基于遗传算法和支持向量机的电力负荷预测算法制造技术

本发明专利技术公开了一种基于遗传算法和支持向量机的电力负荷预测算法，包括如下步骤(1)采集电力负荷数据并进行遗传编码形成初始化种群，并将初始化种群依次进行计算个体适应度、选择算子、交叉算子和变异算子；(2)设置融合层的最大遗传代数i为100，并将个体适应度、选择算子、交叉算子和变异算子分别计算后的种群均输入至融合层；(3)将融合层满足迭代要求的种群输入支持向量机，经过支持向量机的训练和学习实现对电力负荷的预测。本发明专利技术通过遗传算对采集的初始数据进行处理，可实现数据的最优解，再输入至支持向量机，使得输入支持向量机数据更正则化，提高了支持向量机中权值的精度、训练效率、网络性能和网络的逼近能力。

Power load forecasting algorithm based on genetic algorithm and support vector machine

【技术实现步骤摘要】
基于遗传算法和支持向量机的电力负荷预测算法
本专利技术涉及人体健康预测
，具体涉及一种基于遗传算法和支持向量机的电力负荷预测算法。
技术介绍
准确的短期电力负荷预测有助于工业生产中故障诊断和发电成本的降低。随着中国制造2025的稳步推进和城镇化不断发展，工厂生产和人们生活对电力的需求越来越大，确保供用电之间关系的协调变得更加重要。目前，国内外针对短期电力负荷预测主要份传统预测法和智能预测法。随着我国人工智能
的快速发展，传统预测法已经逐渐被取缔。现有大多数的智能预测法都是通过神经网络BP实现预测，该预测方法预测不精确。
技术实现思路
为克服上述问题，本专利技术的目的在于提供一种将支持向量机和遗传算法相结合来实现电力负荷预测的算法。本专利技术的目的是通过以下技术方案实现的：基于遗传算法和支持向量机的电力负荷预测算法，包括如下步骤：(1)采集电力负荷数据并进行遗传编码形成初始化种群，并将初始化种群依次进行计算个体适应度、选择算子、交叉算子和变异算子；(2)设置融合层的最大遗传代数i为100，并将个体适应度、选择算子、交叉算子和变异算子分别计算后的种群均输入至融合层；(3)将融合层满足迭代要求的种群输入支持向量机，经过支持向量机的训练和学习实现对电力负荷的预测。进一步地，步骤(1)中所述电力负荷数据为电力负荷值。进一步地，步骤(1)中所述遗传编码采用实数编码遗传算法实现。进一步地，步骤(3)中所述支持向量机是指先对采集的血压信号进行最大值归一化处理；引入非负参数v控制回归模型误差，并优化训练回归模型。进一步地，所述v-SVR模型采用RBF核。本专利技术具有以下有益效果：(1)通过遗传算对采集的初始数据进行处理，可实现数据的最优解，再输入至支持向量机，使得输入支持向量机数据更正则化，提高了支持向量机中权值的精度、训练效率、网络性能和网络的逼近能力；(2)将遗传算法中个体适应度、选择算子、交叉算子和变异算子分别计算后的种群均输入至融合层，不经可丰富样本的多样性，还可以加快遗传算法的收敛。附图说明图1为本专利技术的工作流程框图。具体实施方式实施例1如图1所示，本实施例提供的基于遗传算法和支持向量机的电力负荷预测算法包括如下步骤：(1)采集电力负荷数据并进行遗传编码形成初始化种群，并将初始化种群依次进行计算个体适应度、选择算子、交叉算子和变异算子；所述电力负荷数据为电力负荷值，电力负荷值为历史采集数据，对采集大量的电力负荷数据进行归一化处理，可提高电力负荷数据的精度，将归一化处理后的数据按照实数编码遗传算法进行遗传编码，将空间各维上的实数增量组成基因串，可提高后代的质量及精度，尤其是在交叉算子和变异算子中个体转移方向与优化对象的符合程度。(2)设置融合层的最大遗传代数i为100，并将个体适应度、选择算子、交叉算子和变异算子分别计算后的种群均输入至融合层；可增加种群的丰富度，即样本的多样性，以及加快遗传算法的收敛。(3)将融合层满足迭代要求的种群输入支持向量机，经过支持向量机的训练和学习实现对电力负荷的预测。支持向量机对电力负荷数据采用v-SVR模型进行电力负荷异常检测；选取合适的电力负荷值作为参考点，然后利用v-SVR对数据进行离线训练建模，以便更好地为在线应用提供模型支持。具体地，基于v-SVR来进行数据的离散训练，引入非负参数v可以控制模型的误差，并且可以通过求解合适的v来优化训练模型，提高精确度。基于SVM的问题就是找到一组符合某一概率分布的训练数据{(xi,yi),i＝1,2,···,l}的输入空间到输出空间的映射f:R→Rn,使得y＝f(x)，则可以求解回归函数：f(x)＝w·φ(xi)+b使其对训练数据点(xi,yi)进行拟合。由于数据的概率分布是未知的，因此考虑最小化其中|yi-f(xi)|ε为线性ε不敏感损失函数，其约束关系为由于参数ε需要根据经验来确定，所以可以通过引入参数v和松弛因子ξi,来进行模型的优化改进，并且利用结构化风险最小将最小化问题转换为最优问题f(x)-yi≤ε+ξi考虑KKT边界，采用优化算法将v-SVR转换为下面对偶问题其中αi,为拉格朗日因子，且(4)的约束条件为通过求解α的值，可以将回归函数变为如下形式其中K(xi,x)为核函数，b可以通过KKT边界条件得到，由于血压波形呈高斯分布，故本专利技术中选择径向基函数(RBF)来进行v-SVR预测，能够达到最佳的拟合效果。回归模型主要分为两个部分：(1)搜索v-SVR模型最佳参数(对应某段信号)：S1：信号归一化，对信号进行归一化预处理，使信号对应点幅值位于0～1之间(为了符合v-SVR的输入，使模型快速收敛)。S2：回归模型参数寻优，使用网格搜索寻找某段信号对应的最优v-SVR模型参数(寻优参数包括v，C，γ)，得到最优参数下的回归模型。(2)最优信号的获取：同一段信号作为输入，在最优v-SVR模型下，得到预测(回归)结果，对信号进行反归一化处理，恢复原坐标系下的幅值。以上所述仅是本专利技术优选的实施方式，但本专利技术的保护范围并不局限于此，任何基于本专利技术所提供的技术方案和专利技术构思进行的改造和替换都应涵盖在本专利技术的保护范围内。本文档来自技高网...

【技术保护点】
1.基于遗传算法和支持向量机的电力负荷预测算法，其特征在于包括如下步骤：/n(1)采集电力负荷数据并进行遗传编码形成初始化种群，并将初始化种群依次进行计算个体适应度、选择算子、交叉算子和变异算子；/n(2)设置融合层的最大遗传代数i为100，并将个体适应度、选择算子、交叉算子和变异算子分别计算后的种群均输入至融合层；/n(3)将融合层满足迭代要求的种群输入支持向量机，经过支持向量机的训练和学习实现对电力负荷的预测。/n

【技术特征摘要】
1.基于遗传算法和支持向量机的电力负荷预测算法，其特征在于包括如下步骤：
(1)采集电力负荷数据并进行遗传编码形成初始化种群，并将初始化种群依次进行计算个体适应度、选择算子、交叉算子和变异算子；
(2)设置融合层的最大遗传代数i为100，并将个体适应度、选择算子、交叉算子和变异算子分别计算后的种群均输入至融合层；
(3)将融合层满足迭代要求的种群输入支持向量机，经过支持向量机的训练和学习实现对电力负荷的预测。


2.根据权利要求1所述的基于遗传算法和支持向量机的电力负荷预测算法，其特征在于：步骤(1)中...

【专利技术属性】
技术研发人员：张林，
申请(专利权)人：成都三六八建设工程有限公司，
类型：发明
国别省市：四川;51