基于最小二乘支持向量机的负荷预测

这是一个基于PSO-LSSVM的负荷预测程序。用粒子群算法优化支持向量机的参数。

function [Acu]=AdaptFunc（XXYY）
%C为最小二乘支持向量机的正则化参数，theta为高斯径向基的核函数参数，两个需要进行优化选择调试
% C = XX; %% 30
% theta = YY;%%  2 %C为最小二乘支持向量机的正则化参数，theta为高斯径向基的核函数参数，两个需要进行优化选择调试
NumOfPre =1;%预测天数，在此预测本季度最后七天
Time = 12;
Data1=[0.2452 0.1446 0.1314 0.2246 0.5532 0.6642 0.7015 0.6981 0.6821 0.6945 0.7549 0.8215 0.2286 0.2801 1;
   0.2217 0.1581 0.1408 0.2304 0.5134 0.5312 0.6819 0.7125 0.7265 0.6847 0.7826 0.8325 0.2415 0.3027 0;
   0.2525 0.1627 0.1507 0.2406 0.5502 0.5636 0.7501 0.7352 0.7459 0.7015 0.8064 0.8516 0.2385 0.3125 0;
   0.2016 0.1105 0.1243 0.1978 0.5021 0.5232 0.6819 0.6952 0.7015 0.6825 0.7825 0.7895 0.2216 0.2701 1;
   0.2115 0.1201 0.1312 0.2019 0.5532 0.5736 0.7029 0.7032 0.7189 0.7019 0.7965 0.8025 0.2352 0.2502 0.5;
   0.2335 0.1322 0.1534 0.2214 0.5623 0.5827 0.7198 0.7276 0.7359 0.7506 0.8092 0.8221 0.2542 0.3125 0;
   0.2368 0.1432 0.1653 0.2205 0.5823 0.5971 0.7136 0.7129 0.7263 0.7513 0.8091 0.8217 0.2601 0.3198 0;
   0.2342 0.1368 0.1602 0.2131 0.5726 0.5822 0.7101 0.7098 0.7127 0.7121 0.7995 0.8216 0.2579 0.3099 0;
   0.2113 0.1212 0.1305 0.1819 0.4952 0.5312 0.6886 0.6998 0.6999 0.7323 0.7721 0.7956 0.2301 0.2867 0.5;
   0.2005 0.1121 0.1207 0.1605 0.4556 0.5022 0.6553 0.6673 0.6798 0.7023 0.7521 0.7756 0.2234 0.2277 1;
   0.2123 0.1257 0.1343 0.2079 0.5579 0.5716 0.7059 0.7145 0.7205 0.7401 0.8019 0.8136 0.2314 0.2977 0;
   0.2119 0.1215 0.1621 0.2161 0.6171 0.6159 0.7155 0.7201 0.7243 0.7298 0.8179 0.8229 0.2317 0.2936 0];
[M N] = size（Data1）;%计算读入数据的行和列 M行N列

Dim =  M - 2 - NumOfPre;%训练样本数
Input = zeros（M-28Time）;%预先分配处理后的输入向量空间
y = zeros（DimTime）;
for i = 3:M 
    for j = 1:Time
        %%选取前一天温度、同一时刻的负荷，前两天的负荷，当天的温度作为输入特征
        x = [Data1（i-113:15） Data1（i-1j） Data1（i-2j）Data1（i13:15）];
        Input（i-2:j） = x;
        y（i-2j） = Data1（ij）;
    end
end
Dist = zeros（DimDimTime）;%预先分配距离空间
for i=1:Time
    for j=1:Dim
        for k=1:Dim
            Dist（jki） = （Input（j:i） - Input（k:i））*（Input（j:i） - Input（k:i））‘;
        end
    end
end
Dist1 = exp（-Dist/（2*YY））;%RBF
for i=1:Time
    H = Dist1（::i） + eye（Dim）/XX;%最小二乘支持向量的H矩阵
    f = -y（1:Dimi）; 
    Aeq = ones（Dim1）‘;
    beq = [0];
    option.MaxIter=1000;
    [afval]=quadprog（Hf[][]Aeqbeq）;%[][][]option）;求二次规划问题
    b = 0;
    for j = 1:Dim
        b（j） = y（ji） - a（j）/XX - a‘* Dist1（:ji）;%求每个输入特征对应的b
    end
    b = sum（b）/Dim;%求平均b，消除误差
    for j = Dim + 1:M-2
        for k = 1:Dim
            K（k） = exp（-（Input（j:i） - Input（k:i））*（Input（j:i） - Input（k:i））‘/（2*YY））;%预测输入特征与训练特征的RBF距离
        end
        Pre（j-Dimi） = sum（a‘*K‘） + b;  %求解预测值   
    end
end
Len = M  - （Dim + 3） +1;%预测的天数 取本季度最后Len天
%  Pre = 10.^Pre;
for i = 1:Len 
    acu（i:） = （Pre（i:） - Data1（i+Dim+21:12））./Data1（i+Dim+21:12）;%相对误差
    Acu（i1）= sum（abs（ acu（i:） ））/Time;%平均相对误差
end
%    acu = （Pre- Data1（Dim+31:12））./Data1（Dim+31:12）;%相对误差
%    Acu= sum（abs（ acu ））/Time;%平均相对误差
end

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2014-10-19 22:36  SVM\
     文件        3610  2014-06-13 21:41  SVM\AdaptFunc.m
     文件        4154  2014-06-13 21:30  SVM\AdaptFunc1.m
     文件        3813  2014-03-08 15:36  SVM\baseStepPso.m
     文件        2174  2014-03-08 15:36  SVM\InitSwarm.m
     文件       21504  2014-06-14 23:15  SVM\a23.xls
     文件         378  2014-06-13 19:53  SVM\acu.mat
     文件         378  2014-06-13 19:53  SVM\acu1.mat
     文件        2379  2014-06-13 21:46  SVM\pso.m
     文件        3622  2014-06-13 18:50  SVM\shorttime3.m