[发明专利]一种支持向量机宽度学习的可再生能源市场长期储热方法

权利要求书

1.一种支持向量机宽度学习的可再生能源市场长期储热方法，其特征在于，将支持向量机和宽度学习结合起来，并根据气温来预测可再生能源市场中的分布式电蓄热的长期消耗量；所述支持向量机用于对原始数据即气温和相应的可再生能源市场中的分布式电蓄热的长期消耗量进行分类；将其分类，类别为A、B和C三类；设T为气温，P为可再生能源市场中的分布式电蓄热的长期消耗量；A类为T＜20℃且P≥0的情况；B类为20℃≤T≤26℃且P≥0的情况；C类为T≥26℃且P≥0的情况；

在分类的时候，把原始数据分别输入到三个训练函数进行判断；然后采取投票形式，最后得到一组结果：

设N_A，N_B和N_C分别是A类、B类和C类的票数；

将票数初始化：N_A＝N_B＝N_C＝0；

将原始数据输入关于A类和B类的训练函数进行判断，如果结果是A类，则N_A＝N_A+1；否则，N_B＝N_B+1；

将原始数据输入关于B类和C类的训练函数进行判断，如果结果是B类，则N_B＝N_B+1；否则，N_C＝N_C+1；

将原始数据输入关于A类和C类的训练函数进行判断，如果结果是A类，则N_A＝N_A+1；否则，N_C＝N_C+1；

N_A，N_B和N_C中的最大值所对应的类别为最后的分类结果；分类的同时，把分好的属于A类，B类和C类的原始数据分别存储起来；

所述宽度学习分别对每类的原始数据进行训练；在宽度学习完成训练后，通过输入相应的气温预测出可再生能源市场中的分布式电蓄热的长期消耗量。

2.权利要求1所述的支持向量机宽度学习的可再生能源市场长期储热方法，其特征在于，利用核函数求解所述支持向量机，得到分类决策函数；求解分类决策函数的步骤如下：

(1)首先，给定输入数据和学习目标：X＝{X₁,...,X_N},y＝{y₁,...,y_N}，N为样本个数；输入数据的每个样本都包含气温和可再生能源市场中的分布式电蓄热的长期消耗量两个特征：X_i＝[T_i,P_i]，其中i＝1,...,N；而学习目标二元变量y_i∈{-1,1}表示负类和正类，其中i＝1,...,N；

(2)输入数据所在的特征空间存在作为决策边界的超平面，将学习目标按正类和负类分开，并使任意样本点到平面的距离大于等于1；

决策边界：ω^TX+b＝0；

点到面的距离：y_i(ω^TX_i+b)≥1；

式中，ω和b分别为超平面的法向量和截距；

(3)非线性支持向量机的原问题是使距离平面最近的点到平面的距离尽可能大，两个间隔边界的距离为求d的最大值问题转换为求的最小值问题；即原问题转换为：

s.t.y_i[ω^Tφ(X_i)+b]≥1-ξ_i

ξ_i≥0,i＝1,2,...,N

其中，K(X_i,X_j)＝φ(X_i)^Tφ(X_j),i＝1,2,...N,j＝1,2,...N为选择的核函数；常数G是正规化系数；ξ_i为误差函数；

(4)通过拉格朗日乘子：α＝{α₁,...,α_N},μ＝{μ₁,...,μ_N}得到其拉格朗日函数：

其中，α_i≥0,μ_i≥0；

(5)令拉格朗日函数对优化目标ω,b,ξ的偏导数为0，得到一系列包含拉格朗日乘子的表达式：

(6)将上式代入拉格朗日函数后，得原问题的对偶问题为：

s.t.∑α_iy_i＝0,0≤α_i≤G,i＝1,2,...,N,j＝1,2,...N

(7)使用迭代方式的序列最小优化方法求解支持向量机的对偶问题，其设计是在每个迭代步选择拉格朗日乘子中的两个变量α_i,α_j，并固定其它参数，对偶问题的约束条件为：

其中，Const为常数；将上式右侧代入支持向量机的对偶问题，并消去求和项中的α_j,得到仅关于α_i的二次规划问题；

(8)求得最优解α^*；找到一个0＜α_j＜G；然后求b，最优解b^*由如下公式得到

(9)得到分类决策函数：

其中f(x)＝sign[x]为符号函数；当x＜0时，f(x)＝-1；当x＝0时，f(x)＝0；当x＞0时，f(x)＝1；

(10)根据以上求解方法得到关于A类和B类，B类和C类，A类和C类的三种分类决策函数，即得到三个训练结果。

3.权利要求1所述的一种支持向量机宽度学习的可再生能源市场长期储热方法，其特征在于，分类结束后把各类的原始数据分别输入宽度学习系统进行训练；所述宽度学习的训练过程如下：

(1)设原始数据为X，输入X利用函数：

Z_i＝φ(XW_ei+β_ei),i＝1,...,n

产生第i组映射特征矩阵Z_i，n表示映射特征矩阵的数量；其中W_ei为随机权重系数矩阵，β_ei为随机偏差矩阵；

(2)映射特征矩阵Zⁿ乘上随机权重矩阵W_hj加上随机偏差矩阵β_hj形成第j组增强节点矩阵H_j，即：

H_j＝ξ(ZⁿW_hj+β_hj),j＝1,...,m

其中，Zⁿ＝[Z₁,...,Z_n]，H^m＝[H₁,...,H_m]，m表示增强节点矩阵的数量；

(3)所有映射特征矩阵和增强节点矩阵组成增广矩阵，增广矩阵乘上随机权重矩阵W形成输出矩阵Y；其中随机权重矩阵W通过以下方式得到；

W＝A^-1Y

其中A＝[Zⁿ|H^m]；

通过以上方法，提取各类的原始数据，输入到宽度学习系统进行训练；所述宽度学习完成训练后，通过输入相应的气温即可预测出可再生能源市场中的分布式电蓄热的长期消耗量。