网站运营与维护是什么意思,网站首页设计一般包括那三个,网页前端开发工资多少,专业做胶粘剂招聘网站基于混合蛙跳算法优化的Elman神经网络数据预测 - 附代码 文章目录 基于混合蛙跳算法优化的Elman神经网络数据预测 - 附代码1.Elman 神经网络结构2.Elman 神经用络学习过程3.电力负荷预测概述3.1 模型建立 4.基于混合蛙跳优化的Elman网络5.测试结果6.参考文献7.Matlab代码 摘要针对Elman神经网络初始权值阈值盲目随机性的缺点。采用混合蛙跳算法对ELman的阈值和权值进行优化。利用电力负荷预测模型进行测试结果表明改进后的神经网络预测性能更佳。 1.Elman 神经网络结构
Elman 型神经网络一般分为四层输入层、隐含层中间层)、承接层和输出层 。 如图 1所示。输入层、隐含层、输出层的连接类似于前馈式网络 输入层的单元仅起信号传输作用输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数承接层又称上 下文层或状态层它用来记忆隐含层单元前一时刻的输出值并返回给网络的输入 可以认为是 一个一步延时算子。
Elman 神经网络的特点是隐含层的输出通过承接层的延迟与存储自联到隐含层的输入。 这种自联方式使其对历史状态的数据具有敏感性内部反馈网络的加入增强了网络本身处理动态信息的能力 从而达到动态建模的目的。此外 Elman 神经网络能够以任意精度逼近任意非线性映射可以不考虑外部噪声对系统影响的具体形式如果给出系统的输入输出数据对 就可以对系统进行建模 。 图1.Elman网络结构 2.Elman 神经用络学习过程
以图1为例 Elman 网络的非线性状态空间表达式为 : y ( k ) g ( w 3 x ( k ) ) (1) y(k) g(w^3x(k)) \tag{1} y(k)g(w3x(k))(1) x ( k ) f ( w 1 x c ( k ) w 2 ( u ( k − 1 ) ) ) (2) x(k)f(w^1x_c(k)w^2(u(k-1)))\tag{2} x(k)f(w1xc(k)w2(u(k−1)))(2) x c ( k ) x ( k − 1 ) (3) x_c(k)x(k-1)\tag{3} xc(k)x(k−1)(3)
式中 y y y 为 m m m 维输出结点向量 x x x 为 n n n 维中间层结点单元向量 u u u 为 r r r 维输入向量 x c x_c xc为 n n n 维反馈状态向量 w 3 w^3 w3 为中间层到输出层连接权值 w 2 w^2 w2为输入层到中间层连接权值 w 1 w^1 w1为承接层到中间层的连接权值 g ( ∗ ) g(*) g(∗)为输出神经元的传递函数是中间层输出的线性组合 f ( ∗ ) f(*) f(∗)为中间层神经元的传递函数常采用 S S S 函数 。
Elman 神经网络也采用 BP 算法进行权值修正学习指标函数采用误差平方和函数。 E ( w ) ∑ k 1 n ( y k ( w ) − y k ′ ( w ) ) 2 (4) E(w)\sum_{k1}^n(y_k(w)-y_k(w))^2\tag{4} E(w)k1∑n(yk(w)−yk′(w))2(4)
3.电力负荷预测概述
电力系统由电力网、电力用户共同组成其任务是给广大用户不间断地提供经济、可靠、符 质量标准的电能满足各类负荷的需求为社会发展提供动力。由于电力的生产与使用具有特殊性即电能难以大量储存而且各类用户对电力的需求是时刻变化的这就要求系统发电出力应随时与系统负荷的变化动态平衡即系统要最大限度地发挥出设备能力使整个系统保 持稳定且高效地运行以满足用户的需求 。 否则就会影响供用电的质量甚至危及系统的安全 与稳定 。 因此电力系统负荷预测技术发展了起来并且是这一切得以顺利进行的前提和基础。负荷预测的核心问题是预测的技术问题或者说是预测的数学模型。传统的数学模型是用现成的数学表达式加以描述具有计算量小、速度快的优点但同时也存在很多的缺陷和局限性比如不具备自学习、自适应能力、预测系统的鲁棒性没有保障等。特别是随着我国经济 的发展电力系统的结胸日趋复杂电力负荷变化的非线性、时变性和不确定性的特点更加明 显很难建立一个合适的数学模型来清晰地表达负荷 和影响负荷的变量之间的 关系。而基于神经网络的非数学模型预测法为解决数学模型法的不足提供了新的思路 。
3.1 模型建立
利用人工神经网络对电力系统负荷进行预测实际上是利用人工神经网络可以以任意精度逼近任一非线性函数的特性及通过学习历史数据建模的优点。而在各种人工神经网络中 反馈式神经网络又因为其具有输入延迟进而适合应用于电力系统负荷预测。根据负荷的历史数据选定反馈神经网络的输入、输出节点来反映电力系统负荷运行的内在规律从而达到预测未来时段负荷的目的。因此用人工神经网络对电力系统负荷进行预测 首要的问题是确定神经网络的输入、输出节点使其能反映电力负荷的运行规律。
一般来说电力系统的负荷高峰通常出现在每天的 9 19 时之间 本案对每天上午的逐时负荷进行预测 即预测每天 9 11 时共 3 小时的负荷数据。电力系统负荷数据如下表所列表中数据为真实数据已经经过归 一化 。
时间负荷数据负荷数据负荷数据2008.10.100.12910.48420.79762008.10.110.10840.45790.81872008.10.120.18280.79770.7432008.10.130.1220.54680.80482008.10.140.1130.36360.8142008.10.150.17190.60110.7542008.10.160.12370.44250.80312008.10.170.17210.61520.76262008.10.180.14320.58450.7942
利用前 8 天的数据作为网络的训练样本每 3 天的负荷作为输入向量第 4 天的负荷作为目标向量。这样可以得到 5 组训练样本。第 9 天的数据作为网络的测试样本验证网络能否合理地预测出当天的负荷数据 。
4.基于混合蛙跳优化的Elman网络
混合蛙跳算法原理请参考https://blog.csdn.net/u011835903/article/details/108294230
利用混合蛙跳算法对Elman网络的初始权值和阈值进行优化。适应度函数设计为测试集的绝对误差和 f i t n e s s ∑ i 1 n ∣ p r e d i c t n − T r u e V a l u e n ∣ (5) fitness \sum_{i1}^n|predict_n - TrueValue_n| \tag{5} fitnessi1∑n∣predictn−TrueValuen∣(5)
5.测试结果
混合蛙跳参数设置如下
%% 网络相关参数设定
hiddNum 18;%隐含层个数
R size(p_train,1);%输入数据每组的维度
Q size(t_train,1);%输出数据的维度
threshold [0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];%每组数据对应维度的最小0和最大值1;%% 混合蛙跳相关参数设定
%% 定义混合蛙跳优化参数
pop20; %种群数量
Max_iteration20; % 设定最大迭代次数
dim hiddNum*R hiddNum Q hiddNum*hiddNum Q*hiddNum;%维度即权值与阈值的个数承接层个数
lb -5.*ones(1,dim);%下边界
ub 5.*ones(1,dim);%上边界
fobj (x) fun(x,hiddNum,R,Q,threshold,p_train,t_train,p_test,t_test);从结果来看3个时刻点混合蛙跳-Elman均比原始结果Elman好误差更小。
由于上述数据有限大家可以用自己的数据进行测试。
6.参考文献
书籍《MATLAB神经网络43个案例分析》
7.Matlab代码
