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；為第j個(gè)樣本的模型輸出值，由預(yù)測(cè)模型計(jì)算獲得，適應(yīng)度函數(shù)f就是lssvm中正則化參數(shù)γ和核參數(shù)σ的函數(shù)，最后，通過(guò)比較得出個(gè)體最優(yōu)和群體最優(yōu)，

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利他方向和預(yù)動(dòng)方向計(jì)算如下式(9)-(11)：

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如下式(12)：

式(9)-(13)中為第t次迭代中第i個(gè)搜尋個(gè)體的位置；為第i個(gè)搜尋個(gè)體到目前為止經(jīng)歷過(guò)的最佳位置；為第i個(gè)搜尋個(gè)體所在領(lǐng)域的集體歷史最佳位置；fpi,best為位置的適應(yīng)度值；為位置的適應(yīng)度值；sign()為符號(hào)函數(shù)；和為[0,1]內(nèi)符合均勻分布的隨機(jī)常數(shù)；ω為慣性權(quán)值，隨進(jìn)化代數(shù)的增加從最大權(quán)值wmax＝0.9線(xiàn)性遞減至最小權(quán)值wmin＝0.1；t和tmax分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù)；為第t次迭代中第i個(gè)搜尋個(gè)體的第j維搜索方向，其中dij(t)＝1表示搜尋個(gè)體i沿著j維坐標(biāo)的正方向前進(jìn)；dij(t)＝-1表示搜尋個(gè)體i沿著j維坐標(biāo)的反方向前進(jìn)；dij(t)＝0表示搜尋個(gè)體i在第j維保持靜止不動(dòng)。

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)；為高斯隸屬函數(shù)參數(shù)，如下式(16):

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)；和分別為同一種群中的最小和最大適應(yīng)度值的位置；ω為慣性權(quán)值，范圍為[0.1,0.9]。

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，初始的利己方向利他方向和預(yù)動(dòng)方向初始的搜索方向搜索步長(zhǎng)αij、高斯隸屬參數(shù)δij；最小二乘支持向量機(jī)需要初始的參數(shù)包括：正則化參數(shù)γ和核參數(shù)σ的尋優(yōu)范圍分別為[γmin,γmax]和[σmin,σmax]。

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，初始的利己方向利他方向和預(yù)動(dòng)方向初始的搜索方向搜索步長(zhǎng)αij＝0、高斯隸屬參數(shù)δij＝0。最小二乘支持向量機(jī)需要初始的參數(shù)包括：正則化參數(shù)γ和核參數(shù)σ的尋優(yōu)范圍分別為[0.1,10⁶]和[0.1,10]；

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；為第j個(gè)樣本的模型輸出值，由預(yù)測(cè)模型計(jì)算獲得。因此，適應(yīng)度函數(shù)f就是lssvm中正則化參數(shù)γ和核參數(shù)σ的函數(shù)。最后，通過(guò)比較得出個(gè)體最優(yōu)和群體最優(yōu)。

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利他方向和預(yù)動(dòng)方向計(jì)算如下式(9)-(11)：

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如下式(12)：

式(9)-(13)中為第t次迭代中第i個(gè)搜尋個(gè)體的位置；為第i個(gè)搜尋個(gè)體到目前為止經(jīng)歷過(guò)的最佳位置；為第i個(gè)搜尋個(gè)體所在領(lǐng)域的集體歷史最佳位置；為位置的適應(yīng)度值；為位置的適應(yīng)度值；sign()為符號(hào)函數(shù)；和為[0,1]內(nèi)符合均勻分布的隨機(jī)常數(shù)；ω為慣性權(quán)值，隨進(jìn)化代數(shù)的增加從最大權(quán)值wmax＝0.9線(xiàn)性遞減至最小權(quán)值wmin＝0.1；t和tmax分別為當(dāng)前迭代次數(shù)和最大迭代次數(shù)；為第t次迭代中第i個(gè)搜尋個(gè)體的第j維搜索方向，其中

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；為高斯隸屬函數(shù)參數(shù)，如下式(16):

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)；和分別為同一種群中的最小和最大適應(yīng)度值的位置；ω為慣性權(quán)值，范圍為[0.1,0.9]。

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