技術(shù)特征：

1.一種基于相似日選擇及混沌粒子群算法優(yōu)化最小二乘支持向量機(jī)的大型工業(yè)企業(yè)專用母線負(fù)荷預(yù)測(cè)方法，其特征在于：在進(jìn)行母線負(fù)荷預(yù)測(cè)時(shí)，提供了對(duì)預(yù)測(cè)日的相似日的選擇方法和負(fù)荷數(shù)據(jù)前期預(yù)處理方法，在此基礎(chǔ)上建立負(fù)荷預(yù)測(cè)模型，進(jìn)行母線負(fù)荷預(yù)測(cè)；該方法包括如下步驟：

（1）建立母線負(fù)荷預(yù)測(cè)日的相似日選取模型

大型工業(yè)企業(yè)專用母線負(fù)荷具有種類多、分布不均、規(guī)律性弱等特點(diǎn)，且要求母線負(fù)荷預(yù)測(cè)及時(shí)性強(qiáng)，屬于短期負(fù)荷預(yù)測(cè)；為了進(jìn)行負(fù)荷預(yù)測(cè)，可通過選擇負(fù)荷預(yù)測(cè)日的相似日進(jìn)行研究，合理選擇相似日是提高母線負(fù)荷預(yù)測(cè)精度的有效途徑；本發(fā)明采用SOM自組織特征映射神經(jīng)網(wǎng)絡(luò)與模糊聚類法相結(jié)合，對(duì)母線歷史負(fù)荷數(shù)據(jù)進(jìn)行分類，實(shí)現(xiàn)相似日的選??；本發(fā)明建立母線負(fù)荷預(yù)測(cè)相似日選取模型的過程如下：

第1步：根據(jù)SOM網(wǎng)絡(luò)的基本結(jié)構(gòu)特點(diǎn)（如附圖1），它由輸出層（即競(jìng)爭(zhēng)層）和輸入層組成；輸入層由n個(gè)神經(jīng)元構(gòu)成，可輸入具有n維向量的樣本；輸出層是由a×b個(gè)神經(jīng)元組成的二維平面陣；所以，可將歷史數(shù)據(jù)中最高溫度、最低溫度、平均溫度、相對(duì)濕度、星期類型及負(fù)荷數(shù)據(jù)等負(fù)荷特征向量集合X=[x₁，x₂，x₃，…..，x_n]^T，作為輸入向量輸入SOM網(wǎng)絡(luò)；

第2步：在t=0時(shí)刻賦予隨機(jī)數(shù)給第j個(gè)輸出神經(jīng)元與第i個(gè)輸入神經(jīng)元之間的權(quán)值向量W_ij(0)；其中W_ij(t)= [w_1j，w_2j，w_3j，…..，w_nj]^T(i=1，2，3，……，n；j=1，2，a×b)，表示輸出層第j個(gè)神經(jīng)元分別與第i個(gè)輸入神經(jīng)元之間的連接權(quán)值；

第3步：按照式（1）計(jì)算第j個(gè)輸出神經(jīng)元與輸入樣本的歐式距離：

（1）

計(jì)算輸入樣本與所有輸出神經(jīng)元的距離后，確定滿足最小距離即d_l=min（d_j）的神經(jīng)元l；

第4步：若d_l<β（β為設(shè)定閥值）則進(jìn)行權(quán)值的學(xué)習(xí)；按式（2）修正神經(jīng)元權(quán)值向量，并執(zhí)行第5步；

（2）

式中：t表示時(shí)間，η(t)為學(xué)習(xí)速率，一般取：

（3）

若d_l>β則將將輸出神經(jīng)元修改為下一個(gè)輸出神經(jīng)元（j=j+1）并以該輸入樣本作為W_ij+1(t)的初始權(quán)值向量W_ij+1(0)，轉(zhuǎn)入第3步；

第5步：輸入下一個(gè)輸入樣本，重復(fù)第3-4步直至所有訓(xùn)練樣本訓(xùn)練完成；

第6步：得到初步的聚類數(shù)目c（其中c=a×b）和聚類中心M₁(0)，M₂(0)，…，M_c(0)；作為FCM聚類算法的輸入；

第7步：選擇模糊聚類算法的閾值ε，設(shè)置最大迭代次數(shù)t_max；對(duì)于輸入M_k(0)(k=1，2，...，c)和t=1，2，…，t_max；按公式（4）計(jì)算隸屬函數(shù)u_ij(t)；

（4）

其中K ( t )是一個(gè)可變的控制參數(shù)，可通過下式求得：

（5）

式中：K₀為事先設(shè)定的常數(shù)，有K₀>1；

第8步：利用隸屬函數(shù)u_ij(t)代替學(xué)習(xí)速率修改權(quán)值系數(shù)，即

（6）

式中：N_j(t)為t時(shí)刻輸出神經(jīng)元j的領(lǐng)域；直到才結(jié)束，否則轉(zhuǎn)至第7步；

第9步：輸出聚類信息，即獲得相似日信息；

（2）母線負(fù)荷歷史數(shù)據(jù)預(yù)處理

母線負(fù)荷數(shù)據(jù)在采集及傳輸過程中可能造成母線歷史負(fù)荷數(shù)據(jù)突變、錯(cuò)誤等而出現(xiàn)毛刺；為了有效提高負(fù)荷預(yù)測(cè)準(zhǔn)確性，利用小波去噪對(duì)母線負(fù)荷歷史數(shù)據(jù)樣本進(jìn)行預(yù)處理；對(duì)固定測(cè)試點(diǎn)的歷史負(fù)荷數(shù)據(jù)進(jìn)行小波去噪處理；分解小波選擇去噪效果較好的db4小波基，分解層數(shù)K設(shè)置為3；對(duì)小波分解后的高頻系數(shù)閥值進(jìn)行量化處理，并利用全局閾值去噪的方法確定閥值門限T，閥值門限計(jì)算公式為：

（7）

式中：σ為噪聲標(biāo)準(zhǔn)；D為信號(hào)的長(zhǎng)度；

噪聲標(biāo)準(zhǔn)σ可通過分解后小波高頻系數(shù)的絕對(duì)中值確定：

（8）

式中：cd為高頻序列cd[i](i=1，2….，K)的中值；

之后，對(duì)小波分解得到的第3層低頻序列和經(jīng)過去噪處理后的第1層到第3層高頻序列進(jìn)行小波重構(gòu)；

（3）建立利用混沌粒子群算法優(yōu)化的最小二乘支持向量機(jī)母線負(fù)荷預(yù)測(cè)模型

最小二乘支持向量機(jī)模型在建模過程中需確定懲罰參數(shù)γ和高斯核函數(shù)的覆蓋寬度δ；其中，懲罰參數(shù)γ是平衡因數(shù)，可根據(jù)樣本數(shù)據(jù)的特性來決定模型的復(fù)雜度和對(duì)擬合偏差的懲罰程度；δ反映了支持向量之間的關(guān)聯(lián)程度，δ小則支持向量間的聯(lián)系較松弛，學(xué)習(xí)機(jī)器相對(duì)復(fù)雜，推廣能力得不到保證；δ大則支持向量間的影響強(qiáng)，回歸模型難以達(dá)到足夠精度；在實(shí)際應(yīng)用中，γ和δ取值主要憑經(jīng)驗(yàn)設(shè)置，將影響預(yù)測(cè)精度；本發(fā)明針對(duì)標(biāo)準(zhǔn)粒子群算法易陷入局部最優(yōu)而出現(xiàn)早熟收斂的不足，引入混沌變量，采用混沌搜索機(jī)制，對(duì)標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)，并用于最小二乘支持向量機(jī)模型中懲罰參數(shù)γ和高斯核函數(shù)的覆蓋寬度δ的優(yōu)化；具體過程如下：

步驟1：初始化粒子種群和粒子速度；設(shè)置粒子種群數(shù)目q，最大迭代次數(shù)k_max，最大慣性權(quán)重系數(shù)w_max和最小慣性權(quán)重系數(shù)w_min，學(xué)習(xí)因子c₁和c₂，粒子維數(shù)C等參數(shù)；產(chǎn)生隨機(jī)粒子位置X_i=(x_i1，x_i2，x_i3，…，x_iC)^T和速度V_i=(V_i1，V_i2，V_i3，…，V_iC)^T；

步驟2：計(jì)算每個(gè)粒子的適應(yīng)度值，并更新個(gè)體極值P_i=(P_i1，P_i2，P_i3，…，P_iC)^T和種群極值P_g=(P_g1，P_g2，P_g3，…，P_gC)^T；

步驟3：利用公式（9）和公式（10）計(jì)算粒子的平均粒距D(t)和適應(yīng)度方差λ²，，判斷D(t) <α或λ²<β(α，β為閥值)，如果成立則說明粒子早熟，進(jìn)行混沌搜索，否則，執(zhí)行步驟5；

(9)

式中：L為搜索空間對(duì)角最大長(zhǎng)度；q為種群規(guī)模；P_id為第i個(gè)粒子位置的第d維坐標(biāo)值；為所有粒子位置的第d維坐標(biāo)值的均值；平均粒距D(t)越小，表示種群越集中；D(t)越大，表示種群越分散；

（10）

式中：λ²為適應(yīng)度方差；f_i為個(gè)體i的適應(yīng)度；為當(dāng)前種群的平均適應(yīng)度；f為歸一化定標(biāo)因子，用來限制λ²的大小，取值為：

（11）

步驟4：混沌搜索算法；隨機(jī)產(chǎn)生混沌變量Y₀，再利用公式（12）產(chǎn)生混沌迭代序列Y_h；利用公式（13）將其變換到優(yōu)化變量的取值區(qū)間，直到混沌迭代次數(shù)h>H(H為混沌搜索迭代次數(shù))，為最優(yōu)的可行解，利用此最優(yōu)解隨機(jī)取代一個(gè)粒子；

（12）

（13）

式中：C表示粒子維數(shù)；P_gd（d=1,2,…,C）表示粒子第d維的最優(yōu)位置； a_d，b_d為第d維變量的取值范圍；

步驟5：利用公式（14）和（15）更新粒子速度和位置；

（14）

(15)

其中d=1，2，…，C；i=1，2，…，q；k為當(dāng)前迭代次數(shù)；w為慣性權(quán)重系數(shù)； r₁和r₂是[0，l]之間的隨機(jī)數(shù)；

w較大時(shí)有利于跳出局部極小點(diǎn)，較小時(shí)有利于算法收斂和提高尋優(yōu)解的精度；

因此可以利用慣性權(quán)重系數(shù)線性遞減策略修正w取值，計(jì)算公式如下：

(16)

式中，w_max為最大慣性權(quán)重，一般取0.9；w_min為最小慣性權(quán)重，一般取0.4；k_max為設(shè)定的最大迭代次數(shù)；

步驟6：判斷收斂條件；若滿足收斂條件，則執(zhí)行步驟7；否則，轉(zhuǎn)至步驟2；

步驟7：進(jìn)化過程結(jié)束，返回全局最優(yōu)解；

步驟8：將混沌粒子群算法所返回的全局最優(yōu)值賦予最小二乘支持向量機(jī)的懲罰系數(shù)和高斯核函數(shù)的覆蓋寬度，優(yōu)化最小二乘支持向量機(jī)模型。

2.按權(quán)利要求1所述的母線負(fù)荷預(yù)測(cè)相似日選取模型，其特征在于SOM網(wǎng)絡(luò)不需要先驗(yàn)知識(shí)和學(xué)習(xí)過程的監(jiān)督，能自動(dòng)找出樣本之間的近似程度，從而實(shí)現(xiàn)對(duì)樣本數(shù)據(jù)的分類；但SOM神經(jīng)網(wǎng)絡(luò)不能提供分類后精確的聚類信息，所以，將模糊聚類法與SOM網(wǎng)絡(luò)結(jié)合能準(zhǔn)確提取同類負(fù)荷的共同本質(zhì)特征，提高分類效果。

3.按權(quán)利要求1所述的利用混沌粒子群算法優(yōu)化的最小二乘支持向量機(jī)母線負(fù)荷預(yù)測(cè)模型，其特征在于克服了標(biāo)準(zhǔn)粒子群算法的搜索極易陷于局部最優(yōu)，粒子陷入早熟的缺點(diǎn)；并利用混沌搜索，引導(dǎo)粒子快速跳出局部最優(yōu)，加快收斂速度；

利用混沌的遍歷性實(shí)現(xiàn)粒子的全局搜索，找到粒子全局最優(yōu)解；得到的最優(yōu)解即可用于優(yōu)化最小二乘支持向量機(jī)中的懲罰參數(shù)和高斯核函數(shù)覆蓋寬度，提高最小二乘支持向量機(jī)的預(yù)測(cè)精度。