一种基于蚁狮优化的LSSVM年用电量预测方法技术

本发明专利技术涉及一种基于蚁狮优化的LSSVM年用电量预测方法，年用电量预测方法包括以下步骤：确定最小二乘支持向量机(Least Square Support Vector Machines，LSSVM)预测模型的输入变量；初始化蚁狮优化算法；计算初始蚁狮的适应度值，得到初始精英蚁狮；更新蚂蚁的位置，计算当前蚂蚁的适应度值，并与其相应蚁狮的适应度值进行比较，判断是否更新蚁狮位置；将更新位置后的蚁狮的适应度值，逐一与上一代精英蚁狮的适应度值比较，保留较小适应度值对应的蚁狮，得到本次迭代的精英蚁狮；判断是否达到最大迭代次数，若为是，则输出精英蚁狮的位置及相应的年用电量预测值，若为否，继续迭代。与现有技术相比，本发明专利技术具有预测精度更高和预测效率更高等优点。

An antlion optimization LSSVM electricity demand forecasting method based on

The invention relates to an antlion optimization LSSVM electricity demand forecasting method based on electricity demand forecasting method comprises the following steps: determining the least squares support vector machine (Least Square Support Vector Machines, LSSVM) input variable prediction model; initialization algorithm to calculate the initial study; study the fitness value, get the initial position of the elite ant lion; update ants, ants to calculate the fitness value, and its corresponding antlion fitness value, to determine whether the update will update the antlion position; position after the antlion's fitness, one by one with a generation of elite antlion's fitness, fitness values correspond to less the iteration of the antlion, elite to judgewhether the antlion; the maximum number of iterations, if yes, then the output of the elite antlion position and corresponding year of electricity If the prediction value is not, continue iteration. Compared with the prior art, the present invention has the advantages of higher prediction accuracy and higher prediction efficiency.

【技术实现步骤摘要】
一种基于蚁狮优化的LSSVM年用电量预测方法
本专利技术涉及年用电量预测
，尤其是涉及一种基于蚁狮优化的LSSVM年用电量预测方法。
技术介绍
年用电量预测对电力系统的规划，运行和维护至关重要，也可以在一定程度上反映一个国家或地区的经济发展。精确的年用电量预测可为电力系统运营商和经济管理者提供有价值的参考。因此对电力负荷进行预测是电力系统最重要的基本工作之一，它对能源规划、电力系统的运行与控制及经济发展战略研究有着重要意义。预测的方法有：回归分析法、类比法，弹性系数法，时间序列法，神经网络法等。在现代经济社会中，用电量与经济、社会、人口及生态环境之间都存在着异常密切的关系，即用电系统是一个受到众多因素影响的复杂系统，用常规的数学方法来建立预测模型，不仅工作量大，而且预测精度也难以保证。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于蚁狮优化的LSSVM年用电量预测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于蚁狮优化的LSSVM年用电量预测方法，所述的年用电量预测方法包括以下步骤：S1、确定LSSVM预测模型的输入变量；S2、初始化蚁狮优化算法，将初始蚁狮位置作为核参数和正则化参数代入LSSVM模型，得到相应的年用电量预测值；S3、建立适应度函数，计算初始蚁狮位置的适应度值，得到初始适应度值，保留最小初始适应度值对应的蚁狮作为初始精英蚁狮；S4、更新蚂蚁位置，计算当代蚂蚁的适应度值，并与当代蚂蚁对应的蚁狮位置的适应度值进行比较，判断是否更新蚁狮位置；S5、将上一步得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度值比较，保留较小适应度值对应的蚁狮位置，得到本次迭代精英蚁狮位置；S6、判断是否达到最大迭代次数，若为是，则输出精英蚁狮位置及其相应的年用电量预测值，若为否，返回S4。步骤S1具体为：采用灰色关联分析方法，获得年用电量影响因素和年用电量之间的关联度值，根据关联度值，选择相应的年用电量影响因素作为LSSVM预测模型的输入变量。步骤S2中初始化蚁狮优化算法包括以下步骤：S201、参数初始化，包括种群规模Agents_no，解的维数d＝2，解空间的上界bup，解空间的下界blow，最大迭代次数Max_iter；S202、位置初始化，随机产生蚂蚁的位置矩阵MAnt和蚁狮的位置矩阵MAntlion。S201中所述的解空间的上界bup＝[1000,1000]，下界blow＝[0.1,0.01]。S202中蚂蚁的位置矩阵MAnt和蚁狮的位置矩阵MAntlion为：其中MAnt和MAntlion中的值由式A*j或AL*j＝rand*(bupj-blowj)+blowj得到，A*j和AL*j分别表示蚂蚁位置矩阵和蚁狮位置矩阵第j列的值，rand为0到1之间的一个随机数，n＝Agents_no，bupj和blowj分别为第j列的上界和下界，MAnt和MAntlion的每一行均对应LSSVM的一组核参数和正则化参数，即(σ,γ)。步骤S3中的适应度函数为：其中，和分别为第s组检验样本的实际值和预测值，N为样本个数。步骤S4中蚂蚁位置的更新公式为其中，表示在蚁狮周围随机游走的第t次迭代轮盘赌所选择的蚂蚁位置，表示在精英蚁狮周围随机游走的第t次迭代的蚂蚁位置，为第t次迭代时第i个蚂蚁的位置。其中，ai表示第i个蚂蚁的随机游走的位置最小值，hi表示第i个蚂蚁的随机游走的位置最大值，表示第t次迭代时第i个蚂蚁的实际位置最小值，表示第t次迭代时第i个蚂蚁的实际位置最大值，Wit表示第t次迭代时第i个蚂蚁的随机游走位置，Wit＝[0，cumsum(2r1(t)-1)，…，cumsum(2rMax_iter(t)-1)]，cumsum是计算数组累加值函数，t表示当前迭代次数，Max_iter表示最大迭代次数，r1(t)，…，rMax_iter(t)为随机函数且相互独立。所述的随机函数计算公式为：r(t)即r1(t)，…，rMax_iter(t)，rand(t)为0到1之间的随机数。步骤S4中将当代蚂蚁的适应度值与其对应的蚁狮位置的适应度值进行比较，判断是否更新蚁狮位置，若当代蚂蚁的适应度值小于蚁狮的适应度值，则用当代蚂蚁位置替代蚁狮位置，否则保留原蚁狮位置。与现有技术相比，本专利技术具有以下优点：1、相比于现有预测方法，预测精度更高：利用蚁狮优化算法对LSSVM预测方法进行优化，其预测结果更接近实际用电量，减小了预测的相对误差；2、提高预测效率：自动循环迭代，预测效率高，迭代运行时间短。附图说明图1为本专利技术的基于蚁狮优化的LSSVM的年用电量预测方法流程图；图2为ALO优化LSSVM参数的详细流程图；图3为采用ALO-LSSVM和GCA-ALO-LSSVM方法进行预测的结果对比图；图4为采用其他方法与采用本专利技术方法得到的预测值对比图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。本专利技术提供一种基于蚁狮优化的LSSVM年用电量预测方法，主要包括两个部分：首先采用灰色关联分析(GreyCorrelationAnalysis,GCA)对用电量影响因素与用电量进行相关性分析，根据灰色关联度值，确定LSSVM输入变量，简化LSSVM结构，其次通过蚁狮优化算法(AntLionOptimizer,ALO)，得到最小二乘支持向量机(LeastSquareSupportVectorMachines,LSSVM)的最优参数。(1)GCAGCA是灰色系统理论的主要内容之一，其基本原理是通过对统计序列集合关系的比较来分清系统中多因素的关系的紧密程度，序列曲线的集合形状越接近，则它们之间的关联度就越大，反之越小。其具体过程如下：1)设用电量序列为X0＝(x0(1),x0(2),…,x0(k),…,x0(p))，用电量影响因素为Xg＝(xg(1),xg(2),…,xg(k),…xg(p))，(g＝1,2,…,m)，p表示所选用电量的总年数，m表示用电量影响因素个数；2)利用初值化算子对X0和Xi进行初始化，得到初值像分别为Y0＝(y0(1),y0(2),…,y0(k),…,y0(p))和Yg＝(yg(1),yg(2),…,yg(k),…,yg(p))，(g＝1,2,…,m)，m表示用电量影响因素个数；3)求出Y0与Yg之间的关联系数γ0g(k)，式中：y0k即y0(k)，ygk即yg(k)，ξ∈(0,1]为分辨系数，一般取为0.5；4)计算X0与Xg的关联度γ0g，式中：γ0gk即γ0g(k)，γ0g∈(0,1]，γ0g越大，表明Xg对X0的作用越大，若γ0g≥γ0q，那么因素Xg优于因素Xq，Xq表示第q个用电量影响因素，q＝1,2,…,m，γ0q为X0与Xq的关联度。(2)基于ALO的LSSVM预测模型ALO算法是由S.Mirjalili于2015年提出的一种新的智能进化算法，其主要灵感来源于蚁狮幼虫的觅食行为。该算法在优化过程中遵行以下准则:准则1：蚂蚁采用不同的路径在搜索空间随本文档来自技高网...

【技术保护点】
一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，所述的年用电量预测方法包括以下步骤：S1、确定LSSVM预测模型的输入变量；S2、初始化蚁狮优化算法，将初始蚁狮位置作为核参数和正则化参数代入LSSVM模型，得到相应的年用电量预测值；S3、建立适应度函数，计算初始蚁狮位置的适应度值，得到初始适应度值，保留最小初始适应度值对应的蚁狮作为初始精英蚁狮；S4、更新蚂蚁位置，计算当代蚂蚁的适应度值，并与当代蚂蚁对应的蚁狮位置的适应度值进行比较，判断是否更新蚁狮位置；S5、将上一步得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度值比较，保留较小适应度值对应的蚁狮位置，得到本次迭代精英蚁狮位置；S6、判断是否达到最大迭代次数，若为是，则输出精英蚁狮位置及其相应的年用电量预测值，若为否，返回S4。

【技术特征摘要】
1.一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，所述的年用电量预测方法包括以下步骤：S1、确定LSSVM预测模型的输入变量；S2、初始化蚁狮优化算法，将初始蚁狮位置作为核参数和正则化参数代入LSSVM模型，得到相应的年用电量预测值；S3、建立适应度函数，计算初始蚁狮位置的适应度值，得到初始适应度值，保留最小初始适应度值对应的蚁狮作为初始精英蚁狮；S4、更新蚂蚁位置，计算当代蚂蚁的适应度值，并与当代蚂蚁对应的蚁狮位置的适应度值进行比较，判断是否更新蚁狮位置；S5、将上一步得到的蚁狮位置的适应度值逐一与上一代精英蚁狮位置的适应度值比较，保留较小适应度值对应的蚁狮位置，得到本次迭代精英蚁狮位置；S6、判断是否达到最大迭代次数，若为是，则输出精英蚁狮位置及其相应的年用电量预测值，若为否，返回S4。2.根据权利要求1所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，步骤S1具体为：采用灰色关联分析方法，获得年用电量影响因素和年用电量之间的关联度值，根据关联度值，选择相应的年用电量影响因素作为LSSVM预测模型的输入变量。3.根据权利要求1所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，步骤S2中初始化蚁狮优化算法包括以下步骤：S201、参数初始化，包括种群规模Agents_no，解的维数d＝2，解空间的上界bup，解空间的下界blow，最大迭代次数Max_iter；S202、位置初始化，随机产生蚂蚁的位置矩阵MAnt和蚁狮的位置矩阵MAntlion。4.根据权利要求3所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，S201中所述的解空间的上界bup＝[1000,1000]，下界blow＝[0.1,0.01]。5.根据权利要求3所述的一种基于蚁狮优化的LSSVM年用电量预测方法，其特征在于，S202中蚂蚁的位置矩阵MAnt和蚁狮的位置矩阵MAntlion为：其中MAnt和MAntlion中的值...

【专利技术属性】
技术研发人员：韩文花，汪素青，周孟初，刘文鹏，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31