CN110222878A - 一种基于人工鱼群神经网络的短期负荷预测方法 - Google Patents

一种基于人工鱼群神经网络的短期负荷预测方法 Download PDF

Info

Publication number
CN110222878A
CN110222878A CN201910413029.5A CN201910413029A CN110222878A CN 110222878 A CN110222878 A CN 110222878A CN 201910413029 A CN201910413029 A CN 201910413029A CN 110222878 A CN110222878 A CN 110222878A
Authority
CN
China
Prior art keywords
data
indicate
neural network
neuron
artificial fish
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.)
Granted
Application number
CN201910413029.5A
Other languages
English (en)
Other versions
CN110222878B (zh
Inventor
叶辉良
吴杰康
张文杰
毛颖卓
雷振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910413029.5A priority Critical patent/CN110222878B/zh
Publication of CN110222878A publication Critical patent/CN110222878A/zh
Application granted granted Critical
Publication of CN110222878B publication Critical patent/CN110222878B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明方法采集历史负荷数据以及相关天气数据，将历史负荷数据和相关天气数据形成数据集合并进行预处理，建立人工鱼群神经网络并使用改进的优化算法对其中的阈值和权值进行更新，其中结合了莱维飞行的模拟行为从而更容易扩散鱼群的感应范围，模拟鱼群的行为，使得网络更容易寻找最优食物浓度，提高了收敛速度以及短期负荷预测的精准度；最后将预处理的数据集合作为输入放入初始化后的人工鱼群神经网络中进行训练，利用训练完毕的人工鱼群神经网络进行短期负荷预测。本发明方法解决了现有的人工神经网络结构采用梯度下降法更新权值和阈值而导致神经网络预测时间长的问题，同时提高了短期负荷预测的精度。

Description

一种基于人工鱼群神经网络的短期负荷预测方法
技术领域
本发明涉及电力系统负荷预测技术领域，更具体地，涉及一种基于人工鱼群神经网络的短期负荷预测方法。
背景技术
电力系统短期负荷预测是保证电力系统安全经济运行和实现电网科学管理及调度的重要依据，也是能量管理系统(EMS)和配电管理系统(DMS)的重要组成部分。短期负荷由于人们生活习惯等各方面因素的影响而具有波动性和随机性。不精准的负荷预测值将会给电网安全可靠稳定运行和调度管理带来诸多问题，因此，提供精准的短期负荷预测给电力调度部门作为调度的参考依据具有重要意义。
短期负荷预测的方法有时间序列分析、概率统计等传统方法和以人工神经网络为代表的基于人工智能理论的现代化方法。然而现有人工神经网络结构较大时，依然采用梯度下降法等传统方法更新权值和阈值，这严重的影响了神经网络的训练速度和训练精度，从而降低网络预测的性能以及短期负荷的预测精度，导致传统人工神经网络预测模型普适性较弱。
发明内容
本发明为解决现有用于电力系统短期负荷预测的人工神经网络存在训练速度慢、训练精度低的问题，提供了一种基于人工鱼群神经网络的短期负荷预测方法。
为实现以上发明目的，而采用的技术手段是：
一种基于人工鱼群神经网络的短期负荷预测方法，包括以下步骤：
S1.获取预测日前N天的历史负荷数据以及预测日前N天的相关天气数据，将获取的历史负荷数据和相关天气数据随机划分为训练集和预测集；并将所有数据建立初始数据集合；其中相关天气数据包括温度和湿度数据；其中N为正整数；
S2.对初始数据集合中的数据进行预处理；其中预处理包括标准化处理以及归一化处理；
S3.构建人工鱼群神经网络，对所述人工鱼群神经网络进行初始化后将预处理后的训练集数据输入所述人工鱼群神经网络进行训练；
S4.将预处理后的预测集数据输入训练完毕的人工鱼群神经网络进行短期负荷预测，输出预测时刻短期负荷的归一化值；
S5.对所述预测时刻短期负荷的归一化值进行反归一化处理，得到预测时刻短期负荷的预测结果。
上述方案中，采集历史负荷数据以及相关天气数据，将历史负荷数据和相关天气数据形成数据集合并进行预处理，然后将预处理的数据集合作为输入放入初始化后的人工鱼群神经网络中进行训练，利用训练完毕的人工鱼群神经网络进行短期负荷预测，上述方案对于短期负荷预测的速度更快，结果更精准。
优选的，所述步骤S1具体为以时间间隔M分钟为一个样本单位，获取预测日前N天的历史负荷数据以及预测日前N天的相关天气数据，建立初始输入数据集合；其中M、N均为正整数；
X＝[L T H]
其中X为初始输入数据集合，L表示历史负荷数据，T表示包括平均温度、最低温度以及最高温度的温度数据，H表示湿度数据；
L＝[Lt-N Lt-(N-1) … Lt-1]
Lt-1＝[L1 L2 ... L1400/M]
其中t表示预测日，Lt-1表示预测日前一日的负荷数据，L1表示第一个M分钟的负荷数据；
T＝[Tt-N Tt-(N-1) ...Tt-1]
Tt-1＝[T1 T2 ... T1400/M]
其中t表示预测日，Tt-1表示预测日前一日的温度数据，T1表示第一个M分钟的温度数据；
H＝[Ht-N Ht-(N-1) ...Ht-1]
Ht-1＝[H1 H2 ...H1400/M]
其中t表示预测日，Ht-1表示预测日前一日的湿度数据，H1表示第一个M分钟的湿度数据。
优选的，所述步骤S1中M的取值为15，N的取值为30。
优选的，所述步骤S3具体包括以下步骤：
S31.构建人工鱼群神经网络，确定所述人工鱼群神经网络的层数以及其中神经元个数，随机初始化所述人工鱼群神经网络的权值ω以及阈值Tj；
S32.根据人工鱼群算法，对权值ω以及阈值Tj进行更新，得到权值ω以及阈值Tj的最优值；
S33.将预处理后的训练集数据输入所述人工鱼群神经网络进行训练。
优选的，所述步骤S32中对权值ω进行更新具体包括：
a.觅食行为：定义ωij表示第i个神经元对第j个神经元的权值，ωij模仿鱼群，当发现食物时候，会向食物逐渐增加的方向快速聚拢，即
其中ωij表示第i个神经元对第j个神经元的权值；表示第t代中第i个神经元对第j个神经元的权值；st+1表示第t+1代中步长因子；分别表示第t代中第i个神经元对第j个神经元权值的第n个和第m个状态变量；α0取0.01；L(2β)表示服从参数2β的莱维飞行的一个搜索向量；FCn、FCm分别表示状态和状态对应的食物浓度；
其中st表示第t代中步长因子；表示第t代中第i个神经元对第j个神经元的权值；
s.t.μ～N(0,δ2),v～N(0,1)
其中μ、v表示符合正态分布的随机变量；
其中，λ＝1+2β；
在本优选方案中的觅食行为中，由于当食物浓度较高时，步长因子st+1为变步长，即权值更新方式为变步长更新，相对于固定步长的权值更新方式，其优势在收敛到一定范围后，收敛速度不会因为振荡现象而降低，从而保持较好的收敛速度继续收敛。当食物浓度较低时，相对于现有以单一公式进行的觅食行为，莱维飞行的模拟行为更容易扩散鱼群的感应范围，模拟鱼群的行为，使得网络更容易寻找最优食物浓度，提高了收敛速度。
b.聚群行为：鱼聚群时遵守隔离原则和中心原则，其中隔离原则即避免与附近的鱼过于拥挤；中心原则即尽可能往附近的鱼方向中心移动；
定义人工鱼当前状态为可见域内伙伴数目为anm，形成集合KNm；
若其中为空集，表明可见域内存在其他伙伴，即aji≥1，则按照搜索伙伴中心位置并计算该伙伴中心位置的食物浓度值FCc；
当FCc/anm＞FCn，则表明伙伴中心位置安全度较高，不太拥挤，计算与中心的距离dmin，尽量朝临近伙伴的中心移动；
若表明可见域内不存在其他伙伴，则执行觅食行为；
c.追尾行为：模仿鱼群当前的状态，可见域内所有伙伴中FC最大的伙伴为若FCn＞FCm，则表明伙伴的食物浓度高、周围不拥挤，则执行下式更新权重
其中ωij表示第i个神经元对第j个神经元的权值；表示第t代中第i个神经元对第j个神经元的权值；st+1表示第t+1代中步长因子；分别表示第t代中第i个神经元对第j个神经元权值的第n个和第m个状态变量；
若FCn≤FCm，则按照下式继续觅食；
表示第t代中第i个神经元对第j个神经元的权值；α0取0.01；L(2β)表示服从参数2β的莱维飞行的一个搜索向量。
优选的，步骤S5中所述反归一化处理的公式为：
其中x表示短期负荷的预测结果值；和x分别表示初始输入数据集合X列向量数据中的最大值和最小值；y表示待预测时刻负荷的预测值。
与现有技术相比，本发明技术方案的有益效果是：
本发明方法考虑了神经网络中权值和阈值对于预测模型的重要性，利用改进的优化算法对本发明中人工鱼群神经网络中的权值和阈值进行更新，其中结合了莱维飞行的模拟行为从而更容易扩散鱼群的感应范围，模拟鱼群的行为，使得网络更容易寻找最优食物浓度，提高了收敛速度以及短期负荷预测的精准度。
本发明方法解决了现有的人工神经网络结构采用梯度下降法更新权值和阈值而导致神经网络预测时间长的问题，同时解决了由于不恰当的权值和阈值影响了人工神经网络的训练效果，从而降低短期负荷预测精度的问题。
附图说明
图1为本发明方法的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
一种基于人工鱼群神经网络的短期负荷预测方法，包括以下步骤：
S1.获取预测日前N天的历史负荷数据以及预测日前N天的相关天气数据，将获取的历史负荷数据和相关天气数据随机划分为训练集和预测集；并将所有数据建立初始数据集合；其中相关天气数据包括温度和湿度数据；其中N为正整数；
在本实施例1中，该步骤具体为以15分钟为一个样本单位，获取预测日前30天的历史负荷数据以及预测日前30天的相关天气数据，即M取15，N取30；建立初始输入数据集合；
X＝[L T H]
其中X为初始输入数据集合，L表示历史负荷数据，T表示包括平均温度、最低温度以及最高温度的温度数据，H表示湿度数据；
L＝[L30 Lt-29 ... Lt-1]
Lt-1＝[L1 L2 ... L96]
其中t表示预测日，Lt-1表示预测日前一日的负荷数据，L1表示第1个15分钟的负荷数据；
T＝[Tt-30 Tt-29 ... Tt-1]
Tt-1＝[T1 T2 ... T96]
其中t表示预测日，Tt-1表示预测日前一日的温度数据，T1表示第1个15分钟的温度数据；
H＝[Ht-30 Ht-29 ... Ht-1]
Ht-1＝[H1 H2 ... H96]
其中t表示预测日，Ht-1表示预测日前一日的湿度数据，H1表示第1个15分钟的湿度数据。
S2.对初始数据集合中的数据进行预处理；其中预处理包括标准化处理以及归一化处理；
S3.构建人工鱼群神经网络，对所述人工鱼群神经网络进行初始化后将预处理后的训练集数据输入所述人工鱼群神经网络进行训练；
该步骤具体包括：
S31.构建人工鱼群神经网络，确定所述人工鱼群神经网络的层数以及其中神经元个数，随机初始化所述人工鱼群神经网络的权值ω以及阈值Tj；
S32.根据人工鱼群算法，对权值ω以及阈值Tj进行更新，得到权值ω以及阈值Tj的最优值；
其中对权值ω进行更新具体包括：
a.觅食行为：定义ωij表示第i个神经元对第j个神经元的权值，ωij模仿鱼群，当发现食物时候，会向食物逐渐增加的方向快速聚拢，即
其中ωij表示第i个神经元对第j个神经元的权值；表示第t代中第i个神经元对第j个神经元的权值；st+1表示第t+1代中步长因子；分别表示第t代中第i个神经元对第j个神经元权值的第n个和第m个状态变量；α0取0.01；L(2β)表示服从参数2β的莱维飞行的一个搜索向量；FCn、FCm分别表示状态和状态对应的食物浓度；
其中st表示第t代中步长因子；表示第t代中第i个神经元对第j个神经元的权值；
s.t.μ～N(0,δ2),v～N(0,1)
其中μ、v表示符合正态分布的随机变量；
其中，λ＝1+2β；
在本实施例1中的觅食行为中，由于当食物浓度较高时，步长因子st+1为变步长，即权值更新方式为变步长更新，相对于固定步长的权值更新方式，其优势在收敛到一定范围后，收敛速度不会因为振荡现象而降低，从而保持较好的收敛速度继续收敛。当食物浓度较低时，相对于现有以单一公式进行的觅食行为，莱维飞行的模拟行为更容易扩散鱼群的感应范围，模拟鱼群的行为，使得网络更容易寻找最优食物浓度，提高了收敛速度。
b.聚群行为：鱼聚群时遵守隔离原则和中心原则，其中隔离原则即避免与附近的鱼过于拥挤；中心原则即尽可能往附近的鱼方向中心移动；
定义人工鱼当前状态为可见域内伙伴数目为anm，形成集合KNm；
若其中为空集，表明可见域内存在其他伙伴，即aji≥1，则按照搜索伙伴中心位置并计算该伙伴中心位置的食物浓度值FCc；
当FCc/anm＞FCn，则表明伙伴中心位置安全度较高，不太拥挤，计算与中心的距离dmin，尽量朝临近伙伴的中心移动；
若表明可见域内不存在其他伙伴，则执行觅食行为；
c.追尾行为：模仿鱼群当前的状态，可见域内所有伙伴中FC最大的伙伴为若FCn＞FCm，则表明伙伴的食物浓度高、周围不拥挤，则执行下式更新权重
其中ωij表示第i个神经元对第j个神经元的权值；表示第t代中第i个神经元对第j个神经元的权值；st+1表示第t+1代中步长因子；分别表示第t代中第i个神经元对第j个神经元权值的第n个和第m个状态变量；
若FCn≤FCm，则按照下式继续觅食；
表示第t代中第i个神经元对第j个神经元的权值；α0取0.01；L(2β)表示服从参数2β的莱维飞行的一个搜索向量；
对于阈值Tj的更新，也是采用上述同样的方法，本实施例1不作另外说明。
S33.将预处理后的训练集数据输入所述人工鱼群神经网络进行训练。
S4.将预处理后的预测集数据输入训练完毕的人工鱼群神经网络进行短期负荷预测，输出预测时刻短期负荷的归一化值；
S5.对所述预测时刻短期负荷的归一化值进行反归一化处理，得到预测时刻短期负荷的预测结果。
其中反归一化处理的公式为：
其中x表示短期负荷的预测结果值；和x分别表示初始输入数据集合X列向量数据中的最大值和最小值；y表示待预测时刻负荷的预测值。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种基于人工鱼群神经网络的短期负荷预测方法，其特征在于，包括以下步骤：
S1.获取预测日前N天的历史负荷数据以及预测日前N天的相关天气数据，将获取的历史负荷数据和相关天气数据随机划分为训练集和预测集；并将所有数据建立初始数据集合；其中相关天气数据包括温度和湿度数据；其中N为正整数；
S2.对初始数据集合中的数据进行预处理；其中预处理包括标准化处理以及归一化处理；
S3.构建人工鱼群神经网络，对所述人工鱼群神经网络进行初始化后将预处理后的训练集数据输入所述人工鱼群神经网络进行训练；
S4.将预处理后的预测集数据输入训练完毕的人工鱼群神经网络进行短期负荷预测，输出预测时刻短期负荷的归一化值；
S5.对所述预测时刻短期负荷的归一化值进行反归一化处理，得到预测时刻短期负荷的预测结果。
2.根据权利要求1所述的基于人工鱼群神经网络的短期负荷预测方法，其特征在于，所述步骤S1具体为以时间间隔M分钟为一个样本单位，获取预测日前N天的历史负荷数据以及预测日前N天的相关天气数据，建立初始输入数据集合；其中M、N均为正整数；
X＝[L T H]
其中X为初始输入数据集合，L表示历史负荷数据，T表示包括平均温度、最低温度以及最高温度的温度数据，H表示湿度数据；
L＝[Lt-N Lt-(N-1)...Lt-1]
Lt-1＝[L1 L2…L1400/M]
其中t表示预测日，Lt-1表示预测日前一日的负荷数据，L1表示第一个M分钟的负荷数据；
T＝[Tt-N Tt-(N-1)…Tt-1]
Tt-1＝[T1 T2...T1400/M]
其中t表示预测日，Tt-1表示预测日前一日的温度数据，T1表示第一个M分钟的温度数据；
H＝[Ht-N Ht-(N-1)...Ht-1]
Ht-1＝[H1 H2...H1400/M]
其中t表示预测日，Ht-1表示预测日前一日的湿度数据，H1表示第一个M分钟的湿度数据。
3.根据权利要求2所述的基于人工鱼群神经网络的短期负荷预测方法，其特征在于，所述步骤S1中M的取值为15，N的取值为30。
4.根据权利要求1～3任一项所述的基于人工鱼群神经网络的短期负荷预测方法，其特征在于，所述步骤S3具体包括以下步骤：
S31.构建人工鱼群神经网络，确定所述人工鱼群神经网络的层数以及其中神经元个数，随机初始化所述人工鱼群神经网络的权值ω以及阈值Tj；
S32.根据人工鱼群算法，对权值ω以及阈值Tj进行更新，得到权值ω以及阈值Tj的最优值；
S33.将预处理后的训练集数据输入所述人工鱼群神经网络进行训练。
5.根据权利要求4所述的基于人工鱼群神经网络的短期负荷预测方法，其特征在于，所述步骤S32中对权值ω进行更新具体包括：
a.觅食行为：定义ωij表示第i个神经元对第j个神经元的权值，ωij模仿鱼群，当发现食物时候，会向食物逐渐增加的方向快速聚拢，即
其中ωij表示第i个神经元对第j个神经元的权值；表示第t代中第i个神经元对第j个神经元的权值；st+1表示第t+1代中步长因子；分别表示第t代中第i个神经元对第j个神经元权值的第n个和第m个状态变量；α0取0.01；L(2β)表示服从参数2β的莱维飞行的一个搜索向量；FCn、FCm分别表示状态和状态对应的食物浓度；
其中st表示第t代中步长因子；表示第t代中第i个神经元对第j个神经元的权值；
s.t.μ～N(0,δ2),v～N(0,1)
其中μ、v表示符合正态分布的随机变量；
其中，λ＝1+2β；
b.聚群行为：鱼聚群时遵守隔离原则和中心原则，其中隔离原则即避免与附近的鱼过于拥挤；中心原则即尽可能往附近的鱼方向中心移动；
定义人工鱼当前状态为可见域内伙伴数目为anm，形成集合KNm；
若其中为空集，表明可见域内存在其他伙伴，即aji≥1，则按照搜索伙伴中心位置并计算该伙伴中心位置的食物浓度值FCc；
当FCc/anm＞FCn，则表明伙伴中心位置安全度较高，不太拥挤，计算与中心的距离dmin，尽量朝临近伙伴的中心移动；
若表明可见域内不存在其他伙伴，则执行觅食行为；
c.追尾行为：模仿鱼群当前的状态，可见域内所有伙伴中FC最大的伙伴为若FCn＞FCm，则表明伙伴的食物浓度高、周围不拥挤，则执行下式更新权重
其中ωij表示第i个神经元对第j个神经元的权值；表示第t代中第i个神经元对第j个神经元的权值；st+1表示第t+1代中步长因子；分别表示第t代中第i个神经元对第j个神经元权值的第n个和第m个状态变量；
若FCn≤FCm，则按照下式继续觅食；
表示第t代中第i个神经元对第j个神经元的权值；α0取0.01；L(2β)表示服从参数2β的莱维飞行的一个搜索向量。
6.根据权利要求4所述的基于人工鱼群神经网络的短期负荷预测方法，其特征在于，步骤S5中所述反归一化处理的公式为：
其中x表示短期负荷的预测结果值；和x分别表示初始输入数据集合X列向量数据中的最大值和最小值；y表示待预测时刻负荷的预测值。
CN201910413029.5A 2019-05-17 2019-05-17 一种基于人工鱼群神经网络的短期负荷预测方法 Expired - Fee Related CN110222878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910413029.5A CN110222878B (zh) 2019-05-17 2019-05-17 一种基于人工鱼群神经网络的短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910413029.5A CN110222878B (zh) 2019-05-17 2019-05-17 一种基于人工鱼群神经网络的短期负荷预测方法

Publications (2)

Publication Number Publication Date
CN110222878A true CN110222878A (zh) 2019-09-10
CN110222878B CN110222878B (zh) 2022-09-06

Family

ID=67821363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910413029.5A Expired - Fee Related CN110222878B (zh) 2019-05-17 2019-05-17 一种基于人工鱼群神经网络的短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN110222878B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329338A (zh) * 2020-10-26 2021-02-05 中国移动通信集团内蒙古有限公司 基于鱼群优化bp神经网络的冷源系统控制方法及装置
CN113723593A (zh) * 2021-08-26 2021-11-30 国网山东省电力公司济南供电公司 一种基于神经网络的切负荷预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030163057A1 (en) * 2002-02-22 2003-08-28 Flick James T. Method for diagnosing heart disease, predicting sudden death, and analyzing treatment response using multifractial analysis
CN104318329A (zh) * 2014-10-20 2015-01-28 国家电网公司 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
CN107316059A (zh) * 2017-06-16 2017-11-03 陕西师范大学 学习者姿态识别方法
CN108389211A (zh) * 2018-03-16 2018-08-10 西安电子科技大学 基于改进鲸鱼优化模糊聚类的图像分割方法
CN108734321A (zh) * 2018-05-17 2018-11-02 江苏大学 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法
CN108876001A (zh) * 2018-05-03 2018-11-23 东北大学 一种基于孪生支持向量机的短期电力负荷预测方法
CN109376921A (zh) * 2018-10-15 2019-02-22 河南理工大学 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030163057A1 (en) * 2002-02-22 2003-08-28 Flick James T. Method for diagnosing heart disease, predicting sudden death, and analyzing treatment response using multifractial analysis
CN104318329A (zh) * 2014-10-20 2015-01-28 国家电网公司 一种布谷鸟搜索算法改进支持向量机的电力负荷预测方法
CN107316059A (zh) * 2017-06-16 2017-11-03 陕西师范大学 学习者姿态识别方法
CN108389211A (zh) * 2018-03-16 2018-08-10 西安电子科技大学 基于改进鲸鱼优化模糊聚类的图像分割方法
CN108876001A (zh) * 2018-05-03 2018-11-23 东北大学 一种基于孪生支持向量机的短期电力负荷预测方法
CN108734321A (zh) * 2018-05-17 2018-11-02 江苏大学 一种基于改进ABC算法的Elman神经网络的短期负荷预测方法
CN109376921A (zh) * 2018-10-15 2019-02-22 河南理工大学 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EREN BAS 等: "A Fuzzy Time Series Forecasting Method Based on Operation of Union and Feed Forward Artificial Neural Network", 《AMERICAN JOURNAL OF INTELLIGENT SYSTEMS》 *
VALENTIN VALLAEYS 等: "A Le´vy-flight diffusion model to predict transgenic pollen dispersal", 《JOURNAL OF THE ROYAL SOCIETY INTERFACE》 *
ZHENRUI PENG 等: "Modification of Fish Swarm Algorithm Based on Levy Flight and Firefly Behavior", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 *
胡智强等: "基于布谷鸟搜索优化支持向量机的短期负荷预测", 《水电能源科学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112329338A (zh) * 2020-10-26 2021-02-05 中国移动通信集团内蒙古有限公司 基于鱼群优化bp神经网络的冷源系统控制方法及装置
CN112329338B (zh) * 2020-10-26 2023-07-28 中国移动通信集团内蒙古有限公司 基于鱼群优化bp神经网络的冷源系统控制方法及装置
CN113723593A (zh) * 2021-08-26 2021-11-30 国网山东省电力公司济南供电公司 一种基于神经网络的切负荷预测方法及系统
CN113723593B (zh) * 2021-08-26 2024-01-09 国网山东省电力公司济南供电公司 一种基于神经网络的切负荷预测方法及系统

Also Published As

Publication number Publication date
CN110222878B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
Yu et al. Short-term solar flare prediction using a sequential supervised learning method
CN110046787A (zh) 一种城市区域电动汽车充电需求时空预测方法
CN109711620A (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
CN107622329A (zh) 基于多时间尺度长短时记忆神经网络的电力负荷预测方法
CN110322695A (zh) 一种基于深度学习的短时交通流预测方法
CN109325624A (zh) 一种基于深度学习的月度电力需求预测方法
CN108876001B (zh) 一种基于孪生支持向量机的短期电力负荷预测方法
CN110535149A (zh) 一种公变台区电力负荷三相不平衡预测方法
CN107480815A (zh) 一种电力系统台区负荷预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN104636801A (zh) 一种基于优化bp神经网络的预测输电线路可听噪声方法
Zhaoyu et al. The application of the PSO based BP network in short-term load forecasting
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
CN110222878A (zh) 一种基于人工鱼群神经网络的短期负荷预测方法
CN108280998A (zh) 基于历史数据动态选择的短时交通流预测方法
CN111325315A (zh) 基于深度学习的配变停电电量损失预测的方法
CN110070228A (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN107453921A (zh) 基于非线性神经网络的智慧城市系统人工智能评价方法
CN108536572A (zh) 基于AppUsage2Vec模型的智能手机App使用预测方法
CN110097236A (zh) 一种基于FA优化Elman神经网络的短期负荷预测方法
CN114039659A (zh) 一种光纤通信高阶色散预测算方法
CN111784019A (zh) 电力负荷处理方法和装置
Tiwari et al. Internet activity forecasting over 5g billing data using deep learning techniques
Zanjani et al. Short-term Load Forecasting using the Combined Method of Wavelet Transform and Neural Networks Tuned by the Gray Wolf Optimization Algorithm
CN111767991B (zh) 一种基于深度q学习的测控资源调度方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220906