CN115392571A - 改进鲸鱼算法优化深度极限学习机的短期负荷预测方法 - Google Patents
改进鲸鱼算法优化深度极限学习机的短期负荷预测方法 Download PDFInfo
- Publication number
- CN115392571A CN115392571A CN202211029987.0A CN202211029987A CN115392571A CN 115392571 A CN115392571 A CN 115392571A CN 202211029987 A CN202211029987 A CN 202211029987A CN 115392571 A CN115392571 A CN 115392571A
- Authority
- CN
- China
- Prior art keywords
- whale
- learning machine
- load prediction
- value
- layer
- 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
- 241000283153 Cetacea Species 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 230000000739 chaotic effect Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法,引入Tent混沌映射对初始鲸鱼种群初始化,并采用深度极限学习机作为基础负荷预测模型挖掘数据深层隐藏信息,并以改进鲸鱼算法对其进行参数寻优;最后考虑到温度、湿度等因素对负荷变化影响较大,建立多维度IWOA‑DELM负荷预测模型。该方法能够决鲸鱼算法初始种群分布不够广泛的问题,并考虑气候因素对负荷值的影响丰富模型输入量,提高了短期负荷预测精度。
Description
【技术领域】
本发明涉及深度极限学习机在短期负荷预测中的应用,特别是一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法。
【背景技术】
电力系统纵贯各行各业,是支撑工业发展的骨骼,电力系统的每一次发展革新,都将会带来工业行业的进步。随着“双碳”目标的提出,大规模清洁能源接入电网,电力行业向“低碳”、“绿色”方向转型。同时在资源短缺和环境问题的压力下,电力系统为了其稳定性、安全性、节能性,需要寻求供给端和消费端的平衡,即发电量与用电量间的平衡。因此,在电力企业制定发电计划时,需要负荷预测对未来用户端的负荷量进行预测作为重要参考。
广义上的负荷预测从大类上按照时间长度可以分为超短期负荷预测、短期负荷预测、中期负荷预测和长期负荷预测。无论何种负荷预测,从原理上都是根据历史负荷数据,并一定程度上参考日类型、气候等因素,对未来的负荷量做出预测。精准的负荷预测是电力企业进行负荷管理的基础,也是电力企业进行需求侧相应的基础,对提升电能质量,降低发电成本,保证电网经济、安全的运行有十分重大的意义。
短期负荷预测是指对未来几小时或者几天固定时间点(多为整点)的负荷量进行预测,是电力系统负荷预测中的重要环节。传统的短期负荷预测方法以传统的数学方法为主,其预测精度普遍不理想;一些基于人工智能的预测方法因为其预测精度波动较大,也无法在短期负荷预测中大范围使用。基于此,提出一种高预测精度的负荷预测方法很有必要。
【发明内容】
本发明的目的在于提供一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法,以解决现有方法负荷预测精度较低的问题,是一种简单且容易实现的短期负荷预测方法。
本发明的技术方案:一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法,其特征在于它包括如下步骤:
步骤一:将负荷数据以时间尺度划分成训练集和测试集,其中,训练集作为负荷预测模型的训练样本,测试集作为根据训练样本所训练得到负荷预测模型的预测精度的测试样本,并对训练集和测试集内的数据进行归一化处理;
所述步骤一中训练集和测试集内的数据包括负荷数据、湿度、日最高温度、日最低温度、日平均温度。
所述步骤一中训练集中的样本为按时间尺度划分后的负荷数据的前90%的数据,所述测试集中的样本为后10%的数据。
所述步骤一中的归一化方法如公式(1)所示:
式中:Yi是数据集中需要归一化的任意值,Y是Yi归一化以后的值,Ymin是选定的样本范围内的最小值,Ymax是选定的样本范围内的最大值。
步骤二:设置鲸鱼算法的参数,即:鲸鱼种群规模、迭代次数、变量维数、变量上、下限;利用公式(2)所示的Tent混沌映射初始化参数的方法,随机初始化所有鲸鱼个体的位置值,每个鲸鱼个体的位置值代表深度极限学习机模型的初始输入权重;
其中,Xn为第n只鲸鱼的初始位置,Xn+1为第n+1只鲸鱼的初始位置,a为[0,1] 的常数;若Xn+1>1,则Xn+1的返回值为1;若Xn+1<0,则Xn+1的返回值为0;
步骤三:构建深度极限学习机模型,利用训练集预训练深度极限学习机并选择模型训练集的均方根误差作为目标函数计算每个鲸鱼个体的适应度值;
所述步骤三中的深度极限学习机模型是以极限学习机自编码器为元组成的多层次神经网络结构,其每一层均为极限学习机(Extreme Learning Machine,ELM)结构:
假设有N组不同的输入输出样本(xi,ti),其中输入样本xi=[xi1,…,xin]T∈Rn,输出样本ti=[ti1,…,tim]T∈Rm,则具有L个隐藏节点、激励函数为G(x)的ELM可以通过式(3)表示:
其中,βi=[βi1,βi2,…,βim]T是连接第i个隐藏层节点的的输出权值,ai=[ai1,ai2,…,ain]T是连接输入层和第i个隐藏层的输入权值,bi是第i个隐藏层节点的偏置,G(ai,bi,xj)是第i个隐藏层的输出;
等式(3)的矩阵形式如公式(4)所示:
其中,ai和bi是随机设置的,则使ELM算法输出最优解的βi可由H和T计算得到,如公式(5)所示:
β=H+T (5)
其中,H+为H的广义逆矩阵;
采用正交映射法求解可得:
β=(HTH)-1HT (6)
再引入正则化系数C,其解如式(7)所示:
其中,I为单位矩阵;
由于极限学习机自编码器特点是输入等于输出且权重和偏置均正交化,因此权重β可由式(7)转化为公式(8):
其中,X为每层自编码器的输入矩阵。
模型第一层采用原始数据求解得到输出权值矩阵β1,提取过程中,每一层的输入权重矩阵Wi都为βi的转置矩阵。此后对于DELM的每一隐藏层,都以前一层的Hi-1作为下一层的输入矩阵直至最后一层。
所述步骤三中选择模型训练集的均方根误差(Root Mean Squared Error,RMSE)作为目标函数计算每个鲸鱼个体的适应度值如公式(9)所示:
步骤四:将步骤三得到的每个鲸鱼个体的适应度值进行排序,并将适应度值最小的鲸鱼个体的位置作为此次迭代的最优位置,再驱动其他鲸鱼个体改变位置向最优位置移动包围猎物并按照后续鲸鱼算法工作原理攻击猎物,然后随机搜寻下一只猎物;
步骤五:重复步骤三和步骤四,直到达到步骤二所设置的最大迭代次数,以最后一次迭代结果作为最佳初始输入权重,将其带入到步骤三建立的深度极限学习机模型中,即可获得负荷预测结果。
本发明的工作原理:鲸鱼算法是近年模拟自然界鲸鱼种群捕食过程的全局优化寻优算法。核心有3部分:包围猎物、攻击猎物、再搜索猎物。
(1)包围猎物
在第一次迭代过程中,需先判断当前最优个体位置,并以其作为所有鲸鱼个体目标猎物位置,根据此位置进行位置更新。即:
D=|C·X*(t)-X(t)|
X(t+1)=X*(t)-A·D
式中:X为当前鲸鱼的位置向量;t为迭代次数;A和C为系数向量;X*为当前最优位置鲸鱼的位置向量。
A和C计算方法为:
A=2ar-a
C=2r
式中:a与迭代次数成线性递减关系,由2递减至0;r为0到1之间的任意向量。
(2)攻击猎物
WOA算法模拟座头鲸螺旋冒泡网攻击猎物的行为,根据鲸鱼与猎物的距离,以螺旋状路线逐渐靠近猎物发起攻击:
D′=|X*(t)-X(t)|
X(t+1)=D′·ebl·cos(2πl)+X*(t)
式中:b是用来定义螺旋攻击路线形状的常数,l为[-1,1]区间内的一个随机数。
(3)再搜索猎物
在实际搜索过程中,当A绝对值超过1时,易陷入局部最优的问题,因此此时需要再全局中再随机选择一个鲸鱼位置,以其作为最优位置更新其他鲸鱼位置,重新捕猎。即:
D=|C·Xrand-X|
X(t+1)=Xrand-A·D
式中:Xrand为当前鲸群随机选择的位置向量。
本发明的优越性:引入Tent混沌映射对初始鲸鱼种群初始化,解决了鲸鱼算法初始种群分布不够广泛容易陷入局部最优解的问题;引入改进后的鲸鱼算法对深度极限学习机模型进行寻优,并考虑气候因素对负荷值的影响丰富模型输入量,提高了短期负荷预测精度;能够有效改进极限学习机模型无法有效挖掘深度信息的缺点,能综合考虑温度等气象信息对短期负荷进行精准预测。该发明能够根据历史负荷数据以及温度、湿度等气象信息对未来几小时或几天的短期负荷进行预测,对电力企业进行需求侧响应或虚拟电厂的规划提供可靠的数据依据。
【附图说明】
图1为本发明所涉一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法的具体流程示意图。
图2为本发明所涉一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法中深度极限学习机的训练结构图(其中,图2-a为对第i个隐藏层的输入输出结构,图2-b 为针对最后一层输出结果的隐藏层结构)。
图3为本发明所涉一种具体实施方式中训练集误差。
图4为本发明所涉一种具体实施方式中测试集测试结果与误差(其中,图4-a为测试结果,图4-b为测试结果与实际值之间的误差)。
【具体实施方式】
实施例:为了使本技术领域的人员更好地理解本申请方案,下面将结合附图对本申请做进一步的详细说明。
如图1所示,其为本发明所涉及的一种基本实施方式。包括如下步骤:
步骤一:将负荷数据以时间尺度划分成训练集和测试集,其中,训练集作为负荷预测模型的训练样本,选取样本按时间尺度划分后的负荷数据的前90%的数据,测试集作为根据训练样本所训练得到负荷预测模型的预测精度的测试样本,选取样本按时间尺度划分后的负荷数据的后10%的数据,对所有训练集和测试集所有的相关数据(包括负荷数据、湿度、日最高温度、日最低温度、日平均温度)进行归一化处理;归一化方法如公式(1)所示:
式中:Yi是数据集中需要归一化的任意值,Y是Yi归一化以后的值,Ymin是选定的样本范围内的最小值,Ymax是选定的样本范围内的最大值。
步骤二:设置鲸鱼算法的参数,即:鲸鱼种群规模、迭代次数、变量维数、变量上、下限;利用公式(2)所示的Tent混沌映射初始化参数的方法,随机初始化所有鲸鱼个体的位置值,每个鲸鱼个体的位置值代表深度极限学习机模型的初始输入权重;
其中,Xn为第n只鲸鱼的初始位置,Xn+1为第n+1只鲸鱼的初始位置,a为[0,1] 的常数;若Xn+1>1,则Xn+1的返回值为1;若Xn+1<0,则Xn+1的返回值为0;
步骤三:构建深度极限学习机模型,利用训练集预训练深度极限学习机并选择模型训练集的均方根误差作为目标函数计算每个鲸鱼个体的适应度值。
步骤三中的深度极限学习机模型是以极限学习机自编码器为元组成的多层次神经网络。如图2所示,第一层ELM-AE采用原始数据求解得到输出权值矩阵β1,提取过程中,每一层的输入权重矩阵Wi都为βi的转置矩阵。此后对于DELM的每一隐藏层,都以前一层的Hi-1作为下一层的输入矩阵直至最后一层。
深度极限学习机模型是以极限学习机自编码器为元组成的多层次神经网络结构,其每一层均为极限学习机ELM结构:
假设有N组不同的输入输出样本(xi,ti),其中输入样本xi=[xi1,…,xin]T∈Rn,输出样本ti=[ti1,…,tim]T∈Rm,则具有L个隐藏节点、激励函数为G(x)的ELM可以通过式(3)表示:
其中,βi=[βi1,βi2,…,βim]T是连接第i个隐藏层节点的的输出权值, ai=[ai1,ai2,…,ain]T是连接输入层和第i个隐藏层的输入权值,bi是第i个隐藏层节点的偏置,G(ai,bi,xj)是第i个隐藏层的输出;
等式(3)的矩阵形式如公式(4)所示:
其中,ai和bi是随机设置的,则使ELM算法输出最优解的βi可由H和T计算得到,如公式(5)所示:
β=H+T (5)
其中,H+为H的广义逆矩阵;
采用正交映射法求解可得:
β=(HTH)-1HT (6)
再引入正则化系数C,其解如式(7)所示:
其中,I为单位矩阵;
由于极限学习机自编码器特点是输入等于输出且权重和偏置均正交化,因此权重β可由式(7)转化为公式(8):
其中,X为每层自编码器的输入矩阵。
如图2所示,其中,模型第一层采用原始数据求解得到输出权值矩阵β1,提取过程中,每一层的输入权重矩阵Wi都为βi的转置矩阵。此后对于DELM的每一隐藏层,都以前一层的Hi-1作为下一层的输入矩阵直至最后一层。
选择模型训练集的均方根误差RMSE作为目标函数计算每个鲸鱼个体的适应度值如公式(9)所示:
步骤四:排序鲸鱼个体的适应度值,找出适应度值最小的个体位置作为此次迭代的最优位置,再驱动鲸鱼个体改变位置,然后搜寻下一只猎物。
步骤五:重复步骤三和步骤四,直到最大迭代次数,得到最佳初始输入权重,带入到深度极限学习机模型中,获得预测结果。
以某地2012年1月1日至1月30日,每日的日最高温度、日最低温度、日平均温度、日相对湿度以及每日整点时刻的负荷数据,共计720个负荷数据记录点。选取前28 天,672个的负荷数据点作为训练集对模型进行训练,最后两天48个负荷数据点作为测试集进行测试,测试结果如图3、图4所示。其中WOA为鲸鱼算法(Whale Optimization Algorithm,WOA)、IWOA为改进鲸鱼算法(Improved Whale Optimization Algorithm,IWOA)、DELM为深度极限学习机(Deep Extreme Learning Machine,DELM)。
由图3可以直观看出,在训练集预测误差中,IWOA-DELM模型相较WOA-DELM 模型预测误差更小;由图4-a和图4-b可以看出在测试集预测结果中,IWOA-DELM模型相较WOA-DELM模型更加贴近真实值,其预测误差更小。
综上所述,本发明能够有效提升短期负荷预测的精度,在需要高精度短期负荷预测结果的场合能够发挥重要作用。
Claims (6)
1.一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法,其特征在于它包括如下步骤:
步骤一:将负荷数据以时间尺度划分成训练集和测试集,其中,训练集作为负荷预测模型的训练样本,测试集作为根据训练样本所训练得到负荷预测模型的预测精度的测试样本,并对训练集和测试集内的数据进行归一化处理;
步骤二:设置鲸鱼算法的参数,即:鲸鱼种群规模、迭代次数、变量维数、变量上、下限;利用公式(2)所示的Tent混沌映射初始化参数的方法,随机初始化所有鲸鱼个体的位置值,每个鲸鱼个体的位置值代表深度极限学习机模型的初始输入权重;
其中,Xn为第n只鲸鱼的初始位置,Xn+1为第n+1只鲸鱼的初始位置,a为[0,1]的常数;若Xn+1>1,则Xn+1的返回值为1;若Xn+1<0,则Xn+1的返回值为0;
步骤三:构建深度极限学习机模型,利用训练集预训练深度极限学习机并选择模型训练集的均方根误差作为目标函数计算每个鲸鱼个体的适应度值;
步骤四:将步骤三得到的每个鲸鱼个体的适应度值进行排序,并将适应度值最小的鲸鱼个体的位置作为此次迭代的最优位置,再驱动其他鲸鱼个体改变位置向最优位置移动包围猎物并按照后续鲸鱼算法工作原理攻击猎物,然后随机搜寻下一只猎物;
步骤五:重复步骤三和步骤四,直到达到步骤二所设置的最大迭代次数,以最后一次迭代结果作为最佳初始输入权重,将其带入到步骤三建立的深度极限学习机模型中,即可获得负荷预测结果。
2.根据权利要求1所述一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法,其特征在于所述步骤一中训练集和测试集内的数据包括负荷数据、湿度、日最高温度、日最低温度、日平均温度。
3.根据权利要求1所述一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法,其特征在于所述步骤一中训练集中的样本为按时间尺度划分后的负荷数据的前90%的数据,所述测试集中的样本为后10%的数据。
5.根据权利要求1所述一种改进鲸鱼算法优化深度极限学习机的短期负荷预测方法,其特征在于所述步骤三中的深度极限学习机模型是以极限学习机自编码器为元组成的多层次神经网络结构,其每一层均为极限学习机ELM结构:
假设有N组不同的输入输出样本(xi,ti),其中输入样本xi=[xi1,…,xin]T∈Rn,输出样本ti=[ti1,…,tim]T∈Rm,则具有L个隐藏节点、激励函数为G(x)的ELM可以通过式(3)表示:
其中,βi=[βi1,βi2,…,βim]T是连接第i个隐藏层节点的的输出权值,ai=[ai1,ai2,…,ain]T是连接输入层和第i个隐藏层的输入权值,bi是第i个隐藏层节点的偏置,G(ai,bi,xj)是第i个隐藏层的输出;
等式(3)的矩阵形式如公式(4)所示:
其中,ai和bi是随机设置的,则使ELM算法输出最优解的βi可由H和T计算得到,如公式(5)所示:
β=H+T (5)
其中,H+为H的广义逆矩阵;
采用正交映射法求解可得:
β=(HTH)-1HT (6)
再引入正则化系数C,其解如式(7)所示:
其中,I为单位矩阵;
由于极限学习机自编码器特点是输入等于输出且权重和偏置均正交化,因此权重β可由式(7)转化为公式(8):
其中,X为每层自编码器的输入矩阵。
其中,模型第一层采用原始数据求解得到输出权值矩阵β1,提取过程中,每一层的输入权重矩阵Wi都为βi的转置矩阵;此后对于DELM的每一隐藏层,都以前一层的Hi-1作为下一层的输入矩阵直至最后一层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211029987.0A CN115392571A (zh) | 2022-08-25 | 2022-08-25 | 改进鲸鱼算法优化深度极限学习机的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211029987.0A CN115392571A (zh) | 2022-08-25 | 2022-08-25 | 改进鲸鱼算法优化深度极限学习机的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392571A true CN115392571A (zh) | 2022-11-25 |
Family
ID=84122886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211029987.0A Pending CN115392571A (zh) | 2022-08-25 | 2022-08-25 | 改进鲸鱼算法优化深度极限学习机的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392571A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116015967A (zh) * | 2023-01-06 | 2023-04-25 | 重庆邮电大学 | 基于改进鲸鱼算法优化delm的工业互联网入侵检测方法 |
CN117010570A (zh) * | 2023-08-08 | 2023-11-07 | 广东工业大学 | 基于CSWOA-TPA-BiGRU的短期电力负荷预测模型 |
CN116015967B (zh) * | 2023-01-06 | 2024-05-31 | 重庆软江图灵人工智能科技有限公司 | 基于改进鲸鱼算法优化delm的工业互联网入侵检测方法 |
-
2022
- 2022-08-25 CN CN202211029987.0A patent/CN115392571A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116015967A (zh) * | 2023-01-06 | 2023-04-25 | 重庆邮电大学 | 基于改进鲸鱼算法优化delm的工业互联网入侵检测方法 |
CN116015967B (zh) * | 2023-01-06 | 2024-05-31 | 重庆软江图灵人工智能科技有限公司 | 基于改进鲸鱼算法优化delm的工业互联网入侵检测方法 |
CN117010570A (zh) * | 2023-08-08 | 2023-11-07 | 广东工业大学 | 基于CSWOA-TPA-BiGRU的短期电力负荷预测模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN113326969B (zh) | 基于改进的鲸鱼优化算法及elm的短期风速预测方法及系统 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
CN115392571A (zh) | 改进鲸鱼算法优化深度极限学习机的短期负荷预测方法 | |
CN107657349B (zh) | 一种水库分期发电调度规则提取方法 | |
CN114912673A (zh) | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 | |
CN116128150A (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
CN111950696A (zh) | 一种基于降维和改进神经网络的短期电力负荷预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
Dimoulkas et al. | A hybrid model based on symbolic regression and neural networks for electricity load forecasting | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN113610665B (zh) | 一种基于多延迟输出回声状态网的风力发电功率预测方法 | |
CN112836864B (zh) | 一种天气预测方法、系统、介质及电子设备 | |
CN110543724B (zh) | 面向总体设计的卫星结构性能预测方法 | |
CN113987806B (zh) | 一种基于代理模型的大气模式优化方法 |
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 |