亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于組合模型的短期電力負(fù)荷預(yù)測(cè)研究

        2017-11-02 00:43:26王瑞周晨曦逯靜
        軟件導(dǎo)刊 2017年10期
        關(guān)鍵詞:灰色理論蟻群算法BP神經(jīng)網(wǎng)絡(luò)

        王瑞 周晨曦 逯靜

        摘要:為了提高短期電力負(fù)荷的預(yù)測(cè)精度,提出了一種短期電力負(fù)荷預(yù)測(cè)模型。該模型包括蟻群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型和灰色理論模型。蟻群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)可以提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度和收斂速度,灰色理論削弱了數(shù)據(jù)自身的隨機(jī)性。結(jié)合兩者優(yōu)點(diǎn),根據(jù)電力負(fù)荷的數(shù)據(jù)特征和兩種子模型的預(yù)測(cè)誤差,得出其在組合模型中所占權(quán)重,然后得到基于組合模型的預(yù)測(cè)值。應(yīng)用組合模型對(duì)河南省某地區(qū)進(jìn)行短期電力負(fù)荷預(yù)測(cè),結(jié)果表明該方法比單個(gè)模型預(yù)測(cè)精度更高,能有效預(yù)測(cè)短期電力負(fù)荷。

        關(guān)鍵詞:電力負(fù)荷預(yù)測(cè);蟻群算法;BP神經(jīng)網(wǎng)絡(luò);灰色理論

        DOIDOI:10.11907/rjdk.172650

        中圖分類號(hào):TP319文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):16727800(2017)010015004

        0引言

        社會(huì)對(duì)電力能源的需求日益增長(zhǎng),但當(dāng)生產(chǎn)的電能和使用的電能不平衡時(shí),會(huì)造成電能浪費(fèi)或電能緊缺現(xiàn)象,有效預(yù)測(cè)電力負(fù)荷能解決不平衡問(wèn)題。

        BP神經(jīng)網(wǎng)絡(luò)有著能逼近任意非線性映射關(guān)系的優(yōu)點(diǎn)[1],用蟻群算法原理確定神經(jīng)網(wǎng)絡(luò)中的初始參數(shù),能加快BP神經(jīng)網(wǎng)絡(luò)的收斂速度,提高BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度[23]。文獻(xiàn)[3]證實(shí)了用蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)比單純BP神經(jīng)網(wǎng)絡(luò)有更快的收斂速度及更高的預(yù)測(cè)精度。利用影響電力負(fù)荷的因素及對(duì)應(yīng)時(shí)間段的歷史負(fù)荷數(shù)據(jù)作為預(yù)測(cè)學(xué)習(xí)樣本,發(fā)揮BP神經(jīng)網(wǎng)絡(luò)能逼近任意非線性映射關(guān)系的優(yōu)點(diǎn),建立預(yù)測(cè)網(wǎng)絡(luò)模型。

        灰色理論負(fù)荷預(yù)測(cè)[4]是利用預(yù)測(cè)日前的歷史日時(shí)間段對(duì)應(yīng)的負(fù)荷大小作為預(yù)測(cè)樣本。將全天分為24個(gè)時(shí)間段,針對(duì)每一時(shí)間段的預(yù)測(cè),需要24個(gè)灰色理論預(yù)測(cè)模型,分別是:

        GM1(1,1),GM2(1,1),…GM24(1,1)

        灰色理論具有建模所用數(shù)據(jù)少、計(jì)算速度快,能夠降低樣本中的隨機(jī)成分影響等特點(diǎn)。

        1蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

        1.1BP神經(jīng)網(wǎng)絡(luò)模型

        BP神經(jīng)網(wǎng)絡(luò)采取三層結(jié)構(gòu),即輸入層、隱含層、輸出層,見(jiàn)圖1。綜合考量下,對(duì)電力負(fù)荷影響最大的因素為 :預(yù)測(cè)日的日期類型;預(yù)測(cè)日前一天前兩天同一時(shí)段的電力負(fù)荷量;預(yù)測(cè)日前一天前兩天及預(yù)測(cè)日當(dāng)天的最高氣溫和最低氣溫;預(yù)測(cè)日預(yù)測(cè)時(shí)段氣溫、濕度、陰晴,一共有13個(gè)因素。輸入層有13個(gè)神經(jīng)元作為輸入節(jié)點(diǎn),輸出層有1個(gè)神經(jīng)元作為預(yù)測(cè)值輸出節(jié)點(diǎn),用k=m+n+p確定隱含層神經(jīng)元個(gè)數(shù),m為輸入層神經(jīng)元個(gè)數(shù),n為輸出層神經(jīng)元個(gè)數(shù),1≤p≤10,k為隱含層神經(jīng)元個(gè)數(shù)[5],檢驗(yàn)確定隱含層為13個(gè)神經(jīng)元。Wih表示輸入層與隱含層的連接權(quán)值,bh表示隱含層各神經(jīng)元的閾值,b表示輸出層單個(gè)神經(jīng)元權(quán)值,who表示隱含層與輸出層的連接權(quán)值,CO表示給定輸出值,yo表示預(yù)測(cè)輸出值。

        圖1BP神經(jīng)網(wǎng)絡(luò)

        將預(yù)測(cè)日前兩個(gè)月每日每時(shí)段的13個(gè)影響因素?cái)?shù)據(jù)作為預(yù)測(cè)學(xué)習(xí)樣本,對(duì)預(yù)測(cè)日各時(shí)段用電負(fù)荷進(jìn)行預(yù)測(cè)。對(duì)樣本進(jìn)行預(yù)處理[6],剔除異常數(shù)據(jù),剩余n個(gè)數(shù)據(jù)樣本。對(duì)樣本歸一化處理[7],使同類原始數(shù)據(jù)歸一到(0,1)的區(qū)間內(nèi),形式為:

        t\+*a=ta-tmintmax-tmin(1)

        t\+*a表示ta歸一化后的數(shù)據(jù)樣本,tmin、tmax表示各類參數(shù)變化的最小值與最大值,得到預(yù)測(cè)結(jié)果后再還原為原來(lái)的量綱。

        對(duì)神經(jīng)網(wǎng)絡(luò)中的權(quán)值和閾值設(shè)為(-1,1)區(qū)間的任意值。

        隱含層激勵(lì)函數(shù)[8]設(shè)為:

        s(neth)=11+e-neth(2)

        neth=∑13i=1wihti+bh

        輸出層輸出為:

        yo(k)=∑13h=1whos(neth)+b(3)

        第k個(gè)樣本誤差函數(shù)為:

        e(k)=12(yo(k)-co(k))2(4)

        總體樣本誤差函數(shù)為:

        e=12∑nk=1(yo(k)-co(k))2(5)

        對(duì)權(quán)值和閾值反饋修正:

        Δwho=-vewho(6)

        Δb=-veb(7)

        Δwih=-vewih(8)

        Δbh=-vebh(9)

        其中,v代表學(xué)習(xí)速率。

        1.2蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

        將BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值與閾值可變參數(shù)位置H排序,BP神經(jīng)網(wǎng)絡(luò)可變參數(shù)位置數(shù)量共有p個(gè),記為H1,H2…Hp,對(duì)于參數(shù)位Hi(1≤i≤p),其包含q個(gè)可能值,設(shè)為集合GHi。設(shè)有F只螞蟻,每只螞蟻先置于初始位置,并把所有的元素信息賦予初值,在初始位置的螞蟻開(kāi)始行動(dòng)踏向第一個(gè)集合H1,每只螞蟻在每一集合內(nèi)只能選取其中一個(gè)元素作為這一可變位置的參數(shù),當(dāng)螞蟻?zhàn)哌^(guò)所有的集合到達(dá)最后一個(gè)集合Hp時(shí),就到達(dá)食物源,再原路返回至始發(fā)位置,每只螞蟻尋優(yōu)的時(shí)間為1個(gè)單位時(shí)間[910]。

        (1)初始化:將每一元素信息素量設(shè)為φj(GHi)=θ,螞蟻數(shù)量為F,全處于初始位置,最大尋優(yōu)次數(shù)為T。

        (2)啟動(dòng)每只螞蟻從初始位置向第一個(gè)集合出發(fā)。定義在每一集合每只螞蟻選擇元素規(guī)則:在GHi中對(duì)于任意一只螞蟻a(a=1,2,…F),選擇其中一元素j的概率為:

        Pφaj(GHi)=φj(GHi)∑qu=1φu(GHi)(10)

        (3)每次尋優(yōu)結(jié)束,螞蟻在每個(gè)集合中所選的元素需要調(diào)節(jié)其信息素量:

        φj(GHi)(t+1)=λφj(GHi)(t)+Δφj(GHi)

        0≤λ<1(11)

        其中λ表示信息素的揮發(fā)量系數(shù)。

        Δφj(GHi)=∑Fa=1φ\+aj(GHi)(12)

        φ\+aj(GHi)表示在本次旅行中第a只螞蟻在集合GHi中的元素j上留下的信息素量。endprint

        如果第a只螞蟻經(jīng)過(guò)此元素,則

        φ\+aj(GHi)=Qe(13)

        否則

        φ\+aj(GHi)=0(14)

        其中Q為信息素變化常數(shù)

        e=maxek=(co(k)-yo(k))2k∈(1,n)(15)

        (4)所有螞蟻收斂同一路徑或達(dá)到尋優(yōu)次數(shù)T,即停止并輸出最優(yōu)值作為BP神經(jīng)網(wǎng)絡(luò)參數(shù),否則繼續(xù)尋優(yōu)[11]。

        3灰色理論負(fù)荷預(yù)測(cè)模型

        采集預(yù)測(cè)日前30天的歷史電力負(fù)荷數(shù)據(jù),并將數(shù)據(jù)按照時(shí)間段分類,一個(gè)小時(shí)為一時(shí)段,一天可分為24個(gè)時(shí)段。建立24個(gè)灰色理論模型[12],分別為:

        GM1(1,1),…GMk(1,1),GMk+1(1,1),…GM24(1,1)

        以某一時(shí)段灰色預(yù)測(cè)理論模型為例[13]:

        設(shè)原始序列:

        y(0)={y(0)(1),y(0)(2),…,y(0)(k)}

        一次累加序列為:

        y(1)={y(1)(1),y(1)(2),…,y(1)(k)}

        其中:

        y(1)(n)=∑ni=1y(0)(i),n=1,2,…,k(16)

        設(shè):

        z(1)(n)=0.5y(1)(n)+0.5y(1)(n-1),n=2,3,…,

        kz(1)=(z(1)(2),z(1)(3),…z(1)(k))(17)

        灰微分方程為:

        y(0)(n)+az(1)(n)=b(18)

        建立對(duì)應(yīng)白化微分方程為:

        dy(1)dt+ay(1)=b(19)

        設(shè)矩陣A=ab

        可得:

        Α=ab=(BTB)-1BTy(0)(2),y(0)(3)…y(0)(k)T(20)

        其中:B= -z(1)(2)1-z(1)(3)1-z(1)(k)1

        得出a 、b的值及灰色理論預(yù)測(cè)模型為:

        y(0)f(n+1)=y(1)f(n+1)-y(1)f(n)(21)

        將此公式累減還原得到預(yù)測(cè)結(jié)果:

        y\+\{(0)\}f(n+1)=y\+\{(1)\}f(n+1)-y\+\{(1)\}f(n)(22)

        4組合模型及應(yīng)用實(shí)例

        設(shè)F1為灰色理論預(yù)測(cè)值,F(xiàn)2為蟻群神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值,F(xiàn)為兩種預(yù)測(cè)的組合最優(yōu)值,E1為灰色理論預(yù)測(cè)誤差,E2為蟻群神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差,E為組合預(yù)測(cè)誤差。W1、W2為兩種模型相對(duì)應(yīng)的權(quán)值系數(shù),且:

        W1F1+W2F2=F,W1+W2=1(23)

        誤差和方差各為:

        W1E1+W2E2=E(24)

        Var(E)=W\+21Var(E1)+W\+22Var(E2)+

        2W1W2Cov(E1,E2)(25)

        W1對(duì)Var(E)求極小值得:

        W1=Var(E2)-Cov(E1,E2)Var(E1)+Var(E2)-2Cov(E1,E2)(26)

        由于F1、F2沒(méi)有關(guān)聯(lián),所以:

        Cov(E1,E2)=0

        W\-1=Var(E2)Var(E1)+Var(E2)(27)

        W2=1-W1=Var(E1)Var(E1)+Var(E2)(28)

        將W1、W2代入式(23)可得最優(yōu)組合預(yù)測(cè)值。相對(duì)誤差方程[14]為:

        v%=t-ft100%(29)

        其中V%表示相對(duì)誤差,t表示真實(shí)值,f表示預(yù)測(cè)值。組合模型預(yù)測(cè)流程如圖2所示。 以河南省某地區(qū)2017年4月18日至2017年6月17日兩個(gè)月的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本,對(duì)該地區(qū)2017年6月18日的各時(shí)段電力負(fù)荷進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果如表1所示,預(yù)測(cè)結(jié)果對(duì)比如圖3所示,預(yù)測(cè)相對(duì)誤差對(duì)比如圖4所示(圖3、圖4彩圖見(jiàn)封二)。

        圖2預(yù)測(cè)流程

        灰色理論預(yù)測(cè)相對(duì)誤差最大為4.0%,平均相對(duì)誤差為1.8%;蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差最大為6.6%,平均相對(duì)誤差為2.6%;聯(lián)合預(yù)測(cè)相對(duì)誤差最大為2.6%,平均相對(duì)誤差為1.2%。綜上可知,聯(lián)合預(yù)測(cè)精度更高。

        5結(jié)語(yǔ)

        本文通過(guò)蟻群算法對(duì)BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化,增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的收斂速度,提高了電力負(fù)荷預(yù)測(cè)精度。利用灰色理論對(duì)樣本隨機(jī)性削弱的特點(diǎn),將灰色理論與蟻群算法結(jié)合,優(yōu)化BP神經(jīng)網(wǎng)絡(luò),對(duì)河南省某地區(qū)用電負(fù)荷進(jìn)行了預(yù)測(cè)。預(yù)測(cè)結(jié)果表明此種預(yù)測(cè)方式有更高的預(yù)測(cè)精度,對(duì)于該地區(qū)生產(chǎn)生活用電具有重要的指導(dǎo)作用。

        參考文獻(xiàn)參考文獻(xiàn):

        [1]周英,尹邦德,任鈴,等.基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)短期負(fù)荷預(yù)測(cè)模型研究[J].電測(cè)與儀表,2011,48(2):6871.

        [2]倪慶劍,邢漢承,張志政,等.蟻群算法及其應(yīng)用研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用與軟件,2008(8):1216.

        [3]賈蒙蒙.基于蟻群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型[J].電子測(cè)試,2016(13):114115.

        [4]李鷹.灰色理論在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].喀什師范學(xué)院學(xué)報(bào),2002(3):3537.

        [5]沈花玉,王兆霞,高成耀,等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報(bào),2008(5):1315.

        [6]朱慶生,周冬冬,黃偉.BP神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)預(yù)處理應(yīng)用研究[J].世界科技研究與發(fā)展,2012,34(4):624626.

        [7]趙朝鳳,令曉明.淺析BP神經(jīng)網(wǎng)絡(luò)基本模型的C語(yǔ)言實(shí)現(xiàn)[J].通信技術(shù),2013,46(1):8994.

        [8]周瑞忠,羅詞兵.Sigmoid函數(shù)在神經(jīng)網(wǎng)絡(luò)、熱傳導(dǎo)和土壓力計(jì)算中的應(yīng)用[J].福州大學(xué)學(xué)報(bào):自然科學(xué)版,2001(3):7983.

        [9]吳慶洪,張穎,馬宗民.蟻群算法綜述[J].微計(jì)算機(jī)信息,2011,27(3):15.

        [10]宋崇智,王璐,謝能剛.基于蟻群優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)訓(xùn)練的研究[J].自動(dòng)化與儀表,2006(5):1012.

        [11]鄒政達(dá),孫雅明,張智晟.基于蟻群優(yōu)化算法遞歸神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J].電網(wǎng)技術(shù),2005(3):5963.

        [12]郭如昕,呂林.灰色模型在負(fù)荷預(yù)測(cè)中的應(yīng)用[J].鹽城工學(xué)院學(xué)報(bào):自然科學(xué)版,2007(1):5471.

        [13]陳帥,王勇,呂豐,等.基于灰色理論和神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)[J].上海電力學(xué)院學(xué)報(bào),2013,29(6):527531.

        [14]楊桂元,王軍.對(duì)預(yù)測(cè)模型誤差的分析——相對(duì)誤差與絕對(duì)誤差[J].統(tǒng)計(jì)與信息論壇,2003(4):2124.

        責(zé)任編輯(責(zé)任編輯:杜能鋼)endprint

        猜你喜歡
        灰色理論蟻群算法BP神經(jīng)網(wǎng)絡(luò)
        基于灰色理論的數(shù)字媒體技術(shù)專業(yè)設(shè)計(jì)類課程教學(xué)質(zhì)量評(píng)價(jià)
        云計(jì)算中虛擬機(jī)放置多目標(biāo)優(yōu)化
        基于蟻群算法的一種無(wú)人機(jī)二維航跡規(guī)劃方法研究
        基于層次分析法的橋梁運(yùn)營(yíng)階段風(fēng)險(xiǎn)分析
        蟻群算法基本原理及綜述
        基于BP神經(jīng)網(wǎng)絡(luò)的旅行社發(fā)展方向研究
        商情(2016年39期)2016-11-21 09:30:36
        復(fù)雜背景下的手勢(shì)識(shí)別方法
        淺析應(yīng)用于無(wú)線自組網(wǎng)的新型信任機(jī)制框架
        BP神經(jīng)網(wǎng)絡(luò)在軟件質(zhì)量評(píng)價(jià)中的應(yīng)用研究 
        一種多項(xiàng)目調(diào)度的改進(jìn)蟻群算法研究
        科技視界(2016年18期)2016-11-03 00:32:24
        精品国产1区2区3区AV| 国产女人水真多18毛片18精品| 色老头在线一区二区三区| 国产成人精品亚洲午夜| 大岛优香中文av在线字幕| 真实夫妻露脸爱视频九色网| 免费看黄a级毛片| 国产成人精选在线不卡| 亚洲一区二区三区综合网| 蜜桃传媒一区二区亚洲av婷婷| 亚洲av无码一区二区三区不卡| 高清在线亚洲中文精品视频| 精品女同一区二区三区不卡| 国产麻豆精品传媒av在线| 国产盗摄xxxx视频xxxx| 亚洲无码一二专区| 色婷婷av一区二区三区不卡| 白白色白白色视频发布| 男女性高爱潮免费网站| 国产精品久久久久孕妇| 一区二区三区一片黄理论片| 男人的天堂中文字幕熟女人妻| 亚洲综合精品成人| 亚洲综合一| 麻豆国产精品一区二区三区| 秘书边打电话边被躁bd视频| 99国产超薄丝袜足j在线观看| 国产黄三级三级三级三级一区二区| 婷婷久久国产综合精品| 天天躁日日躁狠狠躁av| 国产欧美日韩图片一区二区| 国产日产韩国级片网站| 免费无码av一区二区三区| 97性视频| 美腿丝袜网址亚洲av| 亚洲中文字幕无码爆乳app| 亚洲精品无码不卡av| 国内精品九九久久精品小草| 产美女被爽到高潮免费a| 成人欧美一区二区三区的电影| 99精品国产闺蜜国产在线闺蜜|