基于改进遗传算法优化Elman神经网络的短期负荷预测

发布时间：2020-12-29 01:09

　　在经济高速发展的当今,电力是各个行业发展所需中必不可少的一部分,加上电这种商品的即发即用不能贮存的特性。因此,进行短期负荷预测的研究是十分有必要的。此外,对于电力调度部门来说,进行电能的调度依赖于精确的负荷预测。精确的短期负荷预测,影响着电力市场供需关系,也能提高电力系统的运行的可靠性。本文首先对现有的预测方法作了系统性分析研究,简明扼要的总结了现有预测方法的优势与劣势。在现有的预测方法中,Elman神经网络因为具有很强的学习能力,容错能力,联想记忆力,此外还具有较强的适应时变特性的能力,非常适用于短期负荷预测。但是,在学习规则上,Elman神经网络所采用的是动量梯度下降法,这将会使得在整个的学习过程中,收敛速度会较慢导致学习时间过长,且收敛过程不稳定导致不能达到理想输出。针对Elman神经网络所存在的问题,本文提出了一种基于改进型遗传算法优化Elman神经网络的初始权值、阈值。单个种群的遗传算法容易较早收敛,出现早熟现象。针对这一现象,本文提出了多个种群协同进化的遗传算法优化Elman神经网络中的初始权值与阈值。在具体应用中,采用实数编码的方式对网络参数进行编码,并进行交叉、选择、变... 

【文章来源】：南华大学湖南省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

人工神经元模型

南华大学硕士学位论文28@_——图4.1遗传算法流程图4.2.2遗传算法的编码方式编码是实现遗传算法优化目标时的第一个个步骤，编码方法的选择不同，遗传操作采用的方法也会不同。由于编码其实是遗传算法在空间的映射。因此编码对于遗传算法的搜索效率和最优解有着一定的影响。常见的编码方法可以分为三大类：二进制编码法、浮点编码法以及符号编码法[35]。采用二进制编码时，编码和解码操作较为简单快捷，对于交叉变异等遗传操作便于实现。但是，对于那些连续函数优化问题，二进制编码在局部寻优的能力较差，此外，由于二进制编码所采用的遗传操作，使得搜索结果具有随机性。例如对于一些连续高精度的问题进行寻优时，对于已经接近最优解的个体，由于变异等操作，产生新的个体往往会有较大变化。达不到局部稳定和目标要求。浮点法，也称实数编码法。在实数编码中，一般将所有可能的解放在一个实数范围内，每一次进化过程都是在该实数的范围进行寻优。因此，实数编码适用于遗传算法所寻优的范围较大，便于处理复杂的决策变量约束条件。符号编码法是指个体染色体编码串中的基因值取自一个无数值含义，而只有代码含义的符号集。

第4章改进型遗传算法优化Elman神经网络介绍31图4.2多种群遗传算法策略4.3.2改进型遗传算法遗传操作参数选取在进行遗传操作参数时，选取改进型遗传算法与传统的遗传算法大致相同，同样是对编码方式、选择算子、交叉算子、变异算子进行确定。改进型遗传算法是多个种群进行遗传进化。因此，增加了最优个体迁移机制，这样增加了遗传算法寻优能力。(1)编码方式对于上述中五个种群均采用实数编码的方式，在本文中需要较大空间的进行遗传搜索，同时对于精度有很高的要求，采用实数编码的方式能改善了遗传算法的计算复杂性，提高运算效率。(2)选择算子选择过程第一步应进行适应度计算，前文有介绍，便不再赘述。本文采用的是轮盘赌方法,设单个的种群规模大小为m，个体被选中的概率为iP，该个体的适应度值为iF，则该个体在进行选择操作时被选中的概率为：mmiiiFFP1··············································(4.4)(3)交叉算子对于种群两个不同的个体在进行交叉操作时可设，kC为第k个个体，lC为第l个体，j为两个个体的交叉点。则交叉公式为：]1,0[)1()1(bCbCCbCbCCbkjljljljkjkj··························(4.5)


本文编号：2944707