基于qga—lssvm的能源需求预测-论文.pdf

2014年6月第3期第27卷总第159期基于QGA—LSSVM的能源需求预测冯亚娟刘晓恺张波(辽宁工程技术大学工商管理学院。辽宁葫芦岛125105)摘要:能源需求预测是能源规划和政策制定的前提和基础,能源需求预测受到众多因素的影响。为了快速、有效的预测我国对能源的需求,采用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数进行优化,建立最优的能源预测模型。收集1997--2011年我国能源需求的相关数据作为训练样本和测试样本,对影响能源需求的指标数据,利用因子分析,对关联程度较高的指标数据进行公共因子的提取,减少判别指标间信息交互,通过预测模型的检验,并对比其他预测模型,验证了该模型在能源需求预测中具有极低的误差率。关键词:能源需求;预测;因子分析;量子遗传算法;最小二乘支持向量机O引言能源是一个国家经济发展的基础,在国民经济发展过程中有着不可替代的作用,同时能源也是人类赖以生存的物质基础。中国是一个能源消费大国¨引,随着我国城市化、工业化以及经济快速发展,我国能源需求急速增加。能源战略管理中的关键就是对能源需求进行准确的预测,我国倡导可持续发展,能源生产大于能源需求,则造成各种成本以及资源的浪费;如果能源生产不能满足能源需求,不仅制约我国城市化发展,影响国民经济的增长,甚至成为制约我国工业化发展的瓶颈。能源已经成为一个国家经济的命脉,如何对能源需求进行准确的预测,以更合理的方式安排能源生产,成为经济可持续发展中的首要问题。对能源需求预测的研究,国内外学者采用了不同方法。常用的预测方法有趋势外推法、消费弹性法、主要消耗部门预测法等传统方法引。学者的研究各有优缺点,为能源预测做出了一定的贡献,促进了该领域的研究向前发展。然而,能源需求预测是一个复杂系统,受到社会、经济等诸多因素的影响,传统的方法不能满足更高精度的预测,这就需要在该研究领域中引人人工智能算法。在能源需求预测的影响指标分析中,对选取的影响指标数据相关程度较高的因素利用因子分析提取公共因子,进行影响指标的浓缩,,进行模型的预测。LSSVM对于小样本非线性高维数据具有很强的泛化能力,。量子遗传算法具有收敛速度快、全局搜索能力强、适合参数优化等特点J,文中结合量子遗传算法和最小二乘支持向量机,用量子遗传算法对最小二乘支持向量机的惩罚参数和核函数参数进行寻优,,将其应用到我国实际能源需求预测当中,验证其预测模型的有效性。(SVM)是一种新型的机器学习方法。它能非常成功地处理回归、模式识别、预测等问题。SVM可以很好地应用于小样本高维数据,避免维灾难问题,但是对于大样本数据,SVM的计算工作就变得复杂。最/bS-乘支持向量机(LSSVM)是由Suykens和Vandewalb在1999年提出的1o3。LSSVM在遵循结构风险最小化的同时用等式约束代替了不等式约束,使用最小二乘法对问题进行求解,在保证问题求解精度的同时大大降低了计算复杂性,加快了计算速度,解决了SVM大样本训练的耗时问题,其优化问题变为:作者简介:冯亚娟,辽宁工程技术大学工商管理学院副教授,研究