[發(fā)明專(zhuān)利]一種基于改進(jìn)灰狼優(yōu)化算法的彈性神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110594481.3
• 申請(qǐng)日: 2021-05-28
• 公開(kāi)（公告）號(hào): CN113313306A
• 公開(kāi)（公告）日: 2021-08-27
• 發(fā)明（設(shè)計(jì)）人: 孟祥碩;肖玲斐;馬磊明
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京航空航天大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/06;G06N3/00;G06N3/04;G06N3/08;G06N3/06
• 代理公司: 南京瑞弘專(zhuān)利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 馬玉雯

1.一種基于改進(jìn)灰狼優(yōu)化算法的彈性神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)方法，其特征在于，包括以下步驟：

步驟1：搜集一個(gè)地區(qū)的歷史氣象數(shù)據(jù)和用電負(fù)荷數(shù)據(jù)，并對(duì)其進(jìn)行歸一化處理；

步驟2：根據(jù)數(shù)據(jù)規(guī)模確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，計(jì)算需要優(yōu)化的神經(jīng)網(wǎng)絡(luò)連接權(quán)值與閾值的個(gè)數(shù)；

步驟3：將步驟1歸一化處理后的歷史氣象數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入向量，用電負(fù)荷數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸出向量，選擇預(yù)測(cè)樣本的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差為適應(yīng)度函數(shù)，并采用彈性梯度下降法訓(xùn)練神經(jīng)網(wǎng)絡(luò)；

步驟4：采用改進(jìn)后的灰狼優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)各個(gè)神經(jīng)元之間的連接權(quán)值與閾值進(jìn)行迭代尋優(yōu)，完成一次迭代尋優(yōu)后，計(jì)算并記錄本次尋優(yōu)得到的灰狼個(gè)體作為神經(jīng)網(wǎng)絡(luò)連接權(quán)值與閾值時(shí)適應(yīng)度函數(shù)的值，即預(yù)測(cè)誤差的大小，在每一次迭代完成后都重復(fù)此操作，直到達(dá)到最大迭代次數(shù)；

4.1、引入kent混沌映射，得到分布更加均勻的初始灰狼種群；

4.2、融合粒子群算法個(gè)體保留機(jī)制，提高算法尋找到全局最優(yōu)解的概率；

4.3、采用局部收斂破壞機(jī)制，避免算法陷入局部最優(yōu)；

步驟5：迭代結(jié)束后，選擇種群中適應(yīng)度函數(shù)的值最小，即適應(yīng)度最好的灰狼個(gè)體作為神經(jīng)網(wǎng)絡(luò)最終的連接權(quán)值和閾值，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；

步驟6：根據(jù)天氣預(yù)報(bào)系統(tǒng)給出的該地區(qū)未來(lái)時(shí)刻的氣象數(shù)據(jù)，輸入到步驟5所得到的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型之中，得到短期用電負(fù)荷預(yù)測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)灰狼優(yōu)化算法的彈性神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟2中，根據(jù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，計(jì)算需要優(yōu)化的神經(jīng)網(wǎng)絡(luò)連接權(quán)值與閾值的個(gè)數(shù)，具體的計(jì)算方法為

n_ω12＝n_in×n_hid (1)

其中，n_in表示輸入層的神經(jīng)元個(gè)數(shù)，n_hid表示隱含層神經(jīng)元個(gè)數(shù)，n_ω12為需要優(yōu)化的神經(jīng)網(wǎng)絡(luò)輸入層與隱含層之間連接權(quán)值的個(gè)數(shù)；

n_ω23＝n_hid×n_out (2)

其中，n_out為輸出層的神經(jīng)元個(gè)數(shù)，n_ω23為需要優(yōu)化的神經(jīng)網(wǎng)絡(luò)隱含層與輸出層之間連接權(quán)值的個(gè)數(shù)；

n_θ＝n_hid+n_out (3)

其中，n_θ為需要優(yōu)化的神經(jīng)網(wǎng)絡(luò)閾值的個(gè)數(shù)。