买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京工程学院

摘要：本发明公开了一种基于PIO‑LSSVM的短期负荷预测方法，涉及PIO‑LSSVM负荷预测领域，其技术方案要点是：LSSVM模型对电力需求总量变化趋势进行预测，并引人基于PIO算法的参数优化技术来提高LSSVM预测短期负荷量的精度和收敛速度，LSSVM最小二乘支持向量机将最小二乘线性系统引入支持向量机，最小二乘支持向量机的优化指数采用平方项，采用等式约束用于替换标准支持向量机方法中的不等式约束，并把标准支持向量机中解的二次规划问题简化成求解线性方程问题，利用海量外部因素数据，该模型以负荷数据和气象、经济信息为输入因子，引入鸽群优化算法优化模型参数，通过仿真验证了改进预测模型的准确性和有效性。

主权项：1.一种基于PIO-LSSVM的短期负荷预测方法，其特征在于，包括以下步骤：1选取气温、日类型、经济等影响电力负荷量的关键因素，并将这些关键影响因素和电力负荷量的样本归一化数据组成LSSVM点对构成的训练样本集D；2初始化参数：根据实际需要设定模型的种群规模M1、最大迭代次数Nc、地磁因子R以及个体鸽子的初始位置和速度等，个体鸽子的位置代表LSSVM模型的参数C、σ或C、d；3PIO-LSSVM的参数优化：基于LSSVM的训练样本集，以其中y′i为归一化后的训练集数据向量的第i个元素；为SVM模型的输出向量的第i个元素中训练误差fe作为适应度函数，采用改进PIO算法，选定LSSVM参数的初值，并通过地图模型和地标模型的操作，通过PIO算法原理对鸽子位置和速度进行迭代更新，根据适应度函数值选取当前单个鸽子最佳位置和当前种群整体最佳位置；4训练LSSVM预测模型：根据步骤3中最小训练误差对应的最佳参数对LSSVM进行设置，选择径向基核函数或多项式核函数训练一次LSSVM，并基于训练得到的模型对预测集点对样本进行回归预测和反归一化处理；5评价预测模型：评价LSSVM模型的预测精度，若不符合要求，转至步骤3，将更新后的正则化参数C、核函数宽度参数σ或维数参数d代入LSSVM模型，对产生的新种群重新进行LSSVM训练，并保存各次迭代中适应度最好的个体，直到达到最大迭代次数为止；6输出预测结果：基于获取最优参数的PIO-LSSVM模型输出电力需求总量预测结果，并与实际值进行比较分析。

全文数据：

权利要求：

百度查询： 南京工程学院 一种基于PIO-LSSVM的短期负荷预测方法