【技术实现步骤摘要】
本专利技术涉及，属于电力 系统运行分析
。
技术介绍
电力系统负荷预测是在已知历史负荷需求以及历史时期气象、经济等因素的前提 下，对未来的负荷状况进行预测。负荷预测是电网调度部门安排调度计划的重要依据，预测 精度的提高有利于安排更为经济合理的运行方式，减少不必要的旋转备用容量，有效降低 电力系统的运行成本。 支持向量机（supportvectormachine,SVM)是一种基于结构风险最小化原理的 机器学习技术，具有较好的泛化学习能力，目前广泛应用于处理时间序列问题，不少专家和 学者也将其应用于负荷预测。但SVM的预测精度与其自身的惩罚因子和核参数设定有着很 大的关系，因此负荷预测领域的专家学者提出了采用网格搜索方法优化SVM的参数，取得 了 一定的成功。 布谷鸟搜索（cuckoosearch,CS)算法是一种受布谷鸟的巢寄生繁殖机理和莱维 飞行（Lvyflights)搜索原理启发而产生的启发式算法。CS算法的参数少而简单，仅需要 设定种群大小和宿主鸟发现外来鸟蛋概率两个参数，因而通用性较强，可控性较好；搜索过 程中引入了莱维飞行机制，使局部搜索和全局搜索能力得到了均衡。研究成果表明，CS算 法寻优能力强，收敛速度快，适合用于优化SVM的参数。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种布谷鸟搜索算法改进支持向量机的电 力负荷预测方法，提高了电力系统负荷预测的精度。 为了解决上述技术问题，本专利技术所采用的技术方案是： -种布谷鸟搜索算法改进支持向量机的电力负荷预测方法，包括...
【技术保护点】
一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法，其特征在于：包括以下步骤， 步骤一，选取训练数据； 从历史数据中选取与所需预测时段的条件相似的数据作为训练集； 步骤二，建立优化目标； 以SVM输出的均方误差为优化目标，建立如下表达式， 其中，n为样本数，yr为第r个样本的SVM的输出值，为第r个样本的实际值，fMSE为SVM输出的均方误差，而min.前缀表示对该变量进行最小值寻优；步骤三，布谷鸟搜索算法初始化设置； 定义初始化鸟窝个数为m，迭代次数为K，宿主鸟发现外来鸟蛋的概率pa，随机生成m个初始鸟窝X＝[x1,…,xm]，其中,i∈[1,m]，xi为第i个鸟窝的位置，xi＝[xi1,…,xiD]，D为单个样本的维数； 步骤四，初始适应值计算； 以SVM输出的均方误差为优化目标，计算每个鸟窝的初始适应值，将所有初始适应值一对一比较，得到并记录初始适应值最优的鸟窝位置； 步骤五，新鸟窝位置计算； 在布谷鸟搜索算法中引入最优解记忆，使布谷鸟每次飞行都以最优解位置作为参考，鸟窝位置更新公式为， 其中，k∈[1,K‑1],为第i个鸟窝第k次迭代得到的位置，为第i个鸟窝第k+1次迭代得到的...
【技术特征摘要】
1. 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法，其特征在于：包括以下 步骤， 步骤一，选取训练数据； 从历史数据中选取与所需预测时段的条件相似的数据作为训练集； 步骤二，建立优化目标； 以SVM输出的均方误差为优化目标，建立如下表达式，其中，η为样本数，I为第r个样本的SVM的输出值，为第r个样本的实际值，fBE 为SVM输出的均方误差，而min.前缀表示对该变量进行最小值寻优； 步骤三，布谷鸟搜索算法初始化设置； 定义初始化鸟窝个数为m，迭代次数为K，宿主鸟发现外来鸟蛋的概率pa，随机生成m个 初始鸟窝X=[X1,…，义丄其中，ie [l，m]，Xi为第i个鸟窝的位置，Xi=[χη，…，xiD]，D 为单个样本的维数； 步骤四，初始适应值计算； 以SVM输出的均方误差为优化目标，计算每个鸟窝的初始适应值，将所有初始适应值 一对一比较，得到并记录初始适应值最优的鸟窝位置； 步骤五，新鸟窝位置计算； 在布谷鸟搜索算法中引入最优解记忆，使布谷鸟每次飞行都以最优解位置作为参考， 鸟窝位置更新公式为，(Jc) 其中，ke[1，Κ-1]，7为第i个鸟窝第k次迭代得到的位置，x(k+l) 为第i个鸟...
【专利技术属性】
技术研发人员：郑海雁，金农，顾国栋，丁晓，孔珍宝，吴钢，徐金玲，金璐，熊政，方超，仲春林，李昆明，李新家，尹飞，季聪，
申请(专利权)人：国家电网公司，江苏省电力公司，江苏方天电力技术有限公司，江苏省电力公司南京供电公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。