[发明专利]一种基于GRA-PSO-LSSVM的城镇燃气日负荷预测方法

权利要求书

1.本权利要求所述的基于GRA-PSO-LSSVM模型预测城镇燃气日负荷的方法，其特征是模型的泛化能力强和运行效率高，模型的稳定性和准确性更好，预测结果更加理想。

2.本权利要求所述的灰色关联分析法能够对复杂的城镇燃气日负荷影响因素进行有效的筛选，降低了模型运算复杂度，使模型运算效率得到提升。

3.本权利要求所述的粒子群算法优化LSSVM结构部分，主要包括：预处理所有燃气负荷历史数据；初始化PSO优化算法的参数；确定正则化系数γ和径向基函数的参数σ上下限；计算每个粒子的适应度值并进行比较，评估每个粒子并获取全局最优的速度和位置；根据粒子速度和位置更新公式计算变化粒子的速度和位置；评估每个粒子并获取全局最优的速度和位置，如果达到预设的最大迭代次数，则执行下一步，否则再次迭代计算适应度值；PSO算法寻优结束后，输出找到的最优正则化系数γ和径向基函数的参数σ，将其设置为LSSVM模型的最优参数值。

4.本权利要求所述的粒子群算法对LSSVM的优化部分，其特征是：粒子群优化算法搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个体的方法，具有并行性；粒子群优化算法的编码使用实数，可直接进行处理，无需转换，所以此算法较为简便，易于实现；粒子群优化算法的各粒子是随机移动的，对于模糊的复杂区域具有搜索能力；粒子群优化算法可以较好地平衡全局搜索能力和局部搜索能力，避免算法早熟；借助PSO算法快速、高效的寻优能力来取代LSSVM原本低效的穷举搜索算法，从而尽快地找出LSSVM模型的最优正则化系数γ和径向基函数的参数σ。其主要步骤是：

步骤1：对所有燃气负荷历史数据进行预处理，包括GRA筛选、归一化、划分训练集和测试集；

步骤2：初始化PSO优化算法的参数，包括粒子种群大小、位置以及速度；

步骤3：确定正则化系数γ和径向基函数的参数σ上下限；

步骤4：计算每个粒子的适应度值并进行比较，评估每个粒子并获取全局最优的速度和位置；

步骤5：根据粒子速度和位置更新公式计算变化粒子的速度和位置；

步骤6：评估每个粒子并获取全局最优的速度和位置，如果达到预设的最大迭代次数，则执行下一步，否则返回步骤4；

步骤7：PSO算法寻优结束后，输出找到的最优正则化系数γ和径向基函数的参数σ，将其设置为LSSVM模型的最优参数值。

此时粒子群算法对LSSVM的优化部分结束，用于城镇燃气日负荷预测的GRA-PSO-LSSVM模型完成建立。