[发明专利]一种基于粒子群优化的支持向量机停电预测方法

权利要求书

1.一种基于粒子群优化的支持向量机停电预测方法，其特征在于，包括：

获取预先确定的有效特征的参数；将有效特征的参数输入预先训练的支持向量机模型中，支持向量机模型预测输出停电数据；

训练支持向量机模型，包括：

在已有的停电特征基础上构造新特征；

采用随机森林方法计算已有的停电特征重要性和新特征重要性，根据重要性对已有的停电特征和新特征进行排名，按照重要性排名顺序由高到低选择若干个已有的停电特征或新特征组成有效特征的参数；

用有效特征的参数训练参数待确定的支持向量机模型，构建有效特征的参数和停电数据之间的映射关系；其中，支持向量机模型中待确定参数，包括：

支持向量机模型的参数包括C和γ，C代表惩罚因子，γ是RBF函数的参数；

利用基于线性递减权重的粒子群优化算法寻找支持向量机模型中C和γ的最佳值，并且使用线性递减权重提高粒子群优化算法的搜索效率；

其中，利用基于线性递减权重的粒子群优化算法寻找支持向量机模型中C和γ的最佳值，并且使用线性递减权重提高粒子群优化算法的搜索效率，包括：

每个粒子都在问题空间中跟踪其位置坐标，pbest表示个体最优的粒子；gbest表示全局最优粒子；

粒子群优化算法包括改变每个粒子向其pbest位置移动的速度和改变每个粒子向其gbest位置移动的速度，加速度由随机项加权得到，在这些随机项中，为向pbest位置的加速度和向gbest位置的加速度生成单独的随机数，基于粒子群优化算法更新粒子的速度和粒子的位置的计算如下所示：

其中，表示t时刻的粒子群中粒子的速度，c₁和c₂表示学习因子，random(0,1)表示服从参数为0和1的均匀分布的随机数，pbest_i表示第i个最优的粒子位置，gbest表示所有粒子中最优的粒子，表示t时刻的粒子群中粒子的位置；w是惯性因子且w＞＝0，用来平衡粒子群优化算法的全局和局部寻优的参数；

为了更好地利用粒子群算法寻优，采用线性递减权重方法动态更新w的值，更新公式如下所示：

其中，w₁表示惯性因子初始的设置值，w_e表示迭代到最大的进化代时的设置值，I_k表示设置的最大的迭代次数；

训练支持向量机模型，包括：

支持向量机模型的集合定义如下：

其中，x_j代表第j个有效特征的参数，有效特征的参数维度为k；y_j表示支持向量机模型的第j个预测输出；R^m表示有效特征的参数的集合，是m维的实数向量，n表示有效特征的参数的记录总数；

多个有效特征的参数组成样本向量，将原先的样本向量映射到一个新的坐标空间中，然后在变换后的新的坐标空间中用线性的决策边界划分样本向量，选择径向基核函数作为支持向量机模型的核函数，使用核函数通过非线性变换创建线性的决策边界；

若会停电和不会停电这两种类别线性不可分割，则引入从输入空间到高维特征空间的非线性变换，非线性变换公式如下所示：

φ(x)：x∈R^m→R^k，m＜＜k                 (7)，

其中，φ(x)表示一种函数映射，x表示有效特征，R^k表示k维的实数向量；

在变换后的坐标空间中，划分超平面的模型方程如下所示：

其中，T为向量的转置，ω和b为支持向量机模型中的参数，表示关于x的向量，为了使得找到的超平面到两种类别之间的距离之和最大，则有

其中r表示样本向量的目标特征的记录数；

得到该约束下的优化问题的对偶Lagrangian函数如下所示：

其中，α_i表示拉格朗日乘子，α_j表示拉格朗日乘子，y_i表示第i个样本记录的目标特征的真实值，x_j代表第j个有效特征的参数；

其对偶问题如下所示：

根据二次规划得到拉格朗日乘子，从而得到参数ω和b的值，计算过程如下所示：

结合核函数进行求解得到超平面的方程如下：

其中，κ(·)为径向基核函数，κ(x,x_i)表示φ(x)·φ(x_i)。