算速度。该预测模型的预测效果依赖于合适的输入向量和模型参数的选取。遗传算法是一种寻求全局最优解的高效优化方法。将自适应遗传算法和最小二乘支持向量机预测模型结合，为用电量预测提供了新思路。

如上所述，现有的用电量预测方法，常采用预测模型直接对其进行预测，预测精度不高，为了获得用电量时间序列的更多信息，前人在进行研究时，往往采用BP神经网络分析方法，但其存在冗余度高，结果偏差较大的不足；而遗传算法在进行参数优化时，交叉概率和变异概率往往不变化，因此，提出了一种基于自适应遗传算法和最小二乘支持向量机组合预测用电量的方法意义重大。

发明内容

本发明所要解决的技术问题是：为了克服现有技术中的不足，本发明提供一种基于自适应遗传算法的最小二乘支持向量机用电预测方法，该方法能够提高用电量预测的精度。

本发明解决其技术问题所要采用的技术方案是：一种基于自适应遗传算法的最小二乘支持向量机用电预测方法，包括以下步骤：