基于支持向量机的城市小区燃气管网日负荷预测模型基于支持向量机的城市小区燃气管网日负荷预测模型摘要：该文使用支持向量机中的两种核函数，采用grid-search算法、遗传算法、粒子群算法优化参数，建立对吉林市某小区燃气管网日负荷预测的支持向量机模型。将日最高温度、日最低温度、日平均温度、小区人员最高年龄、小区人员最低年龄、小区人员平均年龄作为燃气管网U负荷变化密切相关的主要影响因素，分别作为支持向量机的输入量，将小区人员临时出差、小区临时增加暂住人口等随机因素作为燃气管网日负荷变化密切相关的次要影响因素，将随机因素统一归为支持向量机的一个输入量。采用［0,1］归一化方法，对作为影响因素的输入量数据与日负荷预测输出量数据进行归一化处理。对节假日和工作日的燃气管网日负荷预测采用独立处理方法，避佐了相互之间的干扰影响。试验结果表明，采用径向基核函数的支持向量机预测模型对燃气管网日负荷预测拟合程度达到90%以上。关键词：燃气管网支持向量机日负荷预测中图分类号：TP391.4文献标识码：A：1674-098X(2014)04(c)-0099-04城市小区燃气管网的日负荷指标是城市燃气的基础工作，对分析燃气管网的年负荷、月负荷具有重要指导意义，并旦燃气经营企业对燃气管网的日负荷及预测情况日益重视［1］。燃气管网口负荷数据的变化规律十分复杂，主要同天气、气温、终端用户人口数量等因素密切相关，并旦国家法定节假日的日负荷变化与工作日亦不相同。传统的燃气管网日负荷预测方法主要有回归综合位移平均模型、多元主要有线性回归法、三角函数模型、BP神经网络法等［2］,试验结果表明这些预测方法具有一定的精度［3-5］。但上述方法所需样本数据较多，并旦样本数据越多，上述方法得到的预测模型泛化能力越强，可信度越高。支持向量机(SVM)是机器学习研究重大成果，其具有泛化能力强、全局寻优的特点，尤其具有所需样本数据少的特点［6］。SVM利用松弛变量和核函数［7］,针对样本数据线性不可分的情况，在高维空间寻找其最优分类面。该文将吉林市某小区燃---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---气管网的日负荷作为研究对象，将燃气管网日负荷变化密切相关的主要影响因素一一FI最高温度、FI最低温度、日平均温度、小区人员最高年龄、小区人员最低年龄、小区人员平均年龄，作为SVM的6个输入量，将燃气管网日负荷变化密切相关的次要影响因素一一小区人员临时出差、小区临时增加暂住人口等随机因素，统一作为SVM的1个输入量，利用不同核函数、不同参数的支持向量机建立吉林市某小区燃气管网日负荷预测模型，通过该预测模型得到该小区的燃气管网日负荷预测值。1支持向量机1.1支持向量机原理设表示线性函数，其表达式为：(1.1)其中：为偏置，为可调权值向量，决策规则：，将称为超平面(HyperPlane)o由式定义超平面L,L将输入空间X划分成两部分，如图1所示。显然，有许多分类超平面可以将图1中的“圆圈”和“五角星"两类点正确区分开。取训练样本｛｝，其中：为第i个样本，。对于线性可分训练集存在超平面L：,即式1.2和式1.3。，(1.2),(1.3)定义超平面L1：,,设为超平面L1上的一点;超平面L2：,,为超平面L2上的一点。和满足式1.4和式1.5o(1.4)(1.5)超平面L1与超平面L2之间间隔为式1.6o(1.6)寻找超平面L1和L2间隔最大化的平面一一最优超平面，即为二次规划问题，如式1.7和式1.8所示。(1.7)s.t(1.8)利用lagrange乘子法解决上述二次规划问题，建立lagrange函数如式1.9所示。(1.9)其中为lagrange乘子。将lagrange函数对，求其最小值，对求其最大值，解、和在函数的鞍点上满足式1.10和式1.IE(1.10)(1.11)将式1.10代入lagrange函数式1.9,利用式1.11可得原优化问题的对偶问题，可构造出最优超平面，如式1.12.式1.13和式1.14所示。(1.12)s.t.(1.13)(1.14)基于最优超平面的分类规则如式1.15所示。(1.15)1.2核函数对于二维空间的线性不可分数据群，为构造最优超平面，其函数表达式如式1.16所示。(1.16)构造向量y和a,如式1.17和式1.18所示。(1.17)(1.18)可转化为，即式1.19o(1.19)可见，映射到四维空间后，原来在二维空间中一个线...