[发明专利]基于改进萤火虫算法优化SVM的变电工程造价预测方法

说明书

技术领域

本发明属于变电工程造价预测领域，尤其涉及一种基于改进萤火虫算法优化SVM的变电工程造价预测方法。

背景技术

变电工程和输电工程是电网工程的两个重要组成部分。对于变电工程，它的造价水平随着电压等级、建设类型、变电站型式等各种技术条件的不同而相异。变电工程造价水平预测是控制造价、提高造价合理性的重要手段，关系到电网工程的整体经济性，对电网工程建设成本节约具有重要的指导意义。然而电网工程造价水平受地区经济发展、自然环境和管理水平的影响，呈现出很强的非线性。如何实现对电网工程造价水平的准确预测是提高造价合理性、降低造价水平的关键。目前国内外的预测技术主要有两类：一类是以一元线性回归、灰色预测为代表性的经典预测技术，此类预测方法简单且易于实现，但无法处理复杂的非线性预测问题；另外一类是以反向传播神经网络(back propagation neural network，BPNN)、支持向量机(support vector machine，SVM)为代表的智能预测技术。智能预测技术相对经典预测技术来说能够在很大程度上提高预测精度。其中SVM是一种依托结构风险最小化原则的机器学习方法，在解决小样本、非线性问题中表现出许多特有的优势，但是存在过度拟合、易陷入局部最优等缺点。

发明内容

针对上述问题，本发明提出一种基于改进萤火虫算法优化SVM的变电工程造价预测方法，包括以下步骤：

步骤1：数据处理：采集变电工程造价数据并对其进行数据分析，将采集的数据划分为训练集和测试集；

步骤2：确定参数：首先进行参数和种群的初始设置，训练SVM并输出结果，根据输出结果判断是否满足最大迭代次数，若满足，则进入步骤3，否则，采用高斯扰动改进的萤火虫优化参数选择算法寻找最优参数；

步骤3：造价预测：将测试集输入SVM系统，经测试集预测负荷，最终输出变电工程造价预测结果。

所述高斯扰动改进的萤火虫优化参数选择算法的计算方法为：

步骤a:计算萤火虫的相对荧光亮度为：

式中：r为2只萤火虫之间的距离；I₀为萤火虫的初始亮度；γ为光强吸收系数；

步骤b：计算萤火虫的吸引度为：

式中：β₀为萤火虫的初始吸引度；r_ij为第i只萤火虫到第j只萤火虫之间的距离，γ为光强吸收系数；

其中，r_ij的笛卡尔距离为：

式中：x_i和x_j分别为萤火虫i和萤火虫j的位置；k为笛卡尔坐标的维度；

假设k＝2，则r_ij的二维笛卡尔距离可表示为:

式中，x_i和x_j分别为萤火虫i和萤火虫j在坐标x轴的位置，y_i和y_j分别为萤火虫i和萤火虫j在坐标y轴的位置；

步骤c:假设所有的萤火虫都是无性别的，萤火虫之间的相互移动完全依赖于发光亮度而非雌雄趋向，将高斯扰动引入FA算法改进位置更新公式，在公式中加入一个扰动因子GD，构成改进的萤火虫位置更新公式：

式中，x_i和x_j分别为萤火虫i和萤火虫j的位置，β₀为萤火虫的初始吸引度，r_ij为第i只萤火虫到第j只萤火虫之间的距离，γ为光强吸收系数,α为步长因子,rand为[0,1]上的随机数，GD为扰动因子；

步骤d：当改进的萤火虫位置更新公式在第t次迭代后中止，采用GD因子进行扰动得到萤火虫的位置，位置更新后，再命令萤火虫群体进入下一个t次迭代。

所述扰动因子GD可表示为：

其中，且x_i^(t)是d维的

式中：p′_t为扰动因子，p_t为扰动基数，a为步长因子，ε为d×n维矩阵，ε中的每个元素ε_ij～N(0,1)，s为整数参数，Iter为最大迭代次数，t为迭代次数；

将计算得到的扰动因子p′_t与扰动基数p_t中的每个萤火虫进行对比，保留较优解构成p″_t并进入下一轮迭代。