PDF《基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测》

At =<

At i>

为所有 蝙蝠在这个时刻的平均响度;

po l d为每个蝙蝠个体当 前最优解中的任何一个解. 在初始时个体保持较强的响度和较低的脉冲发 射率, 在搜寻到食物后, 则不断减小响度, 增大脉冲 发射率, 蝙蝠在搜寻猎物过程中, 脉冲发射率和响度 表示公式如下: r t+1 i = r

0 i ( 1-e -μ t ) (

1 2 ) At+1 i = α At i (

1 3 ) 式中: α 为脉冲响度衰减系数, μ 为脉冲发射率增加 系数, α 和μ 为常量, 通常都取0. 9;

r

0 i 为最大脉冲发 射率;

r t+1 i 为t+1时刻的脉冲发射率.响度和脉冲 发射率只有在解进化的时候更新, 这意味着蝙蝠算 法只朝着最优解方向进行[

1 9] . 2.

3 B A 优化 B P神经网络 由于神经网络训练过程缓慢, 容易陷入局部小 值, 甚至还有可能无法收敛[

2 0] , 所以要对 B P神经网 络的初始参数进行优化.蝙蝠算法因具备并行性、 分布式和收敛速度快等特点, 被广泛应用到各个领 域.它比粒子群优化算法[

2 1] 和遗传算法更具发展 潜力, B A 算法结合这些算法的主要优点, 在优化神 经网络方面性能优越[

2 2 ] . 采用 B A 对BP神经网络的初始权值和阈值进 行优化, 使其不易陷入局部极小值, 还可以增强泛化 性能, 提高预测精度和收敛速度.B A 优化的适应 度函数为: F i t n e s s ( i) =

1 g ∑ g i=1 ∑ n '

j=1 ( y d i, j -y i, j)

2 (

1 4 ) 式中: g 为样本个数;

y d i, j 为第i 个样本的第j 个输 出节点的预测值;

y i, j为第i个样本的第j 个输出节 点对应的实际值. B A 优化 B P神经网络的步骤如下. 步骤1: 初始化神经网络结构, 即初始化输入层、 隐含层、 输出层的节点个数, 导入训练数据. 步骤2: 初始化蝙蝠种群, 即初始化种群规模N, 脉冲频率的范围为fm i n~fm a x, 第i 只蝙蝠个体 的位置p t i 和速度v t i( i=1, 2, …, N ) , 脉冲响度 At i 和脉冲发射率r t i, 脉冲响度衰减系数α, 最大迭代次 数g '

和搜索精度ε. 步骤3: 计算适应度 F i t n e s s ( i) 当前最优适应度 Fb e s t, 当前最优位置pb e s t. 步骤4: 按照式(

8 ) 至式(

1 0 ) 产生新解. 步骤5: 若随机数η r a n d大于脉冲发射率r t i, 则在 当前所有个体中选择一个个体的位置为全局最优个 体位置pb e s t, 利用式(

1 1) 在pb e s t附近随机产生一个 局部个体, 并计算这个局部个体的适应度值Fn e w. 步骤6: 若步骤5中Fn e w 优于Fb e s t, 且η r a n d小于 响度 At i, 则把该新解设为当前最优全局个体, 保存 其适应 度值, 利用式(12) 和式(13) 增大rti和减小At i. 步骤7: 判断算法是否达到终止条件, 若达到终 止条件, 输出结果, 得到神经网络的最优权值和阈 值.否则, 返回步骤4继续迭代. 步骤8: 将蝙蝠全局最优位置对应的权值和阈 值作为 B P神经网络参数, 建立最优的负荷预测模 型.B A 优化 B P神经网络流程图见附录 A 图A1.

9 6 吴云, 等 基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

3 预测实例及结果分析 3.

1 预测实例 算例1: 采用中国南方某地区2

0 1 4年6月1日到9月2 3日的历史数据, 对2

0 1 4年9月2 4日全天

2 4h的电力负荷进行预测.首先利用本文第

1 节 所述规则从历史数据中选出相似日粗集, 共有2 8个 样本被选入相似日粗集.再利用本文改进的灰色关 联方法计算相似日粗集中样本与待测日的综合灰色 关联度, 计算结果见图1.选取综合灰色关联度大 于0.