CN114841472A - 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 - Google Patents
基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 Download PDFInfo
- Publication number
- CN114841472A CN114841472A CN202210740024.5A CN202210740024A CN114841472A CN 114841472 A CN114841472 A CN 114841472A CN 202210740024 A CN202210740024 A CN 202210740024A CN 114841472 A CN114841472 A CN 114841472A
- Authority
- CN
- China
- Prior art keywords
- elman
- power load
- variation
- individuals
- individual
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 241000282461 Canis lupus Species 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 108020004414 DNA Proteins 0.000 claims description 46
- 230000035772 mutation Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000000295 complement effect Effects 0.000 claims description 16
- 150000001875 compounds Chemical class 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 14
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 3
- 230000008713 feedback mechanism Effects 0.000 abstract description 2
- 230000009191 jumping Effects 0.000 abstract description 2
- 230000003068 static effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 31
- 230000002068 genetic effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000007614 genetic variation 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
- 238000013439 planning Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N3/004—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
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physiology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Genetics & Genomics (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DNA发夹变异的GWO优化Elman的电力负荷预测方法，构建Elman电力负荷预测模型并利用改进的灰狼算法对Elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用DNA发夹变异作用于灰狼算法上，通过对原始的灰狼算法进行改进，将分子生物学与GWO优化算法相结合，所设计的变异算子，使得算法具有跳出局部最优的能力、并且收敛速度和收敛精度均有所提高；且相比静态网络，Elman神经网络通过内部反馈机制使其具备较强的动态映射特性，从而具有更强的适应时变特性的能力，满足预测精度的同时提高了电力负荷预测的速度。
Description
技术领域
本发明属于智能优化技术改进领域，尤其涉及一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法。
背景技术
电力系统主要由电网、电力用户共同组成，其任务是为用户提供符合标准的、可靠的电能，以满足各类负荷需求，为人们生活、社会生产提供动力。各类用户对电力的需求是动态变化的，并且电能的特殊性使得其难以被大量储存，这就要求电力的生产与系统负荷要维持动态平衡，满足用户需求的同时，使得系统稳定高效的运行。因此，有必要发展电力负荷系统预测技术，它是电力分配调度的基础，也是未来电网规划建设、计划用电管理、电力市场营销等的重要依据。电力负荷预测的核心是建立高精度的数学模型。为此，如何基于历史的用电数据，运用先进的科学预测理论和先进的计算机技术，做出符合需求的预测，以对未来的用电量进行科学合理的管理尤为重要。
随着经济的不断发展，电力系统的结构也日趋复杂，同时，电力负荷变化的不确定性和时变、非线性性等特点也越发明显。传统的预测方法很难满足这些复杂性需求，因此，预测结果与实际系统存在较大偏差。
人工神经网络凭其强大的非线性映射和自学习能力，已经在电力系统负荷模型预测中取得许多成功的应用案例，推动了电力负荷预测由传统预测向智能化预测方向发展。在各种人工神经网络中，Elman神经网络作为典型的反馈式网络，具有输入延时，适合于电力系统的特点。预测的关键是使得神经网络的输入和输出能够准确的反应系统的运行规律，而网络参数的选择对神经网络的性能影响较大。因此，对网络模型的参数进行优化是获得高精度预测的关键。
灰狼算法(gray wolf optimizer, GWO)是由Mirjalili于2014年提出的一种新的群智能优化算法，该算法模拟了生物界狼群的社会等级关系和集体狩猎行为，即狼群通过跟踪、探索、追捕、攻击实现对猎杀目标的寻优过程。GWO算法自提出以来，由于具有结构简单、参数少、易于实现的优良性能，已经被成功应用于神经网络系统、模糊控制系统、水资源分配等领域。
然而，与其他元启发式算法类似，基本的GWO也存在一些棘手的问题。例如，在求解精度和寻优效率上存在不足。在优化复杂问题至寻优后期，狼群逐渐趋向于头狼所在位置或周围，极容易陷入局部最优，导致算法无法跳出局部极值来获取全局最优解。
遗传算法是一种较早的智能优化算法，其全局搜索能力较强，但算法容易陷入局部最优，出现早熟现象。随着分子生物学的不断发展，人们发现DNA分子结构与遗传信息的表达密切相关，加之对遗传算法中交叉和变异思想的深刻理解，王康泰、张丽等提出基于DNA的遗传算法以及相关的改进算法。
本发明受遗传算法变异思想和DNA分子操作的启发，设计一种基于DNA发夹变异操作的灰狼优化算法，变异操作有效的改善了种群多样性，提高搜索效率和精度，并将所提出方法应用到电力负荷系统神经网络模型参数寻优，最终获得较好的预测精度。
发明内容
针对以上现有技术的不足，本发明提出一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，该方法将DNA分子进行发夹变异，并作用于灰狼算法，以维持种群多样性，提高算法的局部搜索能力，并将改进的GWO应用于Elman神经网络模型参数估计，获得最优解，从而建立电力负荷系统神经网络预测模型。该方法所得预测模型能够较好的反应实际系统的非线性特性。
本发明所采用的具体技术方案如下：
基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，是构建Elman电力负荷预测模型并利用改进的灰狼算法对Elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用DNA发夹变异作用于灰狼算法上。
进一步的，所述的DNA发夹变异为：随机选择一个DNA序列作为父代个体，定义第一个碱基的序列号为c 1=1，从序列号为c 1+1开始遍历，直到找到第一个序列号为c 1的碱基互补的碱基，定义其序列号为c 2，如果找不到c 2，则重新选择DNA序列，直到找到为止；然后，将位于c 1和c 2之间的所有碱基位进行逆序排列，最后，将逆序得到的碱基位分别用其对应的互补碱基代替；最后，令c 1= c 2+1，重复执行以上步骤，直至遍历完所有的c 1；至此，得到变异后新的子代个体。
进一步的，所述方法包括如下步骤：
步骤1：获取电力负荷数据集：
步骤1.1 对电力负荷样本数据进行预处理
优选的，对于样本中缺失的数据或异常数据可以采用线性插值法进行填充和替
换。假设t时刻和
时刻的采样点值分别为PL t 和
，若时刻
的数据丢失，则用
式
，j＜i计算得到。
步骤1.2 将步骤1.1处理后的数据集划分为两部分：电力负荷训练数据集和电力负荷测试数据集。
步骤1.3 对样本数据进行最大最小归一化处理，其计算公式为：
其中，x N 表示归一化后的值，x是原始数据值，x max和x min表示样本数据的最大和最小值，t max和t min分别表示目标数据的最大值和最小值。
步骤1.3 将经过归一化后的数据集划分为两部分：电力负荷训练数据集和电力负荷测试数据集。
步骤2：建立电力负荷Elman神经网络模型，确定神经元的输入和输出数据；
步骤3：确定电力负荷Elman神经网络的隐含层神经元个数；
步骤4：初始化寻优参数。即设置步骤3所确定Elman神经网络的初始权值和阈值为待寻优参数；
步骤5：确立适应度函数，即优化算法的评价函数，优选的，将其定义为：Elman神经网络训练得到的输出与样本实际值之间的误差平方和的算术平方根；
步骤6：将训练数据集代入Elman神经网络模型训练，并采用DNA发夹变异操作灰狼算法对参数进行优化，得到最优的权值和阈值。
步骤7：将测试数据集代入步骤6训练调整好的神经网络模型中，得到测试集对应的预测值。
进一步的， 所述步骤2中，电力负荷样本数据包括5个输入和一个输出数据。输入的形式如下：
式中，p(t)表示t时刻的温度，h(t)表示t时刻的湿度，r(t)表示t时刻的降水量，l(t-1)、l(t-2)和l(t-3)分别表示t-1、t-2和t-3时刻的电力负荷值。
输出为t时刻的电力负荷数据。
进一步的，本方法中构建电力负荷预测模型采用Elman神经网络学习算法，如下：
式中，k表示时刻，x c (k)，u(k-1)，x(k)，y(k)分别表示m维反馈状态向量，n维输入
向量，m维隐含层节点向量，1维输出向量；
，
和
分别表示承接层到隐含层、输入层到
隐含层、隐含层到输出层的连接权值矩阵； b 1和b 2分别是输入层和隐含层的阈值；f为隐含
层的传递函数，常取S函数，g为隐含层输出的线性组合表达式。
进一步的，所述步骤6中基于DNA发夹变异操作灰狼算法的具体步骤如下：
步骤6.1：设置DNA发夹变异操作灰狼算法的运行参数，包括：种群个数N，最大进化代数G，个体编码长度L，变量的个数M，变异概率p m ，算法迭代的终止条件，一般为达到最大迭代次数或设定的寻优精度；
步骤6.2：对要进行寻优的M个权值和阈值进行编码，随机生成大小为N个的初始种群，每个参数被编码为长度为L的子序列，且由整数集{0,1,2,3}表示，则每个个体被编码后的DNA序列长度为L×M；
步骤6.3：将种群中的个体解码为对应的Elman神经网络寻优的权值和阈值，采用Elman神经网络对样本数据训练，依据步骤5，将得到的电力负荷预测数据与实际数据的误差平方和的平方根作为DNA发夹变异GWO寻优的适应度函数；
步骤6.4：计算所有个体的适应度函数值，轮盘赌选择个体，并将选中的个体按适
应度函数值进行排序，适应度较优的前70%的个体为优质个体，排名后30%的个体为有害个
体，并且取前三个最优的个体，标记为
，
，
。
步骤6.5：随机生成概率
，以此决定有害个体是否参与变异，具体为：
a) 若r＞p m ，则不进行变异操作，直接计算该个体可能更新的位置，具体为：
a1) 分别计算该个体距离三匹头狼
，
，
的距离D k ，
，个体当前
位置为X，
a2) 根据D k 计算个体可能更新的位置
，计算公式为：
其中，
式中，
，a随着迭代次数增加，由2线性衰减到0。
b) 若r＜p m ，则执行变异操作，具体步骤为：
b1) 定义该个体第一个碱基的序列号为c 1=1；
b2) 从序列号为c 1+1开始遍历，找到第一个与序列号为c 1的碱基互补的碱基，定义其序列号为c 2；
b3) 将位于c 1和c 2之间的所有碱基位进行逆序排列；
b4) 将逆序得到的碱基位分别用其对应的互补碱基代替，最后，令c 1=c 2+1，重复执
行以上步骤，直至遍历完所有的c 1；至此，得到变异后新的子代个体
；
b5) 分别计算该新个体距离三匹头狼
，
，
的距离D k ，
，β，
，个体当前
位置为
b6) 根据D k 计算个体可能更新的位置
，计算公式为：
其中，
式中，
，a随着迭代次数增加，由2线性衰减到0。
步骤6.6 若当前种群达到迭代次数或达到要求的精度，则获得最优的Elman网络权值和阈值，否则，返回步骤6.2。
本发明受DNA分子结构特性和遗传变异思想的启发，设计一种基于DNA发夹变异的灰狼优化算法，并将算法用于电力负荷Elman神经网络模型的参数寻优，取得了良好的预测效果。
与已有技术相比，本发明的有益效果是：
1、本发明对原始的灰狼算法进行改进，将分子生物学与GWO优化算法相结合，所设计的变异算子，使得算法具有跳出局部最优的能力、并且收敛速度和收敛精度均有所提高；
2、相比静态网络，Elman神经网络通过内部反馈机制使其具备较强的动态映射特性，从而具有更强的适应时变特性的能力，满足预测精度的同时提高了电力负荷预测的速度。
附图说明
图1是本发明中DNA发夹变异操作灰狼算法优化Elman神经网络的流程图；
图2是Elman神经网络的结构图；
图3是DNA发夹变异操作示意图；
图4是改进的GWO-Elman神经网络输出、原始Elman预测以及实际值之间的对比图；
图5是改进的GWO-Elman神经网络与原始Elman预测误差对比图；
图6是原始的灰狼算法与改进的灰狼算法的收敛曲线对比图。
具体实施方式
下面将结合本发明的附图，对发明实施例中的技术方案进行完整地、详细的描述和讨论。所列实例仅为本发明的一小部分实施例，并不是全部实施例，该领域技术人员在未取得新的创造性成果的条件下所获得的其他实施例，均属于本发明的保护范围。
基于DNA发夹变异的GWO优化Elman的电力负荷预测方法包括如下步骤：
步骤1：获取电力负荷数据集：
步骤1.1 对电力负荷异常数据进行预处理
对于样本中缺失的数据或异常数据采用线性插值法进行填充和替换。假设t时刻
和
时刻的采样点值分别为PL t 和
，若时刻
的数据丢失，则用式
，j＜i计算得到。
步骤1.2 将步骤1.1处理后的数据集划分为两部分：电力负荷训练数据集和电力负荷测试数据集。
步骤1.3 对样本数据进行最大最小归一化处理，其计算公式为：
其中，x N 表示归一化后的值，x是原始数据值，x max和x min表示样本数据的最大和最小值，t max和t min分别表示目标数据的最大值和最小值。
步骤2：建立电力负荷Elman模型，确定神经元的输入和输出数据；
步骤3：确定电力负荷Elman神经网络的隐含层神经元个数；
步骤4：初始化寻优参数。设置步骤3所确定Elman神经网络的初始权值和阈值为寻优参数；
步骤5：确立适应度函数，即优化算法的评价函数由经过Elman神经网络训练得到的输出与样本实际输出值之间的绝对值之和确定。
Elman神经网络学习算法如下：
式中，k表示时刻，x c (k)，u(k-1)，x(k)，y(k)分别表示m维反馈状态向量，n维输入
向量，m维隐含层节点向量，1维输出向量；
，
和
分别表示承接层到隐含层、输入层到
隐含层、隐含层到输出层的连接权值矩阵； b 1和b 2分别是输入层和隐含层的阈值；f为隐含
层的传递函数，常取S函数，g为隐含层输出的线性组合表达式。
步骤6：将训练数据集代入Elman神经网络模型训练，并采用DNA发夹变异操作灰狼算法对参数进行寻优，得到最优的权值和阈值。
如图3所示，DNA发夹变异操作内容描述为：
随机选择一个DNA序列作为父代个体，定义第一个碱基的序列号为c 1=1，从序列号为c 1+1开始遍历，直到找到第一个序列号为c 1的碱基互补的碱基，定义其序列号为c 2，如果找不到c 2，则重新选择DNA序列，直到找到为止；然后，将位于c 1和c 2之间的所有碱基位进行逆序排列，最后，将逆序得到的碱基位分别用其对应的互补碱基代替；最后，令c 1= c 2+1，重复执行以上步骤，直至遍历完所有的c 1。至此，得到变异后新的子代个体。
如图1所示，为本发明中DNA发夹变异操作灰狼算法优化Elman神经网络的流程图；所述的步骤6利用DNA发夹变异操作灰狼算法对电力负荷神经网络模型中的权值和阈值寻优的步骤如下：
步骤6.1：设置DNA发夹变异操作灰狼算法的运行参数，包括：种群个数N，最大进化代数G，个体编码长度L，变量的个数M，变异概率，算法迭代的终止条件，一般为达到最大迭代次数或设定的寻优精度。
步骤6.2：对要进行寻优的M个权值和阈值进行编码，随机生成大小为N个的初始种群，每个参数被编码为长度为L的子序列，且由整数集{0,1,2,3}表示，则每个个体被编码后的DNA序列长度为L×M。
步骤6.3：将种群中的个体解码为对应的Elman神经网络寻优的权值和阈值，采用Elman神经网络对样本数据训练，依据步骤5，将得到的电力负荷预测数据与实际数据的误差平方和的平方根作为DNA发夹变异操作GWO优化算法的适应度函数。
步骤6.4：计算所有个体的适应度函数值，轮盘赌选择个体，并将选中的个体按适
应度函数值进行排序，适应度较优的前70%的个体为优质个体，排名后30%的个体为有害个
体，并且取前三个最优的个体，标记为
，
，
。
步骤6.5：随机生成概率
，以此决定有害个体是否参与变异，具体为：
a) 若r＞p m ，则不进行变异操作，直接计算该个体可能更新的位置，具体为：
a1) 分别计算该个体距离三匹头狼
，
，
的距离D k ，
，个体当前
位置为X，
a2) 根据D k 计算个体可能更新的位置
，计算公式为：
其中，
式中，
，a随着迭代次数增加，由2线性衰减到0。
b) 若r＜p m ，则执行变异操作，具体步骤为：
b1) 定义该个体第一个碱基的序列号为c 1=1；
b2) 从序列号为c 1+1开始遍历，找到第一个与序列号为c 1的碱基互补的碱基，定义其序列号为c 2；
b3) 将位于c 1和c 2之间的所有碱基位进行逆序排列；
b4) 将逆序得到的碱基位分别用其对应的互补碱基代替，最后，令c 1=c 2+1，重复执
行以上步骤，直至遍历完所有的c 1；至此，得到变异后新的子代个体
；
b5) 分别计算该新个体距离三匹头狼
，
，
的距离D k ，
，β，
，个体当前
位置为
b6) 根据D k 计算个体可能更新的位置
，计算公式为：
其中，
式中，
，a随着迭代次数增加，由2线性衰减到0。
步骤6.6 若当前种群达到迭代次数或达到要求的精度，则获得最优的Elman网络权值和阈值，否则，返回步骤6.2。
步骤7：将测试数据集代入步骤6训练调整好的神经网络模型中，用于对电力负荷值进行预测。
实施例
步骤1：获取电力负荷数据集：
实验数据来源于第九届电工数学建模竞赛试题A题提供的电力系统短期负荷数据。该数据记录了地区1从2009年1月1日至2015年1月10日的所有电力负荷数据以及对应的气象因素数据。本实施例中选取数据采集时间为2015年1月1日至2015年1月15日，每15分钟一个采样点，每日99个采样点数据(包括96个电力负荷数据，3个气象影响因素值)，共15组1485个数据。
步骤1.1 对于样本中缺失的数据或异常数据采用线性插值法进行填充和替换。假
设t时刻和
时刻的采样点值分别为PL t 和
，若时刻
的数据丢失，则用式
，j＜i计算得到。
步骤1.2 将步骤1.1处理后的数据集划分为两部分：电力负荷训练数据集和电力负荷测试数据集。训练数据和测试数据由以下规则确定：
将前3天的数据作为Elman神经网络输入，第4天的值作为目标值，这样可以得到12组训练样本，第15天的数据为测试样本。
步骤1.3 对样本数据进行最大最小归一化处理，其计算公式为：
其中，x N 表示归一化后的值，x是原始数据值，x max和x min表示样本数据的最大和最小值，t max和t min分别表示目标数据的最大值和最小值。
步骤2：建立电力负荷Elman模型，该模型包括5个输入和一个输出数据。输入的形式如下：
式中，p(t)表示第t天的温度，h(t)表示第t天的湿度，r(t)表示第t时刻的降水量，l(t-1)、l(t-2)和l(t-3)分别表示第t-1、t-2和t-3天的电力负荷值。
输出为第t天对应的电力负荷数据。
步骤3：确定电力负荷Elman神经网络的隐含层神经元个数为18。
步骤4：初始化寻优参数。设置步骤3所建立Elman神经网络的初始权值和阈值为寻优参数。
步骤5：确立适应度函数，即优化算法的评价函数，由Elman神经网络训练得到的输出与样本实际输出值之间的绝对值之和确定，可以表示为：
式中，y i 表示经过Elman网络训预测得到的预测电力负荷值，
表示实际的归一化
后的电力负荷值。
如图2所示，Elman神经网络学习算法如下：
式中，k表示时刻，x c (k)，u(k-1)，x(k)，y(k)分别表示m维反馈状态向量，n维输入
向量，m维隐含层节点向量，1维输出向量；
，
和
分别表示承接层到隐含层、输入层到
隐含层、隐含层到输出层的连接权值矩阵； b 1和b 2分别是输入层和隐含层的阈值；f为隐含
层的传递函数，常取S函数，g为隐含层输出的线性组合表达式。
步骤6：将训练数据集代入Elman神经网络模型训练，并采用DNA发夹变异操作灰狼算法对参数进行优化，得到最优的权值和阈值。
如图3所示，DNA发夹变异操作内容描述为：
随机选择一个DNA序列作为父代个体，定义第一个碱基的序列号为c 1=1，从序列号为c 1+1开始遍历，直到找到第一个序列号为c 1的碱基互补的碱基，定义其序列号为c 2，如果找不到c 2，则重新选择DNA序列，直到找到为止；然后，将位于c 1和c 2之间的所有碱基位进行逆序排列，最后，将逆序得到的碱基位分别用其对应的互补碱基代替；最后，令c 1= c 2+1，重复执行以上步骤，直至遍历完所有的c 1。至此，得到变异后新的子代个体。
所述的步骤6利用DNA发夹变异操作灰狼算法对电力负荷神经网络模型中的权值和阈值寻优的步骤如下：
步骤6.1：设置DNA发夹变异操作灰狼算法的运行参数，包括：种群个数N=30，最大进化代数G=15，个体编码长度L=50，变量的个数M=5，变异概率p m =0.2，算法迭代的终止条件，为达到最大迭代次数50或设定的寻优精度Δ=10-4。
步骤6.2：对要进行寻优的个权值和阈值进行编码，随机生成大小为个的初始种群，每个参数被编码成长度为的子序列，且由整数集{0,1,2,3}表示，则每个个体被编码后的DNA序列长度为。
步骤6.3：将种群中的个体编码序列解码为对应的待寻优的权值和阈值，采用Elman神经网络对样本数据训练，依据步骤5，寻优的适应度函数表达式为：
步骤6.4：计算所有个体的适应度函数值，轮盘赌选择个体，并将选中的个体按适
应度函数值进行排序，适应度较优的前70%的个体为优质个体，排名后30%的个体为有害个
体，并且标记前三个最优的个体分别为
，
，
。
步骤6.5：随机生成概率
，以此决定有害个体是否参与变异，具体为：
a) 若r＞p m ，则不进行变异操作，直接计算该个体可能更新的位置，具体为：
a1) 分别计算该个体距离三匹头狼
，
，
的距离D k ，
，个体当前
位置为X，
a2) 根据D k 计算个体可能更新的位置
，计算公式为：
其中，
式中，
，a随着迭代次数增加，由2线性衰减到0。
b) 若r＜p m ，则执行变异操作，具体步骤为：
b1) 定义该个体第一个碱基的序列号为c 1=1；
b2) 从序列号为c 1+1开始遍历，找到第一个与序列号为c 1的碱基互补的碱基，定义其序列号为c 2；
b3) 将位于c 1和c 2之间的所有碱基位进行逆序排列；
b4) 将逆序得到的碱基位分别用其对应的互补碱基代替，最后，令c 1=c 2+1，重复执
行以上步骤，直至遍历完所有的c 1；至此，得到变异后新的子代个体
。
b5) 分别计算该新个体距离三匹头狼
，
，
的距离D k ，
，β，
，个体当前
位置为
b6) 根据D k 计算个体可能更新的位置
，计算公式为：
其中，
式中，
，a随着迭代次数增加，由2线性衰减到0。
步骤6.6 若当前种群达到迭代次数或达到要求的精度，则获得最优的Elman网络权值和阈值，否则，返回步骤6.2。
步骤7：经过以上步骤训练得出电力负荷Elman神经网络预测模型，将测试数据集代入进行测试。测试结果如图4-6所示。
图4为本发明提供的基于改进的GWO-Elman预测、原始的Elman预测值及真实值之间的比较图。如图所示，基于改进的GWO-Elman的预测结果与实际值基本吻合。
图5为本发明方法提供的基于改进的GWO-Elman和原始的Elman预测得到的绝对误差比较图。结果表明基于DNA发夹变异操作的GWO优化的Elman网络模型预测绝对误差远小于原始的Elman预测误差。
图6为原始灰狼算法与本发明方法对比得到的收敛曲线图。结果表明基于本发明所改进的灰狼算法的收敛速度明显高于原始灰狼算法。从而可以验证基于本发明的Elman电力负荷预测速度要比原始灰狼的预测速度要快。
测试结果表明，本发明提出的一种基于DNA发夹变异的灰狼算法电力负荷Elman网络模型预测方法具有优的预测性能，更加接近系统的非线性特性，这是因为基于DNA发夹变异的灰狼算法对Elman网络的权值和阈值进行了更加高效的优化，从而表现出更高的预测精度和速度。
Claims (7)
1.一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，构建Elman电力负荷预测模型并利用改进的灰狼算法对Elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用DNA发夹变异作用于灰狼算法上。
2.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述的DNA发夹变异为：随机选择一个DNA序列作为父代个体，定义第一个碱基的序列号为c 1=1，从序列号为c 1+1开始遍历，直到找到第一个与序列号为c 1的碱基互补的碱基，定义其序列号为c 2，如果找不到c 2，则重新选择DNA序列，直到找到为止；然后，将位于c 1和c 2之间的所有碱基位进行逆序排列，最后，将逆序得到的碱基位分别用其对应的互补碱基代替；最后，令c 1= c 2+1，重复执行以上步骤，直至遍历完所有的c 1；至此，得到变异后新的子代个体。
3.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，包括如下步骤：
步骤1：获取电力负荷数据集：对电力负荷样本数据进行预处理和归一化，将样本集数据处理后划分为训练数据集、测试数据集；
步骤2：建立电力负荷Elman神经网络模型，确定神经元的输入和输出数据；
步骤3：确定电力负荷Elman神经网络的隐含层神经元个数；
步骤4：初始化寻优参数，即设置步骤3所确定的Elman神经网络的初始权值和阈值为待寻优参数；
步骤5：确立适应度函数，即优化算法的评价函数；
步骤6：利用训练数据集对Elman神经网络模型进行训练，在训练过程中采用DNA发夹变异操作灰狼算法对参数进行优化，得到最优的权值和阈值；
步骤7：利用测试数据集对训练调整后的Elman神经网络模型进行测试；采用所得模型对电力负荷进行预测。
4.根据权利要求3所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述电力负荷样本数据包括5个输入和一个输出数据，输入的形式如下：
式中，p(t)表示t时刻的温度，h(t)表示t时刻的湿度，r(t)表示t时刻的降水量，l(t-1)、l(t-2)和l(t-3)分别表示t-1、t-2和t-3时刻的电力负荷值；
输出为t时刻的电力负荷数据；
所述预处理为：对样本中缺失的数据或异常数据采用线性插值法进行填充或替换。
5.根据权利要求3所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，将Elman神经网络训练得到的电力负荷预测数据与实际数据的误差平方和的平方根作为DNA发夹变异GWO寻优的适应度函数。
6.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述Elman电力负荷预测模型基于Elman神经网络构建，如下：
式中，k表示时刻，x c (k)，u(k-1)，x(k)，y(k)分别表示m维反馈状态向量，n维输入向量，m
维隐含层节点向量，1维输出向量；
，
和
分别表示承接层到隐含层、输入层到隐含
层、隐含层到输出层的连接权值矩阵；b 1和b 2分别是输入层和隐含层的阈值；f为隐含层的传
递函数，g为隐含层输出的线性组合表达式。
7.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于， 所述改进的灰狼算法具体步骤如下：
步骤6.1：设置DNA发夹变异操作灰狼算法的运行参数，包括：种群个数N，最大进化代数G，个体编码长度L，变量的个数M，变异概率p m ，算法迭代的终止条件，一般为达到最大迭代次数或设定的寻优精度；
步骤6.2：对要进行寻优的M个权值和阈值进行编码，随机生成大小为N个的初始种群，每个参数被编码为长度为L的子序列，且由整数集{0,1,2,3}表示，则每个个体被编码后的DNA序列长度为L×M；
步骤6.3：将种群中的个体解码为对应的Elman神经网络寻优的权值和阈值，采用Elman神经网络对样本数据训练，将得到的电力负荷预测数据与实际数据的误差平方和的平方根作为DNA发夹变异GWO寻优的适应度函数；
步骤6.4：计算所有个体的适应度函数值，轮盘赌选择个体，并将选中的个体按适应度
函数值进行排序，适应度较优的前70%的个体为优质个体，排名后30%的个体为有害个体，并
且取前三个最优的个体，标记为
，
，
；
步骤6.5：随机生成概率
，以此决定有害个体是否参与变异，具体为：
a) 若r＞p m ，则不进行变异操作，直接计算该个体可能更新的位置，具体为：
a1) 分别计算该个体距离三匹头狼
，
，
的距离D k ，
，个体当前位置
为X，
a2) 根据D k 计算个体可能更新的位置
，计算公式为：
其中，
式中，
，a随着迭代次数增加，由2线性衰减到0；
b) 若r＜p m ，则执行变异操作，具体步骤为：
b1) 定义该个体第一个碱基的序列号为c 1=1；
b2) 从序列号为c 1+1开始遍历，找到第一个与序列号为c 1的碱基互补的碱基，定义其序列号为c 2；
b3) 将位于c 1和c 2之间的所有碱基位进行逆序排列；
b4) 将逆序得到的碱基位分别用其对应的互补碱基代替，最后，令c 1=c 2+1，重复执行以
上步骤，直至遍历完所有的c 1；至此，得到变异后新的子代个体
；
b5) 分别计算该新个体距离三匹头狼
，
，
的距离D k ，
，β，
，个体当前位置
为
b6) 根据D k 计算个体可能更新的位置
，计算公式为：
其中，
式中，
，a随着迭代次数增加，由2线性衰减到0；
步骤6.6 若当前种群达到迭代次数或达到要求的精度，则获得最优的Elman网络权值和阈值，否则，返回步骤6.2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210740024.5A CN114841472B (zh) | 2022-06-28 | 2022-06-28 | 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210740024.5A CN114841472B (zh) | 2022-06-28 | 2022-06-28 | 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114841472A true CN114841472A (zh) | 2022-08-02 |
| CN114841472B CN114841472B (zh) | 2022-10-11 |
Family
ID=82575155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210740024.5A Active CN114841472B (zh) | 2022-06-28 | 2022-06-28 | 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114841472B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130018087A1 (en) * | 2009-08-12 | 2013-01-17 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. | miRNA Compounds for Treatment of Prostate Carcinoma |
| CN105302966A (zh) * | 2015-11-02 | 2016-02-03 | 浙江大学 | 发夹变异操作rna遗传算法的桥式吊车神经网络建模方法 |
| CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
| 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 |
| US20180349767A1 (en) * | 2017-06-02 | 2018-12-06 | Xerox Corporation | Symbolic priors for recurrent neural network based semantic parsing |
| CN111898799A (zh) * | 2020-06-24 | 2020-11-06 | 南京理工大学 | 一种基于BFA-Elman的电力负荷预测方法 |
| CN112650204A (zh) * | 2020-12-30 | 2021-04-13 | 中南大学 | 一种智慧轨道无人驾驶车辆故障基因识别方法及系统 |
| CN113241122A (zh) * | 2021-06-11 | 2021-08-10 | 长春工业大学 | 自适应弹性网与深度神经网络融合的基因数据变量选择及分类方法 |
| CN113313306A (zh) * | 2021-05-28 | 2021-08-27 | 南京航空航天大学 | 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法 |
| CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
| CN114021474A (zh) * | 2021-11-17 | 2022-02-08 | 江苏科技大学 | 基于改进灰狼算法优化的继电器寿命预测方法 |
| US20220177875A1 (en) * | 2018-10-19 | 2022-06-09 | New England Biolabs, Inc. | Compositions and Methods for Improved In Vitro Assembly of Polynucleotides |
-
2022
- 2022-06-28 CN CN202210740024.5A patent/CN114841472B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130018087A1 (en) * | 2009-08-12 | 2013-01-17 | Fraunhofer-Gesellschaft Zur Forderung Der Angewandten Forschung E.V. | miRNA Compounds for Treatment of Prostate Carcinoma |
| CN105302966A (zh) * | 2015-11-02 | 2016-02-03 | 浙江大学 | 发夹变异操作rna遗传算法的桥式吊车神经网络建模方法 |
| US20180349767A1 (en) * | 2017-06-02 | 2018-12-06 | Xerox Corporation | Symbolic priors for recurrent neural network based semantic parsing |
| 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 |
| CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
| US20220177875A1 (en) * | 2018-10-19 | 2022-06-09 | New England Biolabs, Inc. | Compositions and Methods for Improved In Vitro Assembly of Polynucleotides |
| CN111898799A (zh) * | 2020-06-24 | 2020-11-06 | 南京理工大学 | 一种基于BFA-Elman的电力负荷预测方法 |
| CN112650204A (zh) * | 2020-12-30 | 2021-04-13 | 中南大学 | 一种智慧轨道无人驾驶车辆故障基因识别方法及系统 |
| CN113313306A (zh) * | 2021-05-28 | 2021-08-27 | 南京航空航天大学 | 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法 |
| CN113241122A (zh) * | 2021-06-11 | 2021-08-10 | 长春工业大学 | 自适应弹性网与深度神经网络融合的基因数据变量选择及分类方法 |
| CN113689029A (zh) * | 2021-07-29 | 2021-11-23 | 淮阴工学院 | 基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法 |
| CN114021474A (zh) * | 2021-11-17 | 2022-02-08 | 江苏科技大学 | 基于改进灰狼算法优化的继电器寿命预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| JIEHAO等: "A New CIGWO-Elman hybrid Model for Power load Forecasting", 《JOURNAL OF ELECTRICAL ENGINEERING & TECHNOLOGY（2022）》 * |
| ZHENHUA QIN等: "obust adaptive consensus of nonstrict-feedback multi-agent systems with quantized input and unmodeled dynamics", 《INFORMATION SCIENCES》 * |
| 张娜等: "基于VMD-GWO-ELMAN 的光伏功率短期预测方法", 《中国电力》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114841472B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ervural et al. | Model estimation of ARMA using genetic algorithms: A case study of forecasting natural gas consumption | |
| Chen et al. | Improved XGBoost model based on genetic algorithm | |
| Piltan et al. | Energy demand forecasting in Iranian metal industry using linear and nonlinear models based on evolutionary algorithms | |
| CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN111985719B (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
| CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
| CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
| CN111724004B (zh) | 一种基于改进量子灰狼算法的水库可供水量预报方法 | |
| Gang et al. | Dynamic economic emission dispatch with wind power based on improved multi‐objective brain storm optimisation algorithm | |
| CN113609762A (zh) | 一种基于gru-mtl的电冷热负荷联合预测方法及系统 | |
| CN117291069A (zh) | 一种基于改进de与注意力机制的lstm污水水质预测方法 | |
| CN117439053A (zh) | 一种Stacking集成模型电量预测方法、装置、存储介质 | |
| CN114841472B (zh) | 基于DNA发夹变异的GWO优化Elman的电力负荷预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
| CN113537539B (zh) | 一种基于注意力机制的多时间步供热用气量预测模型 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| CN115660219A (zh) | 一种基于hsns-bp的短期电力负荷预测方法 | |
| CN114925940A (zh) | 一种基于负荷分解的节假日负荷预测方法及系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230712 Address after: Room 1021, Floor 10, Building 5, No. 66, Beijing Road, Longquan Street, Longquanyi District, Chengdu, Sichuan 610000 Patentee after: Sichuan Jincheng Ruizhi Internet Technology Co.,Ltd. Address before: 310023 No. 528 binwen Road, Binjiang District, Hangzhou City, Zhejiang Province Patentee before: ZHEJIANG INSTITUTE OF MECHANICAL & ELECTRICAL ENGINEERING |