[发明专利]一种电力最大负荷小样本预测方法

权利要求书

1.一种电力最大负荷小样本预测方法，其特征是，所述方法包括以下步骤：

a.采集电网年最大负荷历史数据，将其中的部分数据作为训练样本，其余数据作为测试样本，并确定偏最小二乘支持向量机(LSSVM)预测模型的输入变量；

b.定义优化问题，初始化量子和声算法参数

优化问题如下所示：

s.t.C∈[C_min,C_max]；

σ∈[σ_min,σ_max]

其中，f(C,σ)为目标函数，y_t为第t期实际值；为第t期预测值，σ为核函数宽度；C为误差惩罚因子，T为数据计算期数，C_min,C_max分别为C的下限和上限，σ_min,σ_max分别为σ的下限和上限；

初始化和声库选择概率HMCR、初始和声库大小HMS、扰动调整概率PAR、带宽BW、最大循环次数f以及C和σ的下限和上限；

c.初始化量子和声库

选取参数核函数宽度σ和惩罚因子C作为和声向量，根据量子理论，采用量子编码将核函数宽度σ和惩罚因子C转换成量子和声向量QHV，生成初始量子和声向量；

d.以HMCR的概率在和声库中产生新解x^new，形成新的和声，并对新解进行扰动；

e.评价新解，并更新和声向量

对产生的新解x^new进行测量，使其坍缩至某一基态，计算新解x^new对应的目标函数值f(x^new)，再将f(x^new)与HM中的最差解x^worst对应的目标函数值f(x^worst)进行比较，如果f(x^new)优于f(x^worst)，则新解x^new取代最差解x^worst，否则放弃新解；

f.确定模型参数的最优解

更新迭代次数，如果迭代次数大于事先设定的最大循环次数，则选取和声库内对应目标函数最小的和声向量作为σ和C的最优值；否则返回步骤d；

g.将σ和C的最优值带入LSSVM模型，并利用训练样本和测试样本对LSSVM模型进行训练和测试；

h.用训练好的LSSVM模型对电网年最大负荷进行预测。