SVM实现负荷预测，其中包含基本SVM，PSO优化SVM，改进SVM三种方法

简单易读的SVM负简单易读的SVM负荷预测实验，并包含PSO、改进PSO等多种方法简单易读的SVM负荷预测实验，并包含PSO、改进PSO等多种方法简单易读的SVM负荷预测实验，并包含PSO、改进PSO等多种方法荷预测实验，并包含PSO、改进PSO等多种方法

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
NumOfPre =1;%预测天数，在此预测本季度最后七天
Time = 24;
XX =30;
YY = 2;
Data = xlsread（‘a23.xls‘）;%此为从excel表格读数据的命令，表示将表格的数据读到Data数组中，省略表格中的第一行第一列文字部分 可输入你要预测的表格名称
[M N] = size（Data）;%计算读入数据的行和列 M行N列
for i = 1:3
    maxData = max（Data（:i））;
    minData = min（Data（:i））;
    Data1（:i） = （Data（:i） - minData）/（maxData-minData）;%对温度进行归一化处理
end
for i = 4:5
    Data1（:i） = Data（:i）;
end
for i = 6:N
    Data1（:i） = log10（Data（:i）） ;%对负荷进行对数处理 温度和负荷的预处理 可采用不同的方法 可不必拘泥
end
Dim =  M - 2 - NumOfPre;%训练样本数%训练样本数
Input = zeros（M-212Time）;%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-11:5） Data1（i-1j+5） Data1（i-2j+5）Data1（i1:5）];
        Input（i-2:j） = x;
        y（i-2j） = Data1（ij+5）;
    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）;
    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
%   figure
%   plot（1:TimeData（i+Dim+26:N）‘-ro‘1:TimePre（i:）‘-k^‘）;%画出每一天的预测值和真实值
%   hold on
%
%   axis（[0 25 0 100]）%坐标范围
%   hold off
%end
acu = （Pre - Data（Dim+3:M6:N））./Data（Dim+3:M6:N）;%相对误差
s=0;
for i=1:Time
    s=abs（acu（1i））+s;
end
Acu=s/Time;
save acu.mat acu
% err = abs（Pre - Data（Dim+3:M6:N））;
% errpct = abs（err）./Data（Dim+3:M6:N）;
% MAE = mean（abs（err））;
% MAPE = mean（errpct（~isinf（errpct）））;
% fprintf（‘Mean Absolute Percent Error （MAPE）: %0.2f%% \nMean Absolute Error （MAE）: %0.2f MWh\n‘...
%     MAPE MAE）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件      22016  2010-06-03 19:41  SVM\a23.xls

     文件        381  2018-09-11 19:04  SVM\Acu.mat

     文件        381  2018-09-11 19:05  SVM\acu1.mat

     文件       2674  2018-09-10 20:22  SVM\AdaptFunc.m

     文件       2787  2018-09-11 18:56  SVM\AdaptFunc1.m

     文件       3813  2010-05-18 10:36  SVM\baseStepPso.m

     文件      12826  2015-09-13 14:40  SVM\figure.fig

     文件       2762  2018-04-18 10:31  SVM\gaijin.m

     文件      10730  2015-09-13 20:53  SVM\gui.fig

     文件      17949  2015-09-13 21:33  SVM\gui.m

     文件       2174  2010-05-18 10:36  SVM\InitSwarm.m

     文件       2144  2015-09-13 21:33  SVM\pso.m

     文件       2615  2018-09-12 09:06  SVM\shorttime.m

     文件     402432  2018-09-11 17:35  SVM\svmdataset - 副本.xls

     文件     333312  2018-09-11 19:02  SVM\svmdataset.xls

     文件     327680  2018-09-11 20:12  SVM\svmdataset1.xls

     文件     329728  2018-09-12 08:20  SVM\svmdataset12.xls

     文件     330752  2018-09-12 08:41  SVM\svmdataset123.xls

     文件     326144  2018-09-12 09:04  SVM\svmdataset1day.xls

     目录          0  2018-09-12 09:04  SVM

----------- ---------  ---------- -----  ----

              2133300                    20