亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        改進(jìn)粒子群算法優(yōu)化支持向量機(jī)的短期負(fù)荷預(yù)測(cè)

        2021-05-13 08:36:26靳孟宇馬士豪
        測(cè)控技術(shù) 2021年4期
        關(guān)鍵詞:種群向量粒子

        李 杰, 靳孟宇, 馬士豪

        (河北工業(yè)大學(xué) 經(jīng)濟(jì)管理學(xué)院,天津 300401)

        短期電力負(fù)荷預(yù)測(cè)研究作為電力系統(tǒng)穩(wěn)定運(yùn)行的重要組成部分之一,為市場(chǎng)環(huán)境提供了高效、經(jīng)濟(jì)的發(fā)電計(jì)劃和交易計(jì)劃,對(duì)電力系統(tǒng)的可靠和經(jīng)濟(jì)運(yùn)行意義重大[1]。短期電力負(fù)荷預(yù)測(cè)主要是指對(duì)未來(lái)7~30天內(nèi)電力負(fù)荷數(shù)據(jù)進(jìn)行預(yù)測(cè),常用于大型發(fā)電機(jī)設(shè)備的優(yōu)化調(diào)整和電力市場(chǎng)潮流方向的控制[2]。準(zhǔn)確無(wú)誤的電力負(fù)荷預(yù)測(cè)能夠有效保障電力電網(wǎng)系統(tǒng)的健康高效運(yùn)行,對(duì)增強(qiáng)電網(wǎng)運(yùn)營(yíng)效率、提升供電企業(yè)市場(chǎng)競(jìng)爭(zhēng)力具有重要意義。

        傳統(tǒng)預(yù)測(cè)方法主要包括時(shí)間序列預(yù)測(cè)、專家預(yù)測(cè)系統(tǒng)和灰色模型等[3-4]。現(xiàn)代預(yù)測(cè)方法主要包括神經(jīng)網(wǎng)絡(luò)、小波分析、支持向量回歸機(jī)[5]、粒子群算法[6]、極限學(xué)習(xí)機(jī)[7]等。由于電力負(fù)荷數(shù)據(jù)是非線性的,故傳統(tǒng)方法已不再適用。支持向量回歸(Support Vector Regression,SVR)能通過(guò)核函數(shù)將非線性數(shù)據(jù)映射到高維空間使數(shù)據(jù)變得線性可分,并采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則解決小樣本數(shù)據(jù),預(yù)測(cè)效果較好。其中,核函數(shù)參數(shù)對(duì)SVR的預(yù)測(cè)效果具有重要影響。粒子群優(yōu)化(Particle Swarm Optimization,PSO)在SVR核參數(shù)選取中應(yīng)用廣泛,但是大部分改進(jìn)還略有不足。

        針對(duì)SVR參數(shù)選擇的問(wèn)題,筆者提出一種改進(jìn)的混沌自適應(yīng)粒子群優(yōu)化(Chaotic Adaptive Strategy Particle Swarm Optimization,CASPSO)算法進(jìn)行SVR參數(shù)選取,提高算法預(yù)測(cè)效果。針對(duì)算法存在的早熟收斂,容易陷入局部最小值等問(wèn)題,用混沌映射方法保證種群粒子遍歷整個(gè)種群空間。針對(duì)種群尋優(yōu)過(guò)程中算法停滯問(wèn)題,引入自適應(yīng)策略,根據(jù)聚合度進(jìn)行概率判斷,檢查產(chǎn)生的隨機(jī)數(shù)是否滿足混沌搜索條件。在考慮各種實(shí)際影響因素的基礎(chǔ)上,將CASPSO算法應(yīng)用于短期電力負(fù)荷預(yù)測(cè)建模,對(duì)SVR的學(xué)習(xí)參數(shù)在線優(yōu)化,并與最常用的標(biāo)準(zhǔn)PSO方法進(jìn)行對(duì)比。結(jié)果表明,CASPSO算法優(yōu)化了SVR結(jié)構(gòu),改善了預(yù)測(cè)效果。

        1 粒子群優(yōu)化(PSO)算法

        1.1 標(biāo)準(zhǔn)粒子群優(yōu)化(PSO)算法

        粒子群優(yōu)化算法是經(jīng)典的智能優(yōu)化算法,描述如下[7]:設(shè)種群規(guī)模為n,搜索維數(shù)為m,第i個(gè)粒子位置為xi=(xi1,xi2,…,xiD),速度為vi=(vi1,vi2,…,viD),粒子最優(yōu)位置pbesti=(pbesti1,pbesti2,…,pbestiD),種群粒子最優(yōu)位置gbest=(gbest1,gbest2,…,gbestD)。粒子速度和粒子位置更新方式如下:

        (1)

        (2)

        ω=ωmax-t×(ωmax-ωmin)/M

        (3)

        式中,c1和c2為學(xué)習(xí)因子,通常選取c1=c2=2[8];r1和r2都是[0,1]上Logistic混沌映射的隨機(jī)數(shù);ω為慣性權(quán)重系數(shù),ωmax和ωmin分別為上下限,通常選取為0.8和0.3;t為第t代;M為迭代總次數(shù)。本文選用常用的線性遞減慣性權(quán)重公式,同時(shí)用均方誤差(Mean Square Error,MSE)評(píng)價(jià)粒子群適應(yīng)度:

        (4)

        1.2 混沌初始化策略

        粒子群隨機(jī)初始化方法雖然在一定程度上能保證初始種群分布均勻,但是它無(wú)法讓全部種群在解空間中均勻分布,部分群體可能會(huì)偏離最優(yōu)解,影響算法收斂速度,降低種群的多樣性。Logistic算法可以利用混沌運(yùn)動(dòng)的隨機(jī)性、遍歷性和初值敏感性來(lái)提高隨機(jī)優(yōu)化算法的效率[9]。本文將Logistic 映射方程(式(5))加入CASPSO算法中,提高種群的多樣性和粒子搜索的遍歷性,使算法能夠更好地尋優(yōu)。

        Zn+1=uzn(1-zn),n=0,1,2,…N

        (5)

        式中,u為參數(shù),u∈(0,4];zn為第n個(gè)變量,zn∈[0,1]。u=4時(shí),系統(tǒng)為混沌狀態(tài),混沌空間是[0,1]。

        1.3 混沌自適應(yīng)粒子群優(yōu)化算法(CASPSO)

        由于種群粒子的空間位置能夠通過(guò)適應(yīng)度函數(shù)值體現(xiàn),因此種群中全體粒子的適應(yīng)度變化值可以反映粒子的聚合度和收斂程度[10]。為防止種群過(guò)早收斂,引入自適應(yīng)判斷策略,實(shí)現(xiàn)混沌搜索。

        首先,根據(jù)粒子群適應(yīng)值計(jì)算聚合度,計(jì)算公式為

        (6)

        (7)

        式中,a取值大小為[2,4]。

        最后,根據(jù)式(8)進(jìn)行混沌操作:

        (8)

        式中,Zij為混沌變量。

        CASPSO流程如下。

        ① 根據(jù)式(4)進(jìn)行粒子群混沌初始化,得到粒子全局最優(yōu)與個(gè)體最優(yōu),確定粒子速度和位置并限定粒子的位置和速度范圍。

        ② 計(jì)算CASPSO各粒子的適應(yīng)度MSE。若當(dāng)前粒子的MSE值優(yōu)于個(gè)體最優(yōu)位置,則把當(dāng)前粒子位置賦給自身的最優(yōu)位置pbest;若當(dāng)前種群粒子的MSE值優(yōu)于全局最優(yōu),則把當(dāng)前的粒子位置賦給群體最優(yōu)值gbest。

        ③ 根據(jù)式(1)~式(3)對(duì)粒子速度、位置和慣性權(quán)重進(jìn)行更新。

        ⑤ 根據(jù)混沌策略對(duì)粒子進(jìn)行混沌操作并執(zhí)行步驟②。

        ⑥ 判斷CASPSO算法是否滿足停止條件,若是則執(zhí)行步驟⑤;否則執(zhí)行步驟③和步驟④。

        2 支持向量回歸(SVR)

        2.1 SVR預(yù)測(cè)原理

        SVR 是人工智能領(lǐng)域中的一種自適應(yīng)學(xué)習(xí)算法,它能通過(guò)核函數(shù)映射將非線性問(wèn)題轉(zhuǎn)換為線性可分的回歸問(wèn)題[11],并通過(guò)極小化和引入拉格朗日乘子將目標(biāo)函數(shù)轉(zhuǎn)化為下方的對(duì)偶極小問(wèn)題:

        (9)

        (10)

        (11)

        2.2 參數(shù)優(yōu)化和評(píng)價(jià)標(biāo)準(zhǔn)

        懲罰系數(shù)C和RBF核系數(shù)g對(duì)SVR的性能有重要影響。其中,懲罰系數(shù)C用于權(quán)衡損失和分類間隔的權(quán)重;核系數(shù)g影響函數(shù)的徑向作用范圍,決定訓(xùn)練樣本數(shù)據(jù)的范圍和分布特性[12]。預(yù)測(cè)完成后,為了驗(yàn)證所建模型的準(zhǔn)確性和精度,分別采用均方根差(Root Mean Square Error,RMSE)、平均絕對(duì)百分誤差(Mean Absolute Percentage Error,MAPE)和平均絕對(duì)值誤差(Mean Absolute Error,MAE)作為評(píng)價(jià)標(biāo)準(zhǔn)。

        (12)

        (13)

        (14)

        3 支持向量機(jī)預(yù)測(cè)模型建立

        本文數(shù)據(jù)來(lái)源與文獻(xiàn)[7]相同,為阿里巴巴天池大數(shù)據(jù)競(jìng)賽中的電力負(fù)荷預(yù)測(cè)競(jìng)賽數(shù)據(jù)。已知?dú)v史數(shù)據(jù)包括2015年3月—10月和2016年3月—8月共1416家當(dāng)?shù)仄髽I(yè)的日用電總量、歷史天氣(降雨情況、溫度、濕度)、節(jié)假日以及當(dāng)?shù)鼐用裨孪M(fèi)總額。需要預(yù)測(cè)的內(nèi)容為2016年9月的日總用電量。

        3.1 數(shù)據(jù)預(yù)處理

        為消除不同量綱數(shù)據(jù)對(duì)結(jié)果的影響,用式(15)對(duì)電力負(fù)荷數(shù)據(jù)進(jìn)行歸一化處理:

        (15)

        式中,xmin和xmax分別為歷史最大用電量和最小用電量。最后,要對(duì)輸出結(jié)果進(jìn)行如下反歸一化處理:

        x=xmin+(xmax-xmin)x′

        (16)

        對(duì)輸入數(shù)據(jù)進(jìn)行如下處理:

        ① 當(dāng)前日前10 d的歷史日用電量D={d1,d2,…,d10}。

        ② 當(dāng)?shù)卦撛路莸念A(yù)測(cè)月經(jīng)濟(jì)消費(fèi)額總值F。

        ③ 預(yù)測(cè)日的日氣溫T=(0~1),將當(dāng)日的氣溫映射到0~1區(qū)間內(nèi),從而實(shí)現(xiàn)歸一化。

        ④ 預(yù)測(cè)日的相對(duì)濕度S,以百分比表示。

        ⑤ 日期屬性W={0.1,0.2,0.3,0.4,0.5,0.6,0.7},其中的數(shù)值對(duì)應(yīng)于周一~周日,當(dāng)遇到法定節(jié)日時(shí)標(biāo)記為0.8。

        ⑥ 利用文獻(xiàn)[7]中的方法處理降雨情況數(shù)據(jù)。降雨情況集合為{晴,多云,陰,陣雨,雷陣雨,小雨,中雨,大雨,暴雨},相對(duì)應(yīng)的量化數(shù)據(jù)集合為{0,0.125,0.25,0.375,0.5,0.625,0.75,0.975,1}。

        最后,得到改進(jìn)預(yù)測(cè)模型SVR的輸入數(shù)據(jù)為{d1,d2,d3,d4,d5,d6,d7,d8,d9,d10,F,T,S,W,F}的矩陣,輸出預(yù)測(cè)值為1維向量R,R是預(yù)測(cè)日的用電量。

        3.2 預(yù)測(cè)模型構(gòu)建

        利用SVR模型對(duì)訓(xùn)練樣本數(shù)據(jù)進(jìn)行訓(xùn)練擬合,將15個(gè)特征輸入量作為輸入值xi,函數(shù)的輸出為預(yù)測(cè)負(fù)荷值yi,訓(xùn)練樣本集為{(xi,yi)},預(yù)測(cè)模型流程如圖1所示。

        圖1 SVR預(yù)測(cè)模型

        4 仿真實(shí)例

        根據(jù)文獻(xiàn)[7]和文獻(xiàn)[13]進(jìn)行參數(shù)設(shè)置,如表1所示。

        表1 參數(shù)設(shè)置

        在數(shù)據(jù)輸入矩陣中將預(yù)測(cè)日降雨情況、預(yù)測(cè)日氣溫、相對(duì)濕度以及節(jié)假日日期信息和當(dāng)月預(yù)測(cè)的消費(fèi)總額、歷史預(yù)測(cè)日前10 d的電力負(fù)荷等數(shù)據(jù),作為影響預(yù)測(cè)結(jié)果的特征因素輸入到矩陣中。圖2為用訓(xùn)練好的標(biāo)準(zhǔn)PSO和CASPSO支持向量回歸機(jī)模型的預(yù)測(cè)結(jié)果。

        圖2 電力負(fù)荷預(yù)測(cè)結(jié)果比較

        結(jié)果顯示,基于CASPSO算法建立的SVR模型預(yù)測(cè)擬合度更好,預(yù)測(cè)準(zhǔn)確度更高且相對(duì)穩(wěn)定。兩種模型的評(píng)價(jià)指標(biāo)比較如表2所示。通過(guò)比較可以看出,CASPSO預(yù)測(cè)模型的RMSE和MAE比PSO預(yù)測(cè)模型的指標(biāo)低約40%和46%,MAPE比PSO預(yù)測(cè)模型低約42%,充分說(shuō)明了CASPSO比PSO尋優(yōu)效果更好。

        表2 基于PSO和CASPSO的SVR模型預(yù)測(cè)結(jié)果

        5 結(jié)束語(yǔ)

        本文采用SVR建立預(yù)測(cè)模型,在對(duì)大規(guī)模用電數(shù)據(jù)研究分析的前提下,綜合考慮天氣(降雨、溫度、濕度)、節(jié)假日和居民消費(fèi)等因素的影響,提出了一種基于CASPSO的SVR參數(shù)優(yōu)化方法,該方法避免了PSO算法的過(guò)早收斂,提高了種群粒子的多樣性和全局搜索能力。仿真結(jié)果表明,CASPSO算法能夠?qū)VR參數(shù)進(jìn)行高精確搜索。同時(shí),基于CASPSO算法建立的SVR短期預(yù)測(cè)模型具有更高的預(yù)測(cè)精度。

        猜你喜歡
        種群向量粒子
        邢氏水蕨成功繁衍并建立種群 等
        山西省發(fā)現(xiàn)刺五加種群分布
        向量的分解
        聚焦“向量與三角”創(chuàng)新題
        基于粒子群優(yōu)化的橋式起重機(jī)模糊PID控制
        基于粒子群優(yōu)化極點(diǎn)配置的空燃比輸出反饋控制
        向量垂直在解析幾何中的應(yīng)用
        向量五種“變身” 玩轉(zhuǎn)圓錐曲線
        基于Matlab的α粒子的散射實(shí)驗(yàn)?zāi)M
        物理與工程(2014年4期)2014-02-27 11:23:08
        崗更湖鯉魚的種群特征
        精品无码国产自产拍在线观看| 人妻少妇偷人精品久久人妻 | 天天夜碰日日摸日日澡性色av| 亚洲欧洲偷自拍图片区| 中文字幕不卡高清免费| √天堂中文官网8在线| 人妻精品久久中文字幕| 永久免费的拍拍拍网站| 丰满少妇被爽的高潮喷水呻吟| 久久狠狠爱亚洲综合影院| 曰本大码熟中文字幕| 欧美成人久久久| 丰满人妻无套内射视频| 97成人精品国语自产拍| 全免费a级毛片免费看网站| 伊人亚洲综合网色AV另类 | 亚洲国产欧美久久香综合| 国产一区三区二区视频在线观看 | 日本五月天婷久久网站| 人妻少妇精品视频一区二区三区| 国产成人亚洲精品一区二区三区 | 黄色成人网站免费无码av| 亚洲天堂无码AV一二三四区| 性生大片免费观看性少妇| 久久精品欧美日韩精品| 亚洲伊人久久大香线蕉影院| 国产av熟女一区二区三区蜜臀| 亚洲av午夜精品无码专区| 日日鲁鲁鲁夜夜爽爽狠狠视频97| 国产桃色精品网站| 亚洲av人片在线观看| 欧美性生交活xxxxxdddd| 国产无遮挡a片又黄又爽| 国产91AV免费播放| 91精品国产综合久久久密臀九色| 18禁黄久久久aaa片| 亚洲妇女水蜜桃av网网站| 亚洲乱码中文字幕综合| 国产亚洲av另类一区二区三区| 国产精品嫩草影院av| 精品免费久久久久国产一区|