CN113689029A - 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 - Google Patents
基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 Download PDFInfo
- Publication number
- CN113689029A CN113689029A CN202110865609.5A CN202110865609A CN113689029A CN 113689029 A CN113689029 A CN 113689029A CN 202110865609 A CN202110865609 A CN 202110865609A CN 113689029 A CN113689029 A CN 113689029A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sparrow
- search algorithm
- elman
- elman 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
- 241000287127 Passeridae Species 0.000 title claims abstract description 122
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 82
- 238000010845 search algorithm Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000019637 foraging behavior Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000002789 length control Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
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)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Genetics & Genomics (AREA)
- Physiology (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
本发明公开了一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,建立短期负荷预测模型,在经典的Elman动态网络中引入麻雀搜索算法SSA,对该网络的训练过程做进一步的优化;包括以下步骤:首先初始化种群、迭代次数等相关参数,计算适应度值并排序;然后更新发现者、加入者以及改进的意识到危险麻雀位置;再次计算适应度值并更新麻雀位置;判断是否满足SSA的结束条件,在满足条件的情况下,将全局最优值赋予Elman网络的权值和阈值;Elman神经网络进行局部优化;最终预测模型输出最佳预测值。本发明可提高Elman神经网络的泛化能力和适应能力,使预测模型的运算效率和预测精度提高,且该方法辨识能力优于经典Elman网络,泛化误差明显小于经典网络。
Description
技术领域
本发明涉及短期负荷预测技术领域,具体涉及一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法。
背景技术
在互联网与物联网迅猛发展的趋势下,各个行业都在不断地通过高新技术革新来提高行业竞争力。不论什么行业都离不开电能的使用,企业作为用电耗能大户,对企业用电进行科学合理的管理也越来越受到企业的关注。因此,如何能够更加精确的在企业中基于用电历史数据进而预测出未来某一时刻的用电信息来对企业用电进行科学合理的管理尤为重要。
由于负荷预测使用的方法不一,预测精度相应会各有差异。
发明内容
为了解决上述技术问题,本发明提出了一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法;能提高企业负荷预测的精确度,可有效的解决上述技术问题。
本发明通过以下技术方案实现:
一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,该方法包括建立短期负荷预测模型;具体为建立基于麻雀搜索算法优化的Elman神经网络预测模型,通过基于麻雀搜索算法优化的Elman神经网络预测模型进行训练,输出最佳预测值;具体的优化步骤如下:
步骤一:开始操作,建立短期负荷预测模型,获得训练样本;
步骤二:建立基于麻雀搜索算法优化的Elman神经网络预测模型;
步骤三:将训练样本带入到基于麻雀搜索算法优化的Elman神经网络预测模型进行训练;
步骤四:将全局最优值赋予Elman网络的权值和阈值;
步骤五:Elman神经网络进行局部优化;
步骤六:最终预测模型输出最佳预测值;结束操作。
进一步的,步骤一所述的建立短期负荷预测模型的具体方式为:将限定时间段内每隔2小时测得的历史负荷数据作为训练样本,将训练样本分别采用原始的Elman神经网络预测模型和基于麻雀搜索算法优化的Elman神经网络预测模型进行训练,预测限定时间段后一日的企业电力负荷数值;模型中将每3天的负荷作为输入向量,第4天的负荷作为目标向量,这样可以得到多组训练样本,并将限定时间段后一日的数据作为网络的测试样本。
进一步的,步骤二所述的建立基于麻雀搜索算法优化的Elman神经网络预测模型,是在经典的Elman动态网络中引入麻雀搜索算法,对经典的Elman动态网络的训练过程做进一步的优化。
进一步的,所述的麻雀搜索算法是一种群智能优化算法,主要受麻雀的觅食行为和反捕食行为而启发;麻雀搜索算法中m只麻雀组成的种群可表示为:
其中,n为待优化问题变量的维数,m为麻雀的数量,f表示适应度值,则所有麻雀的适应度值可以表示为:
进一步的,所述的麻雀搜索算法中,在每次迭代麻雀通常可被分为发现者和加入者两种类型,在每次迭代的过程中,发现者的位置更新描述如下:
其中,t为当前迭代数;itermax为常数,表示最大的迭代次数;j可取值1,2,3,...,n;α属于(0,1]的一个随机数;Xi,j为第i只麻雀在第j维中的位置信息;Cwarn为预警值(Cwarn∈[0,1]);Csafe为安全值(Csafe∈[0.5,1]);N为服从正态分布的随机数;L为1×n的矩阵,每个元素均为1;
加入者的位置更新描述如下:
其中,Xp为目前发现者所占据的最优位置;Xworst为当前的全局最差位置;A为1×n的矩阵,每个元素随机赋值为1或-1,且A+=AT(AAT)-1;
假设意识到危险的麻雀初始位置在种群中随机产生,则改进意识到危险麻雀的位置更新公式为:
其中,Xbest为当前的全局最优位置;B为1×n的矩阵,每个元素随机赋值为1或-1,且B+=BT(BBT)-1;ε为最小的常数,以避免分母出现零;P属于[-1,1]的一个随机数,表示麻雀移动的方向;fi为当前麻雀个体的适应度值;fb为当前全局最佳适应度值;fw为当前全局最差的适应度值。
进一步的,所述的Elman动态网络是一种典型的递归神经网络,Elman神经网络的学习算法如下:
y(k)=g(ω3x(k)) (6)
x(k)=f(ω1xc(k)+ω2(u(k-1))) (7)
xc(k)=x(k-1) (8)
Elman神经网络的学习指标函数采用误差平方和函数,即:
其中,u为r维输入向量;xc为n维反馈向量;y为m维的输出节点向量;x为n维的隐含层节点向量;w1为承接层到隐含层的连接权值;w2为输入层到隐含层的连接权值;w3隐含层到输出层的连接权值;f(*)为隐含层神经元的传递函数,常用S函数;g(*)为输出神经元的传递函数,是隐含层输出的线性组合。
进一步的,步骤三所述的将训练样本带入到基于麻雀搜索算法优化的Elman神经网络预测模型进行训练;训练流程的具体步骤如下:
步骤3.1:创建Elman神经网络模型,将用于训练神经网络的历史样本数据进行归一化预处理;归一化公式为:
得到的预测值再进行反归一化处理,反归一化公式如下:
步骤3.2:初始化种群、迭代次数等相关参数,如设定麻雀种群中发现者的数量、意识到危险的麻雀所占种群的比例,以及麻雀搜索算法中安全阈值的设置;
步骤3.3:选择适应度函数,对每个麻雀的适应度值进行排序。将发现者、加入者以及意识到危险的麻雀的位置按照公式(3)、(4)和(5)进行更新;
适应度函数设计为测试集的绝对误差和:
步骤3.4:计算适应度值并更新麻雀位置;
步骤3.5:如果优化算法满足结束条件,则将全局最优值赋予Elman神经网络的权值、阈值,再对网络的局部进行优化;若未满足算法要求,则返回步骤3.3重新进行运算。
有益效果
本发明提出的一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,与传统的现有技术相比较,其具有以下有益效果:
(1)本技术方案经过麻雀搜索算法优化后的Elman神经网络模型预测精度更优于原始Elman神经网络的预测模型。原始Elman神经网络是一种典型的递归神经网络,因其内部具有前馈、反馈结构,使其比普通神经网络具有更强的学习能力,非常适合于构建负荷预测的非线性模型。然而神经网络初始参数的选取对于网络性能具有较大影响,利用麻雀搜索算法对神经网络的初始权值、阈值进行调整,可以使网络输出的误差减小,达到提高神经网络预测模型预测精度的目的。
(2)本技术方案中的利用麻雀搜索算法对神经网络的初始权值、阈值进行调整,避免Elman神经网络在训练过程中陷入局部最优,进一步提高E1man神经网络的泛化能力和适应能力,可以缩短Elman神经网络对于权值和阈值的选定,加速预测进度。
(3)本技术方案对原始麻雀搜索算法中的意识到危险麻雀位置更新公式进行改进,可使正处于种群边缘的意识到危险的麻雀更加快速且集中地向安全区域移动,使得算法完成寻优过程的迭代次数减小,同时提高预测精度。
附图说明
图1是本发明中麻雀搜索算法训练流程图。
图2是本发明中Elman神经网络结构图。
图3是本发明中Elman神经网络训练流程图。
图4是基于麻雀搜索算法优化Elman神经网络的训练流程图。
图5是原始Elman和SSA-Elman预测绝对误差比较图。
图6(a)是原始麻雀收敛曲线图。
图6(b)是改进麻雀收敛曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,该方法包括建立短期负荷预测模型;具体为建立基于麻雀搜索算法优化的Elman神经网络预测模型,通过基于麻雀搜索算法优化的Elman神经网络预测模型进行训练,输出最佳预测值;具体的优化步骤如下:
步骤一:开始操作,建立短期负荷预测模型,获得训练样本;
将前9日0-22时每隔2小时测得的的历史负荷数据作为训练样本分别采用原始的Elman神经网络预测模型和基于麻雀搜索算法优化的Elman神经网络预测模型进行训练,预测第10日的企业电力负荷数值;模型中将每3天的负荷作为输入向量,第4天的负荷作为目标向量,这样可以得到6组训练样本,第10天的数据作为网络的测试样本。
步骤二:建立基于麻雀搜索算法优化的Elman神经网络预测模型;是在经典的Elman动态网络中引入麻雀搜索算法,对经典的Elman动态网络的训练过程做进一步的优化。
图1为麻雀搜索算法的训练流程图;所述的麻雀搜索算法是一种群智能优化算法,主要受麻雀的觅食行为和反捕食行为而启发;麻雀搜索算法中m只麻雀组成的种群可表示为:
其中,n为待优化问题变量的维数,m为麻雀的数量,f表示适应度值,则所有麻雀的适应度值可以表示为:
上述麻雀通常可被分为发现者和加入者两种类型,在每次迭代的过程中,发现者的位置更新描述如下:
其中,t为当前迭代数;itermax为常数,表示最大的迭代次数;j可取值1,2,3,...,n;α属于(0,1]的一个随机数;Xi,j为第i只麻雀在第j维中的位置信息;Cwarn为预警值(Cwarn∈[0,1]);Csafe为安全值(Csafe∈[0.5,1]);N为服从正态分布的随机数;L为1×n的矩阵,每个元素均为1。
当Cwarn<Csafe时:此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作。
当Cwarn≥Csafe时:表示种群中的一些麻雀已经发现了捕食者,并发出鸣叫提醒周围麻雀,此时它们都需要迅速飞往其它安全的地方进行觅食。
上述加入者的位置更新描述如下:
其中,Xp为目前发现者所占据的最优位置;Xworst为当前的全局最差位置;A为1×n的矩阵,每个元素随机赋值为1或-1,且A+=AT(AAT)-1。
当i>m/2时:表明适应度值较低的第i个加入者没有获得食物,为了获得更多的能量,饥肠辘辘的加入者需要飞往其它地方觅食。
假设意识到危险的麻雀初始位置在种群中随机产生,则改进意识到危险麻雀的位置更新公式为:
原始意识到危险麻雀的位置更新公式为:
其中,Xbest为当前的全局最优位置;B为1×n的矩阵,每个元素随机赋值为1或-1,且B+=BT(BBT)-1;β为步长控制参数,服从均值为0,方差为1的正态分布的随机数;ε为最小的常数,以避免分母出现零;P属于[-1,1]的一个随机数,表示麻雀移动的方向;fi为当前麻雀个体的适应度值;fb为当前全局最佳适应度值;fw为当前全局最差的适应度值。
当fi>fb时:表示此时意识到危险的麻雀正处于种群的边缘,极易受到捕食者的攻击,为了获得更好的位置则需要迅速向安全区域移动。
当fi=fb时:表示此时意识到危险的麻雀正处于种群的中间,为了尽量减少它们被捕食的风险则需要靠近其它的麻雀。
图2为Elman神经网络结构图。所述Elman神经网络是一种典型的递归神经网络,因其内部具有前馈、反馈结构,使其比普通神经网络具有更强的学习能力,非常适合于构建负荷预测的非线性模型。然而神经网络初始参数的选取对于网络性能具有较大影响,为进一步提高E1man神经网络的泛化能力和适应能力,避免在训练过程中陷入局部最优,因此利用麻雀搜索算法对神经网络的初始权值、阈值进行调整,使网络输出的误差减小,达到提高神经网络预测模型预测精度的目的。
图3为Elman神经网络训练流程图。Elman神经网络的学习算法如下:
y(k)=g(ω3x(k)) (6)
x(k)=f(ω1xc(k)+ω2(u(k-1))) (7)
xc(k)=x(k-1) (8)
Elman神经网络的学习指标函数采用误差平方和函数,即:
其中,u为r维输入向量;xc为n维反馈向量;y为m维的输出节点向量;x为n维的隐含层节点向量;w1为承接层到隐含层的连接权值;w2为输入层到隐含层的连接权值;w3隐含层到输出层的连接权值;f(*)为隐含层神经元的传递函数,常用S函数;g(*)为输出神经元的传递函数,是隐含层输出的线性组合。
步骤三:将训练样本带入到基于麻雀搜索算法优化的Elman神经网络预测模型进行训练;
图4为基于麻雀搜索算法优化Elman神经网络的训练流程图。该流程具体步骤如下:
步骤3.1:创建Elman神经网络模型,将用于训练神经网络的历史样本数据进行归一化预处理。归一化公式为:
得到的预测值再进行反归一化处理,反归一化公式如下:
步骤3.2:初始化种群、迭代次数等相关参数,如设定麻雀种群中发现者的数量、意识到危险的麻雀所占种群的比例,以及麻雀搜索算法中安全阈值的设置。可选的,种群总数量设置为41;最大迭代次数设置为50;安全阈值设置为0.6;发现者占总体的比例设置为0.7,剩下的为加入者;意识到危险的麻雀所占种群的比例设置为0.2。
步骤3.3:选择适应度函数,对每个麻雀的适应度值进行排序。将发现者、加入者以及意识到危险的麻雀的位置按照公式(3)、(4)和(5)进行更新。
适应度函数设计为测试集的绝对误差和:
步骤3.4:计算适应度值并更新麻雀位置。
步骤3.5:如果优化算法满足结束条件,则将全局最优值赋予Elman神经网络的权值、阈值,再对网络的局部进行优化。若未满足算法要求,则返回步骤3.3重新进行运算。
步骤四:将全局最优值赋予Elman网络的权值和阈值;
步骤五:Elman神经网络进行局部优化:样本值以及步骤四中得到的权值和阈值经过输入层、隐含层、承接层以及输出层的计算输出,计算公式如(6)、(7)和(8)所示,其中,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。断误差是否在允许范围内,若否则对权值进行更新,再次计算该步骤,若是则进行下一步。
步骤六:最终预测模型输出最佳预测值;结束操作。
图5为本申请提供的原始Elman和SSA-Elman预测绝对误差比较图。可见经过麻雀搜索算法优化后的Elman神经网络模型预测效果明显优于原始Elman神经网络预测模型。这是因为麻雀搜索算法对Elman神经网络的各层连接权值和阈值进行了优化,之后神经网络自身再次局部寻优后,预测模型的运算效率和预测精度得到了显著的提高,因此表现出更高的精确度。
图6(a)为本申请提供的原始麻雀收敛曲线图,图6(b)为本申请提供的改进麻雀收敛曲线图。在图6(a)中,第12次迭代时麻雀搜索算法已经完成寻优过程。而在图6(b)中,第4次迭代时改进的麻雀搜索算法已完成寻优过程,因此可见改进后的SSA能够使得算法完成寻优过程的迭代次数减小,加快收敛。
Claims (7)
1.一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,其特征在于:该方法包括建立短期负荷预测模型;具体为建立基于麻雀搜索算法优化的Elman神经网络预测模型,通过基于麻雀搜索算法优化的Elman神经网络预测模型进行训练,输出最佳预测值;具体的优化步骤如下:
步骤一:开始操作,建立短期负荷预测模型,获得训练样本;
步骤二:建立基于麻雀搜索算法优化的Elman神经网络预测模型;
步骤三:将训练样本带入到基于麻雀搜索算法优化的Elman神经网络预测模型进行训练;
步骤四:将全局最优值赋予Elman网络的权值和阈值;
步骤五:Elman神经网络进行局部优化;
步骤六:最终预测模型输出最佳预测值;结束操作。
2.根据权利要求1所述的一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,其特征在于:步骤一所述的建立短期负荷预测模型的具体方式为:将限定时间段内每隔2小时测得的历史负荷数据作为训练样本,将训练样本分别采用原始的Elman神经网络预测模型和基于麻雀搜索算法优化的Elman神经网络预测模型进行训练,预测限定时间段后一日的企业电力负荷数值;模型中将每3天的负荷作为输入向量,第4天的负荷作为目标向量,这样可以得到多组训练样本,并将限定时间段后一日的数据作为网络的测试样本。
3.根据权利要求1所述的一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,其特征在于:步骤二所述的建立基于麻雀搜索算法优化的Elman神经网络预测模型,是在经典的Elman动态网络中引入麻雀搜索算法,对经典的Elman动态网络的训练过程做进一步的优化。
5.根据权利要求3或4所述的一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,其特征在于:所述的麻雀搜索算法中,在每次迭代麻雀通常可被分为发现者和加入者两种类型,在每次迭代的过程中,发现者的位置更新描述如下:
其中,t为当前迭代数;itermax为常数,表示最大的迭代次数;j可取值1,2,3,...,n;α属于(0,1]的一个随机数;Xi,j为第i只麻雀在第j维中的位置信息;Cwarn为预警值(Cwarn∈[0,1]);Csafe为安全值(Csafe∈[0.5,1]);N为服从正态分布的随机数;L为1×n的矩阵,每个元素均为1;
加入者的位置更新描述如下:
其中,Xp为目前发现者所占据的最优位置;Xworst为当前的全局最差位置;A为1×n的矩阵,每个元素随机赋值为1或-1,且A+=AT(AAT)-1;
假设意识到危险的麻雀初始位置在种群中随机产生,则改进意识到危险麻雀的位置更新公式为:
其中,Xbest为当前的全局最优位置;B为1×n的矩阵,每个元素随机赋值为1或-1,且B+=BT(BBT)-1;ε为最小的常数,以避免分母出现零;P属于[-1,1]的一个随机数,表示麻雀移动的方向;fi为当前麻雀个体的适应度值;fb为当前全局最佳适应度值;fw为当前全局最差的适应度值。
6.根据权利要求3所述的一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,其特征在于:所述的Elman动态网络是一种典型的递归神经网络,Elman神经网络的学习算法如下:
y(k)=g(ω3x(k)) (6)
x(k)=f(ω1xc(k)+ω2(u(k-1))) (7)
xc(k)=x(k-1) (8)
Elman神经网络的学习指标函数采用误差平方和函数,即:
其中,u为r维输入向量;xc为n维反馈向量;y为m维的输出节点向量;x为n维的隐含层节点向量;w1为承接层到隐含层的连接权值;w2为输入层到隐含层的连接权值;w3隐含层到输出层的连接权值;f(*)为隐含层神经元的传递函数,常用S函数;g(*)为输出神经元的传递函数,是隐含层输出的线性组合。
7.根据权利要求1或3所述的一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法,其特征在于:步骤三所述的将训练样本带入到基于麻雀搜索算法优化的Elman神经网络预测模型进行训练;训练流程的具体步骤如下:
步骤3.1:创建Elman神经网络模型,将用于训练神经网络的历史样本数据进行归一化预处理;归一化公式为:
得到的预测值再进行反归一化处理,反归一化公式如下:
步骤3.2:初始化种群、迭代次数等相关参数,如设定麻雀种群中发现者的数量、意识到危险的麻雀所占种群的比例,以及麻雀搜索算法中安全阈值的设置;
步骤3.3:选择适应度函数,对每个麻雀的适应度值进行排序。将发现者、加入者以及意识到危险的麻雀的位置按照公式(3)、(4)和(5)进行更新;
适应度函数设计为测试集的绝对误差和:
步骤3.4:计算适应度值并更新麻雀位置;
步骤3.5:如果优化算法满足结束条件,则将全局最优值赋予Elman神经网络的权值、阈值,再对网络的局部进行优化;若未满足算法要求,则返回步骤3.3重新进行运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865609.5A CN113689029A (zh) | 2021-07-29 | 2021-07-29 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865609.5A CN113689029A (zh) | 2021-07-29 | 2021-07-29 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113689029A true CN113689029A (zh) | 2021-11-23 |
Family
ID=78578371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110865609.5A Pending CN113689029A (zh) | 2021-07-29 | 2021-07-29 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689029A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330438A (zh) * | 2021-12-28 | 2022-04-12 | 福州大学 | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 |
CN114330526A (zh) * | 2021-12-23 | 2022-04-12 | 北京交通大学 | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 |
CN114841472A (zh) * | 2022-06-28 | 2022-08-02 | 浙江机电职业技术学院 | 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 |
CN114839210A (zh) * | 2022-04-11 | 2022-08-02 | 电子科技大学 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
CN115130830A (zh) * | 2022-06-08 | 2022-09-30 | 山东科技大学 | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 |
CN115220501A (zh) * | 2022-07-13 | 2022-10-21 | 青岛科创信达科技有限公司 | 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 |
CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN115577618A (zh) * | 2022-09-21 | 2023-01-06 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
CN115730701A (zh) * | 2022-10-17 | 2023-03-03 | 淮阴工学院 | 一种适用于小型用能场所电力调度设备的负荷预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112990419A (zh) * | 2021-03-19 | 2021-06-18 | 浙江科技学院 | 基于改进麻雀搜索算法的优化方法 |
-
2021
- 2021-07-29 CN CN202110865609.5A patent/CN113689029A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112990419A (zh) * | 2021-03-19 | 2021-06-18 | 浙江科技学院 | 基于改进麻雀搜索算法的优化方法 |
Non-Patent Citations (3)
Title |
---|
智能算法研学社(JACK旭): "基于麻雀搜索算法优化的Elman神经网络数据预测 - 附代码", 《HTTPS://BLOG.CSDN.NET/U011835903/ARTICLE/DETAILS/111411127》 * |
智能算法研学社(JACK旭): "智能优化算法:麻雀搜索算法-附代码", 《HTTPS://BLOG.CSDN.NET/U011835903/ARTICLE/DETAILS/108830958》 * |
王曼琪; 张孝远; 臧义; 刘楠嶓: "基于Elman神经网络的短期电力负荷预测", 《2015年全国智能电网用户端能源管理学术年会论文集》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330526A (zh) * | 2021-12-23 | 2022-04-12 | 北京交通大学 | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 |
CN114330526B (zh) * | 2021-12-23 | 2024-04-19 | 北京交通大学 | 基于tgo-ssa-fcm算法的交通流量缺失数据修复方法 |
CN114330438A (zh) * | 2021-12-28 | 2022-04-12 | 福州大学 | 基于改进麻雀搜索算法优化kelm的下肢运动识别方法 |
CN114839210B (zh) * | 2022-04-11 | 2023-05-02 | 电子科技大学 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
CN114839210A (zh) * | 2022-04-11 | 2022-08-02 | 电子科技大学 | 基于ssa-bp神经网络的xrf元素定量分析方法 |
CN115130830A (zh) * | 2022-06-08 | 2022-09-30 | 山东科技大学 | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 |
CN115130830B (zh) * | 2022-06-08 | 2024-05-14 | 山东科技大学 | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 |
CN115238860A (zh) * | 2022-06-22 | 2022-10-25 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN115238860B (zh) * | 2022-06-22 | 2024-01-23 | 中国石油天然气集团有限公司 | 一种漏失压力预测模型生成方法和装置 |
CN114841472A (zh) * | 2022-06-28 | 2022-08-02 | 浙江机电职业技术学院 | 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 |
CN115220501A (zh) * | 2022-07-13 | 2022-10-21 | 青岛科创信达科技有限公司 | 融合SSA-Elman网络模型和鸽群启发算法的环境控制方法 |
CN115577618A (zh) * | 2022-09-21 | 2023-01-06 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
CN115577618B (zh) * | 2022-09-21 | 2024-04-09 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压换流阀厅环境因子预测模型构建方法与预测方法 |
CN115730701A (zh) * | 2022-10-17 | 2023-03-03 | 淮阴工学院 | 一种适用于小型用能场所电力调度设备的负荷预测方法及系统 |
CN115730701B (zh) * | 2022-10-17 | 2023-08-22 | 淮阴工学院 | 一种适用于小型用能场所电力调度设备的负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689029A (zh) | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 | |
Almalaq et al. | Evolutionary deep learning-based energy consumption prediction for buildings | |
Jia et al. | A novel optimized GA–Elman neural network algorithm | |
Gaspar-Cunha et al. | A multi-objective evolutionary algorithm using neural networks to approximate fitness evaluations. | |
Weng et al. | Gold price forecasting research based on an improved online extreme learning machine algorithm | |
Yang et al. | A novel self-constructing radial basis function neural-fuzzy system | |
Tehrani et al. | A hybrid optimized artificial intelligent model to forecast crude oil using genetic algorithm | |
CN115016276A (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN113177355B (zh) | 一种电力负荷预测方法 | |
CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
Stegemann et al. | A glossary of basic neural network terminology for regression problems | |
Bharath | Griffiths’ variable learning rate online sequential learning algorithm for feed-forward neural networks | |
Jalilvand et al. | Advanced particle swarm optimization-based PID controller parameters tuning | |
Liu et al. | A review of learning algorithm for radius basis function neural network | |
CN111369072A (zh) | 一种基于稀疏化方法的核最小均方时间序列在线预测模型 | |
CN116522747A (zh) | 一种两阶段优化的挤压铸造工艺参数优化设计方法 | |
CN114386565A (zh) | 提供神经网络 | |
Ma et al. | The prediction of real estate price index based on improved Neural Network Algorithm | |
Yu et al. | A combination forecasting model of extreme learning machine based on genetic algorithm optimization | |
Skakalina | Investigation of intelligent technologies for formation forecasting models | |
Hong et al. | Recurrent support vector machines in reliability prediction | |
Mao et al. | Prediction of auricularias bacterial package density based on improved bp neural network | |
Cai et al. | From Regression Analysis to Artificial Intelligence: Evolution of Financial Early Risk Warning Models | |
CN116166921A (zh) | 一种稀疏自适应的复杂系统模型辨识方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211123 |