[發明專利]基于遺傳算法優化Elman神經網絡的短期功率預測方法

在審

• 申請號: 201810393800.2
• 申請日: 2018-04-27
• 公開（公告）號: CN108665095A
• 公開（公告）日: 2018-10-16
• 發明（設計）人: 周武能;尤亞鋒
• 申請（專利權）人: 東華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 上海泰能知識產權代理事務所 31233
• 代理人: 宋纓;錢文斌

1.一種基于遺傳算法優化Elman神經網絡的短期功率預測方法，其特征在于，包括以下步驟：

(1)確定Elman神經網絡拓撲結構；

(2)種群初始化編碼：用遺傳算法將Elman神經網絡的初始隨機權值和閾值編碼為由若干染色體組成的初始種群；

(3)個體適應度值計算：用訓練數據訓練Elman神經網絡后預測系統輸出，用預測輸出和期望輸出的誤差絕對值之和來計算個體適應度值；

(4)尋找最優適應度個體：對步驟(2)和步驟(3)中已經選擇的種群和計算出的適應度值找出參與交叉變異的個體，對群體進行優勝劣汰操作，使適應度較高的個體被遺傳到下一代群體中的概率較大，使適應度較小的個體被遺傳到下一代群體中的概率較小，計算出最優適應度個體，取得最優權值閾值；

(5)根據得到的最優權值閾值進行網絡訓練和結果預測。

2.根據權利要求1所述的基于遺傳算法優化Elman神經網絡的短期功率預測方法，其特征在于，所述步驟(1)中的Elman神經網絡分為四層，包括：輸入層、隱含層、輸出層和承接層；其中，所述輸入層的節點起到信號傳輸作用，所述輸出層的節點起到線性加權作用，所述隱含層的激勵函數選擇線性或者非線性函數，所述承接層起到延時算子的作用，用來記憶隱含層前一時刻的輸出值并返回給輸入層。

3.根據權利要求2所述的基于遺傳算法優化Elman神經網絡的短期功率預測方法，其特征在于，所述步驟(1)中的Elman神經網絡的非線性空間表達式為：其中，y、x、u和x_c分別表示m維輸入節點向量、n維隱藏節點單位向量、r維輸入向量和n維反饋狀態向量；w₁、w₂和w₃分別表示隱含層到輸入層、輸入層到隱含層、承接層到隱含層的連接權值；g(·)為輸出神經元的傳遞函數，f(·)為隱含層神經元的傳遞函數。

4.根據權利要求1所述的基于遺傳算法優化Elman神經網絡的短期功率預測方法，其特征在于，所述步驟(2)在編碼時個體編碼方式為實數編碼，染色體是每個個體組成的實數串，包括輸入層與隱含層的連接權值、隱含層閾值、承接層與隱含層的連接權值、隱含層與輸出層的連接權值和輸出層閾值。

5.根據權利要求1所述的基于遺傳算法優化Elman神經網絡的短期功率預測方法，其特征在于，所述步驟(3)中個體適應度值的計算方式為：其中，n為網絡輸出節點數、y_i為Elman神經網絡第i個節點的期望輸出值，o_i為Elman神經網絡第i個節點的預測輸出值，k為系數。

6.根據權利要求1所述的基于遺傳算法優化Elman神經網絡的短期功率預測方法，其特征在于，所述步驟(4)中通過找出參與交叉變異的個體，其中，M為種群大小，F_i為個體適應度值，P_i為個體別選中的概率。

7.根據權利要求1所述的基于遺傳算法優化Elman神經網絡的短期功率預測方法，其特征在于，所述步驟(4)中的優勝劣汰操作具體為交叉變異操作，交叉操作方式如下：其中，n為0～1的隨機數，x₁和x₂為從父代群體中隨機選取的兩個個體，y₁和y₂為線性組合方式產生的兩個新子代；變異操作方式為：在變異位點加一個隨機數，進而形成新的子代。