CN109376921A - 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 - Google Patents
基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 Download PDFInfo
- Publication number
- CN109376921A CN109376921A CN201811197252.2A CN201811197252A CN109376921A CN 109376921 A CN109376921 A CN 109376921A CN 201811197252 A CN201811197252 A CN 201811197252A CN 109376921 A CN109376921 A CN 109376921A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- algorithm
- formula
- behavior
- rbf neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 27
- 230000001537 neural effect Effects 0.000 title claims abstract description 16
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 235000019688 fish Nutrition 0.000 claims description 54
- 230000006399 behavior Effects 0.000 claims description 17
- 230000019637 foraging behavior Effects 0.000 claims description 14
- 235000013305 food Nutrition 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000004438 eyesight Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000001027 hydrothermal synthesis Methods 0.000 abstract 1
- 230000009125 negative feedback regulation Effects 0.000 abstract 1
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010353 genetic engineering Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，引入了遗传算法的相关操作，来求得全局最优极值，而不是局部极值，改善了人工鱼群算法的寻优性能；并将改进的算法应用到RBF神经网络模型，RBF神经网络无负反馈调节过程，具有最佳的逼近性能和全局最优特性，并依此模型对短期电力负荷预测。本发明的预测方法，避免了人工鱼群算法在寻优过程中产生的方向性差和容易陷入僵局的问题，通过实验验证，本发明提出的预测模型误差更小，预测的精度更高，更加接近实际电力负荷。
Description
技术领域
本发明涉及电力系统技术领域，特别是涉及一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法。
背景技术
电力系统负荷预测是根据电力负荷、经济、社会、气象等的历史数据，发现这些历史数据的变化规律，并根据这些规律来研究对未来负荷的影响，寻求电力负荷与各种相关因素之间的内在联系，从而对未来的电力负荷进行科学的预测[1]。负荷预测问题涉及电力系统规划和设计、电力系统运行的经济性和安全性、电力市场交易等多个方面，它已成为现代化电力系统运行和管理中的一个重要研究领域。
短期负荷是一个周期性的非平稳随机过程，包括变化相对平稳的正常负荷和受随机因素干扰的变动负荷。为提高短期负荷预测的准确性和实用性，人们已做了大量的研究工作，提出了很多负荷预测的模型和方法[2]。传统方法由于难以建立有效的数学模型，难以考虑影响负荷的气象等因素，以上这些原因使得传统方法预测结果精度不高。基于神经网络的预测方法，取得了一些很成功的应用[3]，但是在应用中要求训练样本数量大，考虑影响因素时网络结构复杂，存在训练时间长和局部极小值等问题，限制了它的应用。随着智能算法深入的研究，人们通过对自然界生物的遗传进化行为、蚂蚁的觅食行为、鸟群的空间搜索行为以及鱼群的觅食行为等研究的基础上，通过模拟生物系统，产生了一类新型的群集智能优化算法[4]。目前比较流行的算法包括：遗传算法、蚁群算法、粒子群算法、人工鱼群算法等。这些群集智能优化算法已为解决实际应用中的许多问题做出了贡献，但它们在目标问题的性质、参数调整、计算时间等方面还存在一些局限性。比如蚁群算法的主要缺点是参数选取和设定较困难，连续函数求解过程较复杂；粒子群算法的主要缺点是最大速度选取和加权因子的设定较困难；遗传算法的主要缺点是对初始种群的选择有一定的依赖性；人工鱼群算法是一种新兴的智能算法，其主要缺点是当寻优的区域较大，或处于变化平坦的区域时，收敛到全局最优解的速度变慢，搜索效率劣化。
发明内容
针对现有技术存在的不足之处，本发明的目的在于提供一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，采用基于遗传人工鱼群优化RBF神经网络算法对电力系统负荷预测的方法进行优化设计。该算法将遗传算法与人工鱼群算法相结合，取长补短，获得较好的效果，在人工鱼群算法中融合遗传算法的交叉变异操作，建立了基于该算法的RBF神经网络训练模型，提出了基于遗传人工鱼群算法RBF的神经网络的短期负荷预测的新方法。该方法收敛速度快，没有局部极值问题，又可以考虑多种影响负荷因素等问题。
本发明的目的通过下述技术方案实现：
一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，通过把遗传算法中的选择、交叉、变异机制引入人工鱼群优化算法，实现了人工鱼个体的跳变，从而调整优化了群体，在提高了人工鱼群算法收敛速度的同时保证了全局搜索能力，该融合算法优化RBF神经网络的设计步骤如下：
第一步，初始化：
清除连续不变化或变化很小的迭代次数NoChangeNum，输入人工鱼的数目N，最大迭代次数number，人工鱼的可视域visual，人工鱼的最大步长step，拥挤度因子δ；产生初始权值ωij(0)，每一个分量均为[-1，1]区间内的随机数；以网络的输出误差E定义各人工鱼个体当前位置的食物浓度FC＝1/E，取FC为最大值者进入公告板，将其赋给公告板；
第二步，人工鱼群优化行为：
各人工鱼分别模拟聚群、追尾行为后以最优值执行，缺省方式为觅食行为；
觅食行为时的权值学习方式为：
其中：
追尾行为和聚群行为时的学习方式：
以Xmax为中心c，以最短距离dmin来确定宽度计算输出样本X＝[x1，x2，...，xk]T网络的输出的一般表达式为：
如果令：
W(k)＝[W1(k)，W2(k)，...，WM(k)]T
(5)
则输出的一般表达式变为
Y(k)＝H(k)·W(k)
(6)
上式是具有最小二乘问题的一般形式，在获得大量离散状态值后，网络的权值可用递推最小二乘方法来识别，具体公式如下，
式中，I为单位矩阵，取这里εp为一个小的正数，一般在10-5左右；
第三步，更新公告板：
人工鱼每行动一次后，将自身函数值FC与公告板FC比较，如果优于公告板，则以自身取代之，同时清零NoChangeNum；
第四步，判断是否需要引入遗传算法：
判断NoChangeNum是否已达到预置的最大阈值Max NCN，若是，执行第五步；否则执行第六步；
第五步，选择、交叉、变异操作：
对鱼群内除公告板中最优个体外其它所有人工鱼执行选择、交叉、变异操作，清零NoChangeNum；
第六步，终止判断：
判断迭代次数Num是否已达到最大迭代次数MaxNum，若不满足，则Num+1，NoChangeNum+1，执行第三步，否则执行第七步；
第七步，算法终止，输出最优解。
为了更好地实现本发明，所述RBF神经网络的输出计算方法为：
设网络输入k维向量X，输出m维向量Y，样本对长度为L，隐层节点相关的中心参数为ci，宽度参数为σi，隐层至输出层连接权值为ωi，网络隐层第i个节点的输出为：
网络输出层第j个节点的输出为隐节点的输出的线性组合；
式中，wji为qi与yj的连接权值；
所述RBF神经网络的学习算法为：
第一步，对所有样本的输入进行聚类，求得各隐含层节点的RBF的中心ci和宽度σi；
第二步，当ci确定后，采用LMS算法训练由隐层至输出层之间的权值，LMS算法即δ法则，权值调整用以下公式：
式中，为期望输出与实际输出的差值，α是常值，0＜α＜1。
进一步的，所述人工鱼群算法中，
人工鱼个体的状态表示为向量X＝(X1，X2，...Xn)，其中Xi(i＝1，2，...，n)为欲寻优的变量；
人工鱼当前所在位置的食物浓度表示为Y＝f(X)，其中Y为目标函数值；
人工鱼个体之间的距离表示为di，j＝||Xj-Xi||；
Visual表示人工鱼的感知距离；
Step表示人工鱼移动的步长；
δ表示拥挤度因子。
作为优选，所述第二步中的觅食行为具体算法为：
设定人工鱼某一时刻位置为Xi，并在视力感知范围内(di，j≤visual)，在寻求一个位置Xj，这个位置的食物情况Yj如果大于上一个位置的浓度Yi时，则向Xj移步(游动)一次，否则再次选择一个位置Xj，用上述条件判决移步条件是否达到，当达到try_number时，那一时刻的情况还是不满足条件，则按步长移动一下，其计算公式为：
式中k＝1，2，...，n，xjk、xik、xinext分别表示位置信息向量Xj、Xi和个体下一步状态向量Xinext的第k个元素，Random(step)表示[0，step]间的随机数，Xi、Xj位置的食物浓度用Yi、Yj表示；
所述第二步中的聚群行为具体算法为：
假定人工鱼某时刻位置信息是Xi，中心位置Xc，查找视力范围内(di，j≤visual)的同类个数nf，Yc为伙伴中心位置Xc的食物浓度，如果Yc/nf＞δYi，由于式中加入了拥挤度因子，所以说明中心区域位置食物浓度高，拥挤程度适中，此时则向鱼群中心前进一步，否则执行觅食行为；
某时刻位置信息为Xi，视力范围内鱼的数量为nf，则集合KJi：
KJi＝{Xj|||Xj-Xi||≤visual}
(12)
若为空集，满足聚群条件时，朝着鱼群中心位置按步长游动，其计算公式如下：
式中，xck意思是状态向量Xc的第k个元素；
若说明视力范围内没有同类存在，则执行觅食行为；
所述第二步中的追尾行为具体算法为：
假定当前位置为Xi，视力范围内(di，j≤visual)的同类个数nf，及伙伴中Ymax为最大的Xmax，Ymax/nf＞δYmax，则说明Xmax的位置具有较丰富的食物，而且由于式中加入了拥挤度因子，说明环境较为宽松，此时朝着这个个体前进一步，否则执行觅食行为，其中，朝着个体Xmax方向移动的具体公式为：
式中xmaxk表示状态向量Xmax的第k个元素。
其中，遗传算法(Genetic Algorithm，GA)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的J.Holland教授于1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限制；具有内在的隐并行性和较好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。
遗传操作包括三个基本遗传算子：选择、交叉和变异。个体遗传算子的操作都是在随机扰动情况下进行的；因此，群体中个体向最优解迁移的规则是随机的，这种随机化操作和传统的随机搜索方法是有区别的；遗传操作进行的高效有向的搜索而不是一般随机搜索方法所进行的无向搜索；遗传操作的效果和三个遗传算子所取的操作概率，编码方法，群体大小，初始群体以及适应度函数的设定密切相关。
(1)选择：从群体中选择优胜的个体，淘汰劣质个体的操作叫选择；选择算子有时又称为再生算子(reproduction operator)。选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体适应度评估基础上的，目前常用的选择算子有适应度比例方法、随机遍历抽样法、局部选择法。
(2)交叉：在自然界生物进化过程中起核心作用的是生物遗传基因的重组加上变异。遗传算法中起核心作用的是遗传操作的交叉算子。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉，遗传算法的搜索能力得以飞跃提高。交叉算子根据交叉率将种群中的两个个体随机地交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。
(3)变异：变异算子的基本内容是对群体中个体串的某些基因座上的基因值作变动，依据个体编码表示方法的不同。遗传算法引入变异的目的有两个：一是使遗传算法具有局部的随机搜索能力，当遗传算法通过交叉算子已接近最优解邻域时，利用变异算子的这种局部随机搜索能力可以加速向最优解收敛，显然，此种情况下的变异概率应取较小值，否则接近最优解的积木块会因变异而遭到破坏；二是使遗传算法可维持群体多样性，以防止出现未成熟收敛现象，此时收敛概率应取较大值。
人工鱼群算法(Artificial Fish Swarm Algorithm，AFSA)是李晓磊等在对动物群体智能行为研究的基础上提出的一种新型仿生优化算法，该算法根据“水域中鱼生存数目最多的地方一般就是本水域中富含营养物质最多的地方”这一特点，并通过模拟鱼群的觅食行为、聚群行为和追尾行为来实现寻优的。
本发明较现有技术相比，具有以下优点及有益效果：
本发明提出的基于遗传人工鱼群优化RBF神经网络的算法，既避免了人工鱼群算法在寻优过程中产生的方向性差和容易陷入僵局的问题，又可以求得真正的全局最值，而不是局部极值。根据这一理念，使得优化后的算法在电力系统短期负荷预测优化方面要优于单独使用遗传和人工鱼群算法，且根据仿真结果可以验证该算法所建立的预测模型误差更小，效果较为显著。
附图说明
图1为本发明的RBF神经网络结构示意图。
图2为本发明的算法流程图。
图3为本发明的实施例预测数据与人工鱼群优化预测数据、实测数据对比图。
图4为本发明的实施例预测数据与人工鱼群优化预测数据误差对比图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例
电力系统短期负荷受日类型、气象状况等因素影响；日类型包含有工作日、星期日和节假日，具有不同的负荷特性；在相同的日类型条件下，天气状况也对负荷特性产生影响；短期负荷预测需要的信息主要是历史负荷、日类型和天气状况数据；为了验证本发明算法预测电力系统短期负荷预测的实用性，采用焦作市某地区负荷进行了24点短期负荷预测预测研究。
如图1-4所示，根据以上影响因素设置预测因子的为；yi＝[y]，i＝1，2，...，m；j＝1，2，...，n；预测的数据每小时为一个预测点，m＝24，n＝5为每个预测点上预测因子的5个数据[14]；5个数据中的前3个数据分别是是前一天同时刻、前一天的前两个预测点的负荷数据；第4个数据用来反映日类型的影响，是前一星期同天同时刻的负荷历史数据；第5个数据是反映气象状况等因素影响的负荷预测因子，按照24小时分成6个时段来考虑温度影响，设置温度最高点为14:00点和2:00点；
为了方便神经网络的计算，第一步对负荷数据x按下列公式进行初步处理，
上式中的x表示电力负荷值；a和b分别为x的最小值和最大值；
第二步，采用均方误差E作为评价指标，E的计算公式见下式；
上式中，y′为负荷值的预测值，y为实际负荷值；本发明选择鱼群规模N＝25，visual＝0.5，step＝0.5，δ＝3.618；输入层和输出层都是1个神经元；根据以上分析和设置对其历史数据进行建模、训练并验证本发明提出的预测模型，编程环境为Matlab2010；并且将本发明算法和人工鱼群优化神经网络算法所得结果做了对比；具体仿真结果如附图所示，图3为两种预测模型的预测数据与实际负荷数据对比图，图4为两种预测模型的预测数据误差对比图，结果表示本发明算法的预测精度更高，网络收敛速度更快，是一种可行的预测方法。
综上所述，通过本实施例的描述，可以使本技术领域人员更好的实施本方案。参考文献：
[1]康重庆，夏清，张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化，2004(17)：1-11.
[2]廖旎焕，胡智宏，马莹莹，卢王允.电力系统短期负荷预测方法综述[J].电力系统保护与控制，2011，39(01)：147-152.
[3]Khotanzad A，Afkhami-Rohani R，Maratukukulam D.ANNSTLF-Artificialneural network short-time load forecaster-generation three[J].IEEE Trans.onPower Systems，1998，13(4)：1413-1422.
[4]Yoo H，Pimmel R VL.Short term load forecasting using a self-supervised adaptive neural network[J].IEEE Trans.On Power Systems，1999，14(2)：779-784.
[5]彭显刚，胡松峰，吕大勇.基于RBF神经网络的短期负荷预测方法综述[J].电力系统保护与控制，2011，39(17)：144-148.
[6]李敏强，寇纪淞，林丹，等.遗传算法的基本理论与应用[M].北京：科学出版社，2002.
[7]王悦.遗传算法在函数优化中的应用研究[J].电子设计工程，2016，24(10)：74-76.
[8]李晓磊，邵之江，钱积新.一种基于动物自治体的寻优模式：鱼群算法[J].系统工程理论与实践，2002，22(11)：32-38.
[9]李晓磊，钱积新.基于分解协调的人工鱼群优化算法研究[J].电路与系统学报，2003，8(1)：1-6.
[10]李晓磊，路飞，田国会，钱积新.组合优化问题的人工鱼群算法应用[J].山东大学学报(工学版)，2004(05)：64-67.
[11]RAVINDA K，AHUJ A，OZLEM E，et al.A survey of very large-scaleneighborhood search techniques[J].Discrete Ap-plied Mathematics，2002，123(1～3)：75-102.
[12]郭荣艳，史水娥.基于全局最优的快速人工鱼群算法及其应用研究[J].电子技术与软件工程，2016(7)：247-247.
[13]刘东林，李乐乐.一种新颖的改进人工鱼群算法[J].计算机科学，2017，44(04)：281-287.
[14]唐承娥.基于交变粒子群BP网络的电力系统短期负荷预测[J].计算机科学，2017，44(S2)：133-135+165.
Claims (4)
1.一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，其特征在于，通过把遗传算法中的选择、交叉、变异机制引入人工鱼群优化算法，实现了人工鱼个体的跳变，从而调整优化了群体，在提高了人工鱼群算法收敛速度的同时保证了全局搜索能力，该融合算法优化RBF神经网络的设计步骤如下：
第一步，初始化：
清除连续不变化或变化很小的迭代次数NoChangeNum，输入人工鱼的数目N，最大迭代次数number，人工鱼的可视域visual，人工鱼的最大步长step，拥挤度因子δ；产生初始权值ωij(0),每一个分量均为[-1,1]区间内的随机数；以网络的输出误差E定义各人工鱼个体当前位置的食物浓度FC＝1/E，取FC为最大值者进入公告板，将其赋给公告板；
第二步，人工鱼群优化行为：
各人工鱼分别模拟聚群、追尾行为后以最优值执行，缺省方式为觅食行为；
觅食行为时的权值学习方式为：
其中：
追尾行为和聚群行为时的学习方式：
以Xmax为中心c，以最短距离dmin来确定宽度计算输出样本X＝[x1,x2,…,xk]T网络的输出的一般表达式为：
如果令：
W(k)＝[W1(k),W2(k),…,WM(k)]T
(5)
则输出的一般表达式变为
Y(k)＝H(k)·W(k)
(6)
上式是具有最小二乘问题的一般形式，在获得大量离散状态值后，网络的权值可用递推最小二乘方法来识别，具体公式如下，
式中，I为单位矩阵，取这里εp为一个小的正数，一般在10-5左右；
第三步，更新公告板：
人工鱼每行动一次后，将自身函数值FC与公告板FC比较，如果优于公告板，则以自身取代之，同时清零NoChangeNum；
第四步，判断是否需要引入遗传算法：
判断NoChangeNum是否已达到预置的最大阈值MaxNCN,若是，执行第五步；否则执行第六步；
第五步，选择、交叉、变异操作：
对鱼群内除公告板中最优个体外其它所有人工鱼执行选择、交叉、变异操作，清零NoChangeNum；
第六步，终止判断：
判断迭代次数Num是否已达到最大迭代次数MaxNum，若不满足，则Num+1，NoChangeNum+1，执行第三步，否则执行第七步；
第七步，算法终止，输出最优解。
2.根据权利要求1所述的一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，其特征在于：
所述RBF神经网络的输出计算方法为：
设网络输入k维向量X，输出m维向量Y，样本对长度为L，隐层节点相关的中心参数为ci，宽度参数为σi，隐层至输出层连接权值为ωi，网络隐层第i个节点的输出为：
网络输出层第j个节点的输出为隐节点的输出的线性组合；
式中，wji为qi与yj的连接权值；
所述RBF神经网络的学习算法为：
第一步，对所有样本的输入进行聚类，求得各隐含层节点的RBF的中心ci和宽度σi；
第二步，当ci确定后，采用LMS算法训练由隐层至输出层之间的权值，LMS算法即δ法则，权值调整用以下公式：
式中，为期望输出与实际输出的差值，α是常值，0<α<1。
3.根据权利要求1所述的一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，其特征在于，所述人工鱼群算法中，
人工鱼个体的状态表示为向量X＝(X1,X2,…Xn)，其中Xi(i＝1,2,…,n)为欲寻优的变量；
人工鱼当前所在位置的食物浓度表示为Y＝f(X)，其中Y为目标函数值；
人工鱼个体之间的距离表示为di,j＝||Xj－Xi||；
Visual表示人工鱼的感知距离；
Step表示人工鱼移动的步长；
δ表示拥挤度因子。
4.根据权利要求1所述的一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，其特征在于，所述第二步中的觅食行为具体算法为：
设定人工鱼某一时刻位置为Xi，并在视力感知范围内(di,j≤visual)，在寻求一个位置Xj，这个位置的食物情况Yj如果大于上一个位置的浓度Yi时，则向Xj移步(游动)一次，否则再次选择一个位置Xj，用上述条件判决移步条件是否达到，当达到try_number时，那一时刻的情况还是不满足条件，则按步长移动一下，其计算公式为：
式中k＝1,2,…,n，xjk、xik、xinext分别表示位置信息向量Xj、Xi和个体下一步状态向量Xinext的第k个元素，Ramdom(step)表示[0，step]间的随机数，Xi、Xj位置的食物浓度用Yi、Yj表示；
所述第二步中的聚群行为具体算法为：
假定人工鱼某时刻位置信息是Xi，中心位置Xc，查找视力范围内(di,j≤visual)的同类个数nf，Yc为伙伴中心位置Xc的食物浓度，如果Yc/nf>δYi，由于式中加入了拥挤度因子，所以说明中心区域位置食物浓度高，拥挤程度适中，此时则向鱼群中心前进一步，否则执行觅食行为；
某时刻位置信息为Xi，视力范围内鱼的数量为nf，则集合KJi：
若 为空集，满足聚群条件时，朝着鱼群中心位置按步长游动，其计算公式如下：
式中，xck意思是状态向量Xc的第k个元素；
若说明视力范围内没有同类存在，则执行觅食行为；
所述第二步中的追尾行为具体算法为：
假定当前位置为Xi，视力范围内(di,j≤visual)的同类个数nf，及伙伴中Ymax为最大的Xmax，Ymax/nf>δYmax，则说明Xmax的位置具有较丰富的食物，而且由于式中加入了拥挤度因子，说明环境较为宽松，此时朝着这个个体前进一步，否则执行觅食行为，其中，朝着个体Xmax方向移动的具体公式为：
式中xmaxk表示状态向量Xmax的第k个元素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811197252.2A CN109376921A (zh) | 2018-10-15 | 2018-10-15 | 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811197252.2A CN109376921A (zh) | 2018-10-15 | 2018-10-15 | 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109376921A true CN109376921A (zh) | 2019-02-22 |
Family
ID=65400366
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811197252.2A Pending CN109376921A (zh) | 2018-10-15 | 2018-10-15 | 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376921A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222878A (zh) * | 2019-05-17 | 2019-09-10 | 广东工业大学 | 一种基于人工鱼群神经网络的短期负荷预测方法 |
| CN110645990A (zh) * | 2019-10-17 | 2020-01-03 | 浙江科技学院 | 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 |
| CN113131489A (zh) * | 2021-04-08 | 2021-07-16 | 华南理工大学 | 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法 |
| CN113139345A (zh) * | 2021-04-30 | 2021-07-20 | 华北电力大学（保定） | 基于人工鱼群-径向基神经网络的NOx预测方法 |
| CN113988655A (zh) * | 2021-10-30 | 2022-01-28 | 国网河南省电力公司电力科学研究院 | 一种计及多气象因素的输电线路运行状态评估方法 |
| CN114659666A (zh) * | 2022-05-25 | 2022-06-24 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种根据温度变化自动预警的浅层地温能冷堆积监测系统 |
| CN115334002A (zh) * | 2022-06-29 | 2022-11-11 | 沈阳理工大学 | 流量预测下结合改进队列管理算法的aos智能帧生成方法 |
| CN115795483A (zh) * | 2023-01-09 | 2023-03-14 | 工业信息安全(四川)创新中心有限公司 | 一种基于人工鱼群算法的软件漏洞检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202838402U (zh) * | 2012-10-18 | 2013-03-27 | 安徽工程大学 | 一种短期电力负荷预测系统 |
| CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
| CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
| CN105162151A (zh) * | 2015-10-22 | 2015-12-16 | 国家电网公司 | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 |
| CN108022014A (zh) * | 2017-12-05 | 2018-05-11 | 国网山东省电力公司济南供电公司 | 一种电力系统负荷预测方法及系统 |
| CN108182484A (zh) * | 2017-12-04 | 2018-06-19 | 国网吉林省电力有限公司长春供电公司 | 基于网格化技术和bp神经网络的空间负荷预测方法 |
-
2018
- 2018-10-15 CN CN201811197252.2A patent/CN109376921A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202838402U (zh) * | 2012-10-18 | 2013-03-27 | 安徽工程大学 | 一种短期电力负荷预测系统 |
| CN104484833A (zh) * | 2014-12-02 | 2015-04-01 | 常州大学 | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 |
| CN104599501A (zh) * | 2015-01-26 | 2015-05-06 | 大连理工大学 | 一种混合人工鱼群算法优化支持向量回归的交通流预测方法 |
| CN105162151A (zh) * | 2015-10-22 | 2015-12-16 | 国家电网公司 | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 |
| CN108182484A (zh) * | 2017-12-04 | 2018-06-19 | 国网吉林省电力有限公司长春供电公司 | 基于网格化技术和bp神经网络的空间负荷预测方法 |
| CN108022014A (zh) * | 2017-12-05 | 2018-05-11 | 国网山东省电力公司济南供电公司 | 一种电力系统负荷预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 刘白，周永权: "基于遗传算法的人工鱼群优化算法", 《计算机工程与设计》 * |
| 刘耀年，庞松岭，刘岱: "基于人工鱼群算法神经网络的电力系统短期负荷预测", 《电工电能新技术》 * |
| 刘耀年，李迎红，刘俊峰，姚玉萍: "基于人工鱼群算法的径向基神经网络的研究", 《东北电力大学学报》 * |
| 刘葳汉: "基于遗传和人工鱼群融合算法的频谱分配优化", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222878A (zh) * | 2019-05-17 | 2019-09-10 | 广东工业大学 | 一种基于人工鱼群神经网络的短期负荷预测方法 |
| CN110645990A (zh) * | 2019-10-17 | 2020-01-03 | 浙江科技学院 | 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 |
| CN110645990B (zh) * | 2019-10-17 | 2021-06-08 | 浙江科技学院 | 一种基于svm和卡尔曼滤波的鱼群动态预测的水域巡航系统 |
| CN113131489A (zh) * | 2021-04-08 | 2021-07-16 | 华南理工大学 | 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法 |
| CN113139345A (zh) * | 2021-04-30 | 2021-07-20 | 华北电力大学（保定） | 基于人工鱼群-径向基神经网络的NOx预测方法 |
| CN113988655A (zh) * | 2021-10-30 | 2022-01-28 | 国网河南省电力公司电力科学研究院 | 一种计及多气象因素的输电线路运行状态评估方法 |
| CN114659666A (zh) * | 2022-05-25 | 2022-06-24 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种根据温度变化自动预警的浅层地温能冷堆积监测系统 |
| CN114659666B (zh) * | 2022-05-25 | 2022-08-26 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种根据温度变化自动预警的浅层地温能冷堆积监测系统 |
| CN115334002A (zh) * | 2022-06-29 | 2022-11-11 | 沈阳理工大学 | 流量预测下结合改进队列管理算法的aos智能帧生成方法 |
| CN115334002B (zh) * | 2022-06-29 | 2024-04-26 | 沈阳理工大学 | 流量预测下结合改进队列管理算法的aos智能帧生成方法 |
| CN115795483A (zh) * | 2023-01-09 | 2023-03-14 | 工业信息安全(四川)创新中心有限公司 | 一种基于人工鱼群算法的软件漏洞检测方法 |
| CN115795483B (zh) * | 2023-01-09 | 2023-04-21 | 工业信息安全(四川)创新中心有限公司 | 一种基于人工鱼群算法的软件漏洞检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376921A (zh) | 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法 | |
| Assiri et al. | Ant lion optimization: variants, hybrids, and applications | |
| Gharehchopogh et al. | A comprehensive survey on symbiotic organisms search algorithms | |
| Kim et al. | Particle swarm optimization-based CNN-LSTM networks for forecasting energy consumption | |
| Abdolrasol et al. | Artificial neural network based particle swarm optimization for microgrid optimal energy scheduling | |
| Qolomany et al. | Parameters optimization of deep learning models using particle swarm optimization | |
| Abd Elaziz et al. | A Grunwald–Letnikov based Manta ray foraging optimizer for global optimization and image segmentation | |
| Beheshti et al. | A review of population-based meta-heuristic algorithms | |
| Guo et al. | A new improved krill herd algorithm for global numerical optimization | |
| McLane et al. | The role of agent-based models in wildlife ecology and management | |
| Shabir et al. | A comparative study of genetic algorithm and the particle swarm optimization | |
| CN104899431B (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
| Sulaiman et al. | Evolutionary mating algorithm | |
| CN113762603A (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
| CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
| Zaher et al. | A novel harbor seal whiskers optimization algorithm | |
| Robati et al. | Inflation rate modeling: adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO) | |
| Aly et al. | A proposed algorithms for tidal in-stream speed model | |
| Lei et al. | Parameter identification of photovoltaic cell using modified bare-bones imperialist competition algorithm | |
| CN110334869A (zh) | 一种基于动态群优化算法的红树林生态健康预测训练方法 | |
| Zhu et al. | Short‐Term Load Forecasting Based on Gaussian Process Regression with Density Peak Clustering and Information Sharing Antlion Optimizer | |
| CN114021847A (zh) | 基于isgu混合模型的短期电力负荷预测方法及系统 | |
| Sun et al. | Water temperature prediction in sea cucumber aquaculture ponds by RBF neural network model | |
| CN111028512B (zh) | 一种基于稀疏bp神经网络的实时交通预测方法及装置 | |
| Wu et al. | Improved AFSA for solving intelligent test problem |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |