[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

摘要

本发明公开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，包括以下步骤，步骤一，选取训练数据；步骤二，建立优化目标；步骤三，布谷鸟搜索算法初始化设置；步骤四，初始适应值计算；步骤五，新鸟窝位置计算；步骤六，鸟窝位置的选择；步骤七，判断宿主鸟是否发现外来鸟蛋；步骤八，判断是否达到最大迭代次数，若是，输出最优结果并退出，否则转至步骤五。本发明通过布谷鸟搜索算法优化了SVM的参数，提高了电力系统负荷预测的精度，相较与现有的网格搜索方法寻优能力更强，收敛速度更快，更适用于优化SVM的参数。

主权项

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，其特征在于：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， 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m，迭代次数为K，宿主鸟发现外来鸟蛋的概率p_a，随机生成m个初始鸟窝X＝[x₁,…,x_m]，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， 其中，k∈[1,K‑1],为第i个鸟窝第k次迭代得到的位置，为第i个鸟窝第k+1次迭代得到的位置，为第i个鸟窝位置的更新值，rand为0～1的随机数，为第i个鸟窝第k次迭代后适应值最优的鸟窝位置，s为莱维飞行距离；步骤六，鸟窝位置的选择； 计算当前鸟窝的适应值，与上一代鸟窝的适应值进行比较，择优保留，并更新最优鸟窝位置； 择优保留公式如下： 其中：为第i个鸟窝第k次迭代得到的适应值，为第i个鸟窝第k+1次迭代得到的适应值；步骤七，判断宿主鸟是否发现外来鸟蛋； 生成0～1之间的随机数r，与宿主鸟发现外来鸟蛋的概率p_a进行比较，若r＜p_a，则认为宿主鸟发现外来鸟蛋，重新随机生成该鸟窝的位置；当r≥p_a，则保留所有鸟窝，进入步骤八； 步骤八，判断是否达到最大迭代次数，若是，输出最优结果并退出，否则转至步骤五。