[发明专利]一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法

说明书

技术领域

本发明涉及一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法，属于电力系统运行分析技术领域。

背景技术

电力系统负荷预测是在已知历史负荷需求以及历史时期气象、经济等因素的前提下，对未来的负荷状况进行预测。负荷预测是电网调度部门安排调度计划的重要依据，预测精度的提高有利于安排更为经济合理的运行方式，减少不必要的旋转备用容量，有效降低电力系统的运行成本。

支持向量机(support vector machine,SVM)是一种基于结构风险最小化原理的机器学习技术，具有较好的泛化学习能力，目前广泛应用于处理时间序列问题，不少专家和学者也将其应用于负荷预测。但SVM的预测精度与其自身的惩罚因子和核参数设定有着很大的关系，因此负荷预测领域的专家学者提出了采用网格搜索方法优化SVM的参数，取得了一定的成功。

布谷鸟搜索(cuckoo search,CS)算法是一种受布谷鸟的巢寄生繁殖机理和莱维飞行(L vy flights)搜索原理启发而产生的启发式算法。CS算法的参数少而简单，仅需要设定种群大小和宿主鸟发现外来鸟蛋概率两个参数，因而通用性较强，可控性较好；搜索过程中引入了莱维飞行机制，使局部搜索和全局搜索能力得到了均衡。研究成果表明，CS算法寻优能力强，收敛速度快，适合用于优化SVM的参数。

发明内容

为了解决上述技术问题，本发明提供了一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法，提高了电力系统负荷预测的精度。

为了解决上述技术问题，本发明所采用的技术方案是：

一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法，包括以下步骤，

步骤一，选取训练数据；

从历史数据中选取与所需预测时段的条件相似的数据作为训练集；

步骤二，建立优化目标；

以SVM输出的均方误差为优化目标，建立如下表达式，

min.fMSE=1nΣr=1n(yr-y^r)2]]>

其中，n为样本数，y_r为第r个样本的SVM的输出值，为第r个样本的实际值，f_MSE为SVM输出的均方误差，而min.前缀表示对该变量进行最小值寻优；

步骤三，布谷鸟搜索算法初始化设置；

定义初始化鸟窝个数为n，迭代次数为K，宿主鸟发现外来鸟蛋的概率p_a，随机生成n个初始鸟窝X＝[x₁,…,x_n]，其中,i∈[1,m]，x_i为第i个鸟窝的位置，x_i＝[x_i1,…,x_iD]，D为单个样本的维数；

步骤四，初始适应值计算；

以SVM输出的均方误差为优化目标，计算每个鸟窝的初始适应值，将所有初始适应值一对一比较，得到并记录初始适应值最优的鸟窝位置；

步骤五，新鸟窝位置计算；

在布谷鸟搜索算法中引入最优解记忆，使布谷鸟每次飞行都以最优解位置作为参考，鸟窝位置更新公式为，