隨著生活質(zhì)量的提高，人們對(duì)電的需求不斷上升，電力系統(tǒng)的發(fā)展變得尤為重要。準(zhǔn)確的電力負(fù)荷預(yù)測能夠使電力部門降低發(fā)電成本，合理安排設(shè)備維護(hù)以及節(jié)省能源，并為電力規(guī)劃以及制定合理發(fā)電量提供相關(guān)依據(jù)。網(wǎng)絡(luò)搜索支持向量機(jī)（svm）預(yù)測方法以歷史的電力負(fù)荷為依據(jù)，不需要專家經(jīng)驗(yàn)，只需對(duì)樣本進(jìn)行訓(xùn)練，就可以逼近輸入/輸出的關(guān)系。

本課題采用網(wǎng)絡(luò)搜索svm的方法對(duì)電力負(fù)荷進(jìn)行預(yù)測系統(tǒng)的設(shè)計(jì)。支持向量機(jī)（Support Vector Machine，SVM）最先由Cortes和Vapnik提出，它是一種有監(jiān)督的模式識(shí)別方法。它的主要思想是建立一個(gè)分類決策面。SVM利用核函數(shù)將數(shù)據(jù)映射到高維空間，使其盡可能的線性可分。常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核、徑向基核（RBF）、傅里葉核、樣條核和Sigmoid核函數(shù)等。通過比較這些核函數(shù)適用的數(shù)據(jù)特點(diǎn)，無論樣本數(shù)據(jù)特點(diǎn)是高維還是低維，數(shù)據(jù)量大還是小，RBF核函數(shù)展現(xiàn)了很好的分類性能。因此，選擇RBF作為SVM的分類核函數(shù)。

可以看出，優(yōu)化問題取決于兩個(gè)重要參數(shù)c和g，這兩個(gè)參數(shù)會(huì)影響SVM的預(yù)測性能。SVM預(yù)測問題取決于兩個(gè)重要參數(shù)c和g，這兩個(gè)參數(shù)會(huì)影響SVM的預(yù)測性能。為了提高模型的預(yù)測性能，引入網(wǎng)格式搜索法（GS）優(yōu)化模型建立過程中的兩個(gè)重要參數(shù)。同時(shí)避免模型過學(xué)習(xí)和欠學(xué)習(xí)的現(xiàn)象發(fā)生，采用5倍交叉驗(yàn)證法以訓(xùn)練集最小均方根誤差為適應(yīng)度函數(shù)來進(jìn)行參數(shù)尋優(yōu)。當(dāng)達(dá)到最小均方根誤差時(shí)，所得到的c和g為最佳參數(shù)。GS中，以0.5為間隔進(jìn)行全局搜索，c和g的范圍均是（2-10, 210）

總之SVM預(yù)測過程為：

（1）輸入數(shù)據(jù)，規(guī)定訓(xùn)練輸入、訓(xùn)練輸出、預(yù)測輸入和預(yù)測輸出

（2）為加快網(wǎng)絡(luò)收斂速度，進(jìn)行數(shù)據(jù)歸一化處理

（3）參數(shù)尋優(yōu)，網(wǎng)格數(shù)搜索開始

（4）得到最優(yōu)參數(shù)建立預(yù)測模型，避免模型過學(xué)習(xí)和欠學(xué)習(xí)的現(xiàn)象發(fā)生，采用5倍交叉驗(yàn)證法以訓(xùn)練集最小均方根誤差為適應(yīng)度函數(shù)來進(jìn)行參數(shù)尋優(yōu)。當(dāng)達(dá)到最小均方根誤差時(shí)，所得到的c和g為最佳參數(shù)。

（5）預(yù)測數(shù)據(jù)輸入

（6）得出預(yù)測結(jié)果

利用均方根誤差（RMSE）評(píng)價(jià)預(yù)測效果好壞，RMSE越小越好。在顯示面板結(jié)果直接顯示了。

以12℃解釋為例，當(dāng)訓(xùn)練集在五倍交叉驗(yàn)證下獲得最小均方誤差為0.041678時(shí)，獲得最佳參數(shù)c為0.43528，最佳參數(shù)g為6.6944。測試集的預(yù)測值和真實(shí)值之間均方根誤差為14.8600。

最后,歡迎通過公眾號(hào)"320科技工作室"與我們聯(lián)系