本發(fā)明屬于暖通空調(diào)能耗建模領(lǐng)域,尤其涉及在地鐵站空調(diào)系統(tǒng)中應(yīng)用基于isoa-lssvm的地鐵站空調(diào)系統(tǒng)能耗預(yù)測(cè)方法,用于預(yù)測(cè)短時(shí)間段內(nèi)的能耗值。
背景技術(shù):
地鐵站通風(fēng)空調(diào)系統(tǒng)是整個(gè)地鐵系統(tǒng)的能耗大戶(hù),占比為30%-50%。因此,目前空調(diào)系統(tǒng)的運(yùn)行要在溫度、濕度等各項(xiàng)指標(biāo)達(dá)到控制要求的同時(shí)降低系統(tǒng)的運(yùn)行能耗。然而,由于空調(diào)系統(tǒng)中影響能耗的因素眾多,并且各因素之間的關(guān)系復(fù)雜,系統(tǒng)呈現(xiàn)大滯后性,能耗模型很難建立準(zhǔn)確,因此對(duì)地鐵站空調(diào)系統(tǒng),建立出精確的能耗預(yù)測(cè)模型是節(jié)能運(yùn)行和優(yōu)化控制的基礎(chǔ)和前提。
目前對(duì)于空調(diào)能耗常用的預(yù)測(cè)算法有時(shí)間序列算法、人工神經(jīng)網(wǎng)絡(luò)和支持向量回歸機(jī)算法等。比如,何厚建等利用神經(jīng)網(wǎng)絡(luò)方法辨識(shí)中央空調(diào)系統(tǒng)的靜態(tài)模型。趙廷法等人用回歸的方法對(duì)vav中央空調(diào)建能耗模型;ioan等人利用最小二乘回歸的方法,建立控制變量(冷卻水溫度、室內(nèi)溫度)和非控制變量(太陽(yáng)熱輻射、室外溫度)跟能耗的表達(dá)式。hyun等人利用改進(jìn)的實(shí)數(shù)編碼的遺傳算法(ga)算法優(yōu)化的最小二乘支持向量機(jī)(lssvm)對(duì)建筑的能耗進(jìn)行預(yù)測(cè),但是計(jì)算速度偏慢。以上的研究雖然都取得了一定的成果,但是大多針對(duì)中央空調(diào)的研究,而地鐵站空調(diào)系統(tǒng)有其獨(dú)有的特點(diǎn),因此迫切需要對(duì)地鐵站空調(diào)系統(tǒng)的能耗模型研究。
lssvm算法相對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō),需要確定的參數(shù)較少,模型的泛化能力強(qiáng),不宜陷入局部最小值。近些年一些智能優(yōu)化算法應(yīng)用到lssvm中,為了解決傳統(tǒng)lssvm中的網(wǎng)格搜索算法速度慢的問(wèn)題,其中人群搜索算法是相對(duì)較優(yōu)的一種新型智能算法,但是其在迭代計(jì)算過(guò)程中還是會(huì)存在一定的改進(jìn)空間,使得計(jì)算速度更快,因此建立一種基于isoa-lssvm算法并考慮地鐵的獨(dú)有特性建立的能耗預(yù)測(cè)模型,對(duì)研究地鐵站空調(diào)系統(tǒng)的節(jié)能優(yōu)化控制的理論研究具有重要的意義。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明針對(duì)地鐵站空調(diào)系統(tǒng)的多變量耦合、大滯后性和能耗模型難以建立的問(wèn)題,提出一種基于isoa-lssvm的地鐵站空調(diào)系統(tǒng)能耗預(yù)測(cè)方法,解決了傳統(tǒng)網(wǎng)格搜索lssvm的計(jì)算量大問(wèn)題,提高了模型的預(yù)測(cè)速度和精度。
為實(shí)現(xiàn)上述目的,本發(fā)明采用如下的技術(shù)方案
一種基于isoa-lssvm的地鐵站空調(diào)系統(tǒng)能耗預(yù)測(cè)方法包含以下步驟:
步驟(1):獲取訓(xùn)練數(shù)據(jù)
采集地鐵站空調(diào)系統(tǒng)運(yùn)行中實(shí)時(shí)測(cè)得的能耗相關(guān)變量和下一時(shí)段的能耗變量形成訓(xùn)練數(shù)據(jù),數(shù)據(jù)采樣表示形式如下:
x=(x1,x2,...,xn)(1)
y=(y1)(2)
其中,x1,x2,...,xn表示系統(tǒng)運(yùn)行過(guò)程中在線(xiàn)可實(shí)時(shí)測(cè)量的n個(gè)測(cè)量變量,包括當(dāng)前的時(shí)刻、送風(fēng)溫度設(shè)定值、回風(fēng)溫度設(shè)定值、冷機(jī)出水溫度、室外溫度,當(dāng)前時(shí)刻的送風(fēng)溫度、回風(fēng)溫度、當(dāng)前一個(gè)確定時(shí)段的能耗;y1表示空調(diào)系統(tǒng)運(yùn)行過(guò)程中下一時(shí)段所測(cè)量的能耗變量,經(jīng)過(guò)多次采樣形成建模數(shù)據(jù)集d={(xjn,yj)},j=1,2,l,p,其中p表示樣本個(gè)數(shù);n表示模型輸入變量的維數(shù);
步驟(2):歸一標(biāo)準(zhǔn)化處理
將采集的輸入數(shù)據(jù)集xpn和輸出數(shù)據(jù)集yp進(jìn)行歸一化,處理后的數(shù)據(jù)為xg,pn=(xg1,xg2,...,xgn)和yg,p=(yg);
式(3)-(4)中,xi,min和xi,max分別為x中xi的最小最大值,ymin和ymax分別為y中y1的最小最大值,xgi、xi、yg為p維列向量,i=1,2,…,n。
步驟(3):初始化人群搜索算法soa和最小二乘支持向量機(jī)lssvm的參數(shù);
步驟(4):根據(jù)上一步確定的種群尋優(yōu)范圍,隨機(jī)產(chǎn)生soa中的初始種群swarm(i,:)=[γi,σi],i=1,2,l,s,根據(jù)式(5)-(7),每一個(gè)種群對(duì)應(yīng)一個(gè)lssvm模型,因此建立s個(gè)初始的lssvm模型,每個(gè)模型建立方法如下:
式(5)-(7)中,xg,j*n為第j個(gè)樣本的輸入向量,xg,n*為建模輸入數(shù)據(jù)集中每個(gè)測(cè)量點(diǎn)的均值組成的行向量,k(xg,j*n,xg,n*)為高斯核函數(shù),σ為高斯核參數(shù),γ為正則化參數(shù),aj為lssvm中的拉格朗日乘子,a=[a1,a2,l,ap]t,b為一個(gè)偏置數(shù),y=[yg,1,yg,2,l,yg,p]t,1p*1=[1,1,l,1]t為p維列向量,i為p×p的單位矩陣,
計(jì)算每一個(gè)模型的適應(yīng)度值,適應(yīng)度值由模型預(yù)測(cè)的平均相對(duì)誤差來(lái)計(jì)算,計(jì)算公式為式(8):
式中,yg,j為第j個(gè)樣本值;
步驟(5):利用改進(jìn)的人群搜索算法isoa進(jìn)行迭代尋優(yōu),建立新的lssvm預(yù)測(cè)模型,
步驟(6):在線(xiàn)測(cè)量和處理數(shù)據(jù),具體步驟為:
步驟(6.1):在線(xiàn)采集新的測(cè)量數(shù)據(jù)xnew,其數(shù)據(jù)格式與公式(1)中的x相同;
步驟(6.2):將采集到的新數(shù)據(jù)xnew按照公式(3)進(jìn)行標(biāo)準(zhǔn)化得到xgnew;
步驟(7):將xgnew輸入到已建立好的lssvm模型中,得到預(yù)測(cè)輸出ygnew;
步驟(8):將ygnew進(jìn)行逆標(biāo)準(zhǔn)化,得到預(yù)測(cè)值ynew,逆標(biāo)準(zhǔn)化的具體公式為式(19):
ynew=y(tǒng)min+ygnew·(ymax-ymin)(19)
步驟(9):若預(yù)測(cè)過(guò)程還需繼續(xù),則重復(fù)步驟(6)至(8)。
作為優(yōu)選,步驟(5)為:令迭代次數(shù)t=1,具體步驟為:
步驟(5.1):判斷迭代的條件,如果終止條件滿(mǎn)足的話(huà),輸出尋優(yōu)結(jié)果,進(jìn)入步驟(5.7);否則進(jìn)入下一步(5.2),設(shè)置終止迭代條件為:迭代次數(shù)達(dá)到最大,或者全局最優(yōu)適應(yīng)度值小于確定的最小適應(yīng)度值。
步驟(5.2):確定搜索方向,為了使新一代在進(jìn)化中的位置更新,需要確定三個(gè)搜索方向,根據(jù)個(gè)體最佳和全局最佳確定出利己方向
預(yù)動(dòng)方向采用個(gè)體最優(yōu)適應(yīng)度值和當(dāng)前個(gè)體的適應(yīng)度值比較得出,可以很好的代表當(dāng)前個(gè)體的預(yù)動(dòng)行為,同時(shí)減小了計(jì)算量,提高了計(jì)算速度,
綜合以上3個(gè)因素,采用3個(gè)方向隨機(jī)加權(quán)幾何平均確定搜索方向
式(9)-(13)中
步驟(5.3):確定搜索步長(zhǎng)
相比于線(xiàn)性隸屬函數(shù)來(lái)說(shuō),采用如下式(14、15)的高斯隸屬函數(shù)表示搜索步長(zhǎng)的模糊變量可以很好的將第i個(gè)搜尋個(gè)體的適應(yīng)度值非線(xiàn)性的模糊到[0.0111,0.95]之間,避免了由線(xiàn)性隸屬函數(shù)模糊的步長(zhǎng)不準(zhǔn)確性,可以快速收斂,并且可以減小計(jì)算量。
ui=exp(-(fitness(i)-minfit)/2δij2)(14)
uij=ui+rand·(1-ui),j=1,l,d(15)
其中,ui為第i個(gè)搜尋個(gè)體的步長(zhǎng)模糊變量;fitness(i)為第i個(gè)搜尋個(gè)體的適應(yīng)度值;minfit為目標(biāo)最小適應(yīng)度值;uij為由不確定性推理得出的第i個(gè)搜尋個(gè)體的第j維步長(zhǎng)的模糊變量隸屬度;d為搜尋個(gè)體的維數(shù);
因此步長(zhǎng)計(jì)算公式如下式(17):
式(16)和(17)中,αij為計(jì)算的搜索步長(zhǎng);
步驟(5.4):位置更新
在確定出的搜索方向和步長(zhǎng)后,即可對(duì)每一個(gè)搜尋個(gè)體進(jìn)行位置更新,公式如下式(18):
其中,δxij(t+1)為第t+1次搜尋個(gè)體相對(duì)于第t次的位置增量,xij(t+1)為搜尋個(gè)體的第t+1次位置,xij(t)為搜尋個(gè)體的第t次位置,αij(t)為搜索步長(zhǎng),dij(t)為搜索方向。
步驟(5.5):由式(5)-(7)更新lssvm模型,由式(8)計(jì)算適應(yīng)度值,通過(guò)比較,進(jìn)行個(gè)體最優(yōu)更新和群體最優(yōu)更新。
步驟(5.6):令t=t+1,返回步驟(5.1)。
步驟(5.7):根據(jù)尋優(yōu)結(jié)果,建立新的lssvm預(yù)測(cè)模型,迭代結(jié)束。
作為優(yōu)選,所述人群搜索算法的參數(shù)包括:種群規(guī)模s,最大迭代次數(shù)itermax,最小適應(yīng)度值minfit,初始的利己方向
本發(fā)明的基于isoa-lssvm的地鐵站空調(diào)系統(tǒng)能耗預(yù)測(cè)方法,針對(duì)地鐵站空調(diào)系統(tǒng)的多變量耦合、大滯后性和能耗模型難以建立的問(wèn)題,使地鐵站空調(diào)系統(tǒng)可提前調(diào)節(jié)被控參數(shù),建立一種短時(shí)能耗預(yù)測(cè)模型是非常有必要的。具體步驟包括:獲取訓(xùn)練數(shù)據(jù),將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,利用改進(jìn)的人群搜索算法對(duì)最小二乘支持向量機(jī)進(jìn)行參數(shù)尋優(yōu),建立預(yù)測(cè)模型;采集實(shí)時(shí)測(cè)量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,輸入到預(yù)測(cè)模型進(jìn)行預(yù)測(cè),最后逆標(biāo)準(zhǔn)化輸出預(yù)測(cè)能耗值。本發(fā)明實(shí)現(xiàn)了isoa-lssvm的地鐵站空調(diào)系統(tǒng)能耗預(yù)測(cè)方法,其中改進(jìn)的人群搜索算法采用高斯隸屬函數(shù)表示搜索步長(zhǎng)的模糊變量,減少了迭代次數(shù),增加了模型預(yù)測(cè)精度;預(yù)動(dòng)方向采用個(gè)體最優(yōu)適應(yīng)度值和當(dāng)前個(gè)體的適應(yīng)度值比較得出,可以很好的代表當(dāng)前個(gè)體的預(yù)動(dòng)行為,同時(shí)提高了迭代速度。對(duì)實(shí)現(xiàn)地鐵站空調(diào)系統(tǒng)的優(yōu)化控制有重要意義。
有益效果
與其他現(xiàn)有技術(shù)相比,本發(fā)明實(shí)現(xiàn)了isoa-lssvm的地鐵站空調(diào)系統(tǒng)能耗預(yù)測(cè)方法,其中改進(jìn)的人群搜索算法采用高斯隸屬函數(shù)表示搜索步長(zhǎng)的模糊變量,減少了迭代次數(shù),增加了模型預(yù)測(cè)精度;預(yù)動(dòng)方向采用個(gè)體最優(yōu)適應(yīng)度值和當(dāng)前個(gè)體的適應(yīng)度值比較得出,可以很好的代表當(dāng)前個(gè)體的預(yù)動(dòng)行為,同時(shí)提高了迭代速度。
附圖說(shuō)明
圖1本發(fā)明地鐵站空調(diào)系統(tǒng)能耗預(yù)測(cè)方法流程圖。
具體實(shí)施方式
結(jié)合本發(fā)明的內(nèi)容提供如下實(shí)施例:
由于影響空調(diào)系統(tǒng)能耗的因素眾多,并且各因素之間關(guān)系復(fù)雜,系統(tǒng)呈現(xiàn)大滯后性,能耗模型很難建立準(zhǔn)確,因此對(duì)地鐵站空調(diào)系統(tǒng),建立出精確的能耗預(yù)測(cè)模型是節(jié)能運(yùn)行和優(yōu)化控制的基礎(chǔ)和前提。
本實(shí)驗(yàn)利用北京某高校地鐵實(shí)訓(xùn)平臺(tái)的實(shí)際數(shù)據(jù),驗(yàn)證本發(fā)明方法的準(zhǔn)確性。地鐵實(shí)訓(xùn)平臺(tái)由兩個(gè)子系統(tǒng)組成,分別為通風(fēng)系統(tǒng)和水系統(tǒng)。通風(fēng)系統(tǒng)的主要設(shè)備包括組合式空調(diào)機(jī)組兩臺(tái),組合式空調(diào)機(jī)組內(nèi)包含風(fēng)機(jī)1臺(tái),額定功率3kw,8排表冷器1個(gè),板式初效過(guò)濾器1個(gè),風(fēng)閥1個(gè)。水系統(tǒng)主要設(shè)備包括冷水機(jī)組2臺(tái),一用一備,額定功率8.81kw;冷凍水水泵3臺(tái),一用兩備,額定功率3kw;冷卻水水泵2臺(tái),一用一備,額定功率5kw;冷卻塔1臺(tái),額定功率1.5kw。系統(tǒng)的控制方式:風(fēng)系統(tǒng)采用變頻變風(fēng)量控制回風(fēng)溫度,即隨著站內(nèi)熱濕負(fù)荷的變化,通過(guò)變頻調(diào)節(jié)空氣處理機(jī)組(ahu)風(fēng)機(jī)的轉(zhuǎn)速改變送風(fēng)量;水系統(tǒng)采用冷凍水泵變頻變流量控制送風(fēng)溫度,以滿(mǎn)足站內(nèi)送風(fēng)溫度的要求。
試驗(yàn)過(guò)程中送風(fēng)溫度和回風(fēng)溫度的設(shè)定值采用排列組合的方式進(jìn)行交叉變化,同時(shí)實(shí)驗(yàn)過(guò)程中會(huì)監(jiān)控18個(gè)變量值,最后選出8個(gè)能耗相關(guān)變量最為建模數(shù)據(jù)的輸入,下一時(shí)間段的能耗值作為預(yù)測(cè)輸出,輸入與輸出之間相差的時(shí)間段由經(jīng)驗(yàn)取值為0.5h,具體的模型輸入變量為:當(dāng)前的時(shí)刻,送風(fēng)溫度設(shè)定值,回風(fēng)溫度設(shè)定值,冷機(jī)出水溫度,室外溫度,當(dāng)前時(shí)刻的送風(fēng)溫度、回風(fēng)溫度,和當(dāng)前0.5h內(nèi)的能耗值。實(shí)驗(yàn)收集數(shù)據(jù)為夏季兩個(gè)月的時(shí)間,組成樣本數(shù)為2910,將這些數(shù)據(jù)的5/6的數(shù)據(jù),即2425個(gè)樣本,作為建模數(shù)據(jù);1/6的數(shù)據(jù),即485個(gè)樣本,作為測(cè)試數(shù)據(jù)。
如圖1所示,本發(fā)明提供一種基于isoa-lssvm的地鐵站空調(diào)系統(tǒng)能耗預(yù)測(cè)方法,包括如下步驟:
步驟(1):獲取訓(xùn)練數(shù)據(jù)。
采集地鐵站空調(diào)系統(tǒng)運(yùn)行中實(shí)時(shí)測(cè)得的能耗相關(guān)變量和下一時(shí)段的能耗變量形成訓(xùn)練數(shù)據(jù),具體的一次數(shù)據(jù)采樣表示形式如下:
x=(x1,x2,...,x8)(1)
y=(y1)(2)
其中,x1,x2,...,x8分別表示當(dāng)前的時(shí)刻、送風(fēng)溫度設(shè)定值、回風(fēng)溫度設(shè)定值、冷機(jī)出水溫度、室外溫度、當(dāng)前時(shí)刻的送風(fēng)溫度、回風(fēng)溫度,和當(dāng)前0.5h的能耗;y1表示空調(diào)系統(tǒng)下0.5h時(shí)段所測(cè)量的能耗變量。
步驟(2):歸一標(biāo)準(zhǔn)化處理。將采集的輸入數(shù)據(jù)集xpn和輸出數(shù)據(jù)集yp進(jìn)行歸一化,處理后的數(shù)據(jù)為xg,pn=(xg1,xg2,...,xgn)和yg,p=(yg);
式(3)-(4)中,xi,min和xi,max分別為x中xi的最小最大值,ymin和ymax分別為y中y1的最小最大值,xgi、xi、yg為p維列向量,i=1,2,…,n。
步驟(3):初始化人群搜索算法soa和最小二乘支持向量機(jī)lssvm的參數(shù)。人群搜索算法的參數(shù)包括:種群規(guī)模s=20,最大迭代次數(shù)tmax=80,最小適應(yīng)度值minfit=0.0085,初始的利己方向
步驟(4):根據(jù)種群尋優(yōu)范圍,隨機(jī)產(chǎn)生初始種群swarm(i,:)=[γi,σi],i=1,2,l,20,根據(jù)式(5)-(7),每一個(gè)種群對(duì)應(yīng)一個(gè)初始lssvm模型,因此建立s個(gè)初始的lssvm模型,每個(gè)模型建立方法如下:
式(5)-(7)中,xg,j*n為第j個(gè)樣本的輸入向量,xg,n*為建模輸入數(shù)據(jù)集中每個(gè)測(cè)量點(diǎn)的均值組成的行向量,k(xg,j*n,xg,n*)為高斯核函數(shù),σ為高斯核參數(shù),γ為正則化參數(shù),aj為lssvm中的拉格朗日乘子,a=[a1,a2,l,a2425]t,b偏置數(shù),y=[yg,1,yg,2,l,yg,2425]t,1p*1=[1,1,l,1]t為p維列向量,i為2425×2425的單位矩陣。
計(jì)算每一個(gè)模型的適應(yīng)度值,計(jì)算公式為式(8):
式中,yg,j為第j個(gè)樣本值;
步驟(5):利用改進(jìn)的人群搜索算法isoa進(jìn)行迭代尋優(yōu),令迭代次數(shù)t=1,具體步驟為:
步驟(5.1):判斷迭代的條件,如果終止條件滿(mǎn)足的話(huà),輸出尋優(yōu)結(jié)果,進(jìn)入步驟(5.7);否則進(jìn)入下一步(5.2)。設(shè)置終止迭代條件為:迭代次數(shù)達(dá)到最大,或者全局最優(yōu)適應(yīng)度值小于確定的最小適應(yīng)度值。
步驟(5.2):確定搜索方向。為了使新一代在進(jìn)化中的位置更新,需要確定三個(gè)搜索方向。根據(jù)個(gè)體最佳和全局最佳確定出利己方向
預(yù)動(dòng)方向采用個(gè)體最優(yōu)適應(yīng)度值和當(dāng)前個(gè)體的適應(yīng)度值比較得出,可以很好的代表當(dāng)前個(gè)體的預(yù)動(dòng)行為,同時(shí)減小了計(jì)算量,提高了計(jì)算速度。
綜合以上3個(gè)因素,采用3個(gè)方向隨機(jī)加權(quán)幾何平均確定搜索方向
式(9)-(13)中
步驟(5.3):確定搜索步長(zhǎng)。
采用如下式(11)的高斯隸屬函數(shù)表示搜索步長(zhǎng)的模糊變量將第i個(gè)搜尋個(gè)體的適應(yīng)度值非線(xiàn)性的模糊到[0.0111,0.95]之間。
ui=exp(-(fitness(i)-minfit)/2δij2)(14)
uij=ui+rand·(1-ui),j=1,l,d(15)
其中,i=1,2,l,20;ui為第i個(gè)搜尋個(gè)體的步長(zhǎng)模糊變量;fitness(i)為第i個(gè)搜尋個(gè)體的適應(yīng)度值;uij為由不確定性推理得出的第i個(gè)搜尋個(gè)體的第j維步長(zhǎng)的模糊變量隸屬度;
因此步長(zhǎng)計(jì)算公式如下式(17):
式(15)和(16)中,αij為計(jì)算的搜索步長(zhǎng);
步驟(5.4):位置更新。在確定出的搜索方向和步長(zhǎng)后,即可對(duì)每一個(gè)搜尋個(gè)體進(jìn)行位置更新,公式如下式(18):
其中,δxij(t+1)為第t+1次搜尋個(gè)體相對(duì)于第t次的位置增量,xij(t+1)為搜尋個(gè)體的第t+1次位置,xij(t)為搜尋個(gè)體的第t次位置,αij(t)為搜索步長(zhǎng),dij(t)為搜索方向。
步驟(5.5):由式(5)-(7)更新lssvm模型,由式(8)計(jì)算適應(yīng)度值,通過(guò)比較,進(jìn)行個(gè)體最優(yōu)更新和群體最優(yōu)更新。
步驟(5.6):令t=t+1,返回步驟(5.1)。
步驟(5.7):根據(jù)尋優(yōu)結(jié)果,建立新的lssvm預(yù)測(cè)模型,迭代結(jié)束。
步驟(6):在線(xiàn)測(cè)量和處理數(shù)據(jù),具體步驟為:
步驟(6.1):在線(xiàn)采集新的測(cè)量數(shù)據(jù)xnew,其數(shù)據(jù)格式與公式(1)中的x相同;
步驟(6.2):將采集到的新數(shù)據(jù)xnew按照公式(3)進(jìn)行標(biāo)準(zhǔn)化得到xgnew。
步驟(7):將xgnew輸入到已建立好的lssvm模型中,得到預(yù)測(cè)輸出ygnew。
步驟(8):將ygnew進(jìn)行逆標(biāo)準(zhǔn)化,得到預(yù)測(cè)值ynew,逆標(biāo)準(zhǔn)化的具體公式為式(19):
ynew=y(tǒng)min+ygnew·(ymax-ymin)(19)
步驟(9):若預(yù)測(cè)過(guò)程還需繼續(xù),則重復(fù)步驟(6)至(8)。
按照以上步驟在計(jì)算機(jī)上用matlab程序?qū)崿F(xiàn),則所建立五種方法的模型預(yù)測(cè)平均相對(duì)誤差mape、均方根誤差mse、建模預(yù)測(cè)時(shí)間、收斂迭代次數(shù)和參數(shù)輸出值如表1所示,即本發(fā)明(isoa-lssvm)、使用高斯隸屬函數(shù)的soa優(yōu)化最小二乘支持向量機(jī)(gsoa-lssvm)、soa優(yōu)化最小二乘支持向量機(jī)(soa-lssvm)、粒子群優(yōu)化最小二乘支持向量機(jī)(pso-lssvm)和傳統(tǒng)的網(wǎng)格搜索優(yōu)化lssvm:
表1