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

        ?

        基于改進粒子群神經(jīng)網(wǎng)絡(luò)短期負荷預(yù)測

        2018-03-01 06:35:11姜雲(yún)騰
        電氣技術(shù) 2018年2期
        關(guān)鍵詞:權(quán)值適應(yīng)度粒子

        姜雲(yún)騰 李 萍

        (1. 寧夏大學(xué)物理與電子電氣工程學(xué)院,銀川 750021;2. 寧夏沙漠信息智能感知重點實驗室,銀川 750021)

        電力是人們生活工作中不可缺少的元素之一,電力系統(tǒng)為人們提供可靠合格的電能,用以滿足用戶的要求,其發(fā)展的過程中受到短期電力負荷預(yù)測的影響,預(yù)測的準確性能直接關(guān)系到居民用電的正常使用,還能減少發(fā)電成本,使得利益最大化[1-3]。所以迫切尋找一種精度高、效率快的方法來對負荷進行預(yù)測。

        針對短期負荷預(yù)測,預(yù)測的方法多種多樣,其中BP神經(jīng)網(wǎng)絡(luò)是常見的方法之一[4-5]。BP神經(jīng)網(wǎng)絡(luò)特點多,比如,網(wǎng)絡(luò)結(jié)構(gòu)單一,理解沒有難度等優(yōu)點,但是并沒有具體的理論支持,網(wǎng)絡(luò)結(jié)構(gòu)的確定和參數(shù)的設(shè)置需要依據(jù)經(jīng)驗。網(wǎng)絡(luò)在訓(xùn)練測試的過程中,通過初始參數(shù)設(shè)置為較優(yōu)參數(shù)的方法來提高了網(wǎng)絡(luò)的預(yù)測精度[6]。

        1 改進的粒子群算法

        1.1 傳統(tǒng)粒子群算法

        粒子群優(yōu)化算法(particle swarm optimization,PSO),是在20世紀90年代由J. Kennedy和R. C.Eberhart等開發(fā)的一種新的群智能算法,模擬鳥類集群隨機搜索食物的行為解決待優(yōu)化問題。粒子群算法優(yōu)點眾多,比如,粒子并行運動,算法使用的參數(shù)不多,魯棒性強,比較容易收斂等優(yōu)點[7]。

        算法在尋找最優(yōu)解的過程中,定義粒子為對應(yīng)的潛在解,每一個粒子都具有三類特征:速度、位置和適應(yīng)度值。其中,適應(yīng)度值的大小代表有用程度,適應(yīng)度值可以根據(jù)已經(jīng)設(shè)定好的適應(yīng)度函數(shù)來得出[8]。算法中定義個體極值稱為Pbest,群體極值稱為Gbest,定義的標準是個體的適應(yīng)度值大小。個體在尋優(yōu)時,不斷對比自身和Pbest、Gbest的適應(yīng)度函數(shù)值改變自身的攜帶信息。在算法后期,粒子群體在最優(yōu)解區(qū)域范圍內(nèi)運動,粒子不斷對比,得到最優(yōu)解[9-10]。

        設(shè)在一個 D維空間中,有一群粒子 X=(x1,x2,…,xn),其中第i個粒子表示為在D維向量Xi=[xi1,xi2,…,xiD]T,存在的意義是待優(yōu)化問題的潛在解,在算法中稱為粒子的位置[11]。

        粒子在前進過程中,會不斷更換自己的信息,更換信息過程中由Pbest和Gbest來決定,第i個個體的速度為 Vi=[Vi1,Vi2,…,ViD]T,個體極值為 Pi=[Pi1,Pi2,…,PiD]T,種群的全局最優(yōu)值為 Pg=[Pg1,Pg2,…,PgD]T。式(1)為速度更新式,式(2)為位置更新式。

        式中,d=1,2,…,D;i=1,2,…,n;t為當前迭代次數(shù);Vid為粒子的速度;c1和c2為加速因子,最大最小位置區(qū)間[?Xmax, Xmax]和最大最小速度[?Vmax, Vmin],r1和r2是[0, 1]之間的任意數(shù)。

        1.2 IPSO算法

        使用粒子群算法過程中也存在一定的不足:算法初期粒子的運動速度快,使得算法容易收斂,然而,有概率得到局部極值或者忽略掉最優(yōu)解;算法后期粒子的運動速度不快,粒子運動到某一程度后,有可能出現(xiàn)停滯,難以得到更好的結(jié)果。本文引入?yún)?shù)慣性權(quán)重因子 w改進粒子群算法(improved particle swarm optimization, IPSO)。經(jīng)過驗證表明,采用較大的w可以使粒子速度幅值更大,粒子運動加快,算法收斂速度提高,采用小 w,可以使算法中粒子運動變慢,提高搜索精度。為了提高搜索精度和收斂速度,采用自適應(yīng)慣性權(quán)重因子來對速度進行調(diào)整,即

        式中,c為常數(shù);Tmax為最大迭代次數(shù);t為當前迭代次數(shù);wmax為慣性因子的最大值;wmin慣性因子的最小值。算法初期,粒子可以以大的速度向最優(yōu)方向運動,t逐漸變大,粒子會以小速度慢搜索達到精度變高的目的[12]。此時的速度更新式為式(4)

        2 IPSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

        2.1 BP神經(jīng)網(wǎng)絡(luò)

        BP神經(jīng)網(wǎng)絡(luò)是20世紀80年代由Runelhart等初次提出誤差反向傳播算法(error back propagation training, BP),具有自學(xué)習(xí)能力。BP學(xué)習(xí)算法的目標函數(shù)是誤差平方和函數(shù),在訓(xùn)練過程中,通過誤差的大小來調(diào)節(jié)網(wǎng)絡(luò)參數(shù),直到誤差小于給定誤差,才進行下一次訓(xùn)練[13]。

        BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖1所示。

        圖1 BP神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)

        BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成的,層與層之間連接,同一層節(jié)點之間不連接。其中,Xi為輸入,Oi為輸出,輸入層和隱含層之間、隱含層和輸出層之間分別有對應(yīng)的連接權(quán)值wij,隱含層和輸出層的每一個網(wǎng)絡(luò)節(jié)點都會有一個閾值bij。

        BP神經(jīng)網(wǎng)絡(luò)采用權(quán)值修正法,學(xué)習(xí)指標采用誤差平方和函數(shù),即

        式中,m為訓(xùn)練樣本集數(shù);yij為第 j個神經(jīng)元的預(yù)測輸出;Yij為第 j個神經(jīng)元的實際輸出。根據(jù)誤差函數(shù)不斷調(diào)節(jié)各個神經(jīng)元之間的權(quán)值和閾值對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,以達到尋找最優(yōu)解的目的。

        神經(jīng)網(wǎng)絡(luò)的優(yōu)點有很多,比如:可以模擬人腦來對信息進行處理;對具有大量非線性、不準確信息的事件具有很靈活的處理能力,網(wǎng)絡(luò)自身具有自適應(yīng)性,具有存儲知識,自主學(xué)習(xí),處理模糊數(shù)據(jù)和優(yōu)化計算等特點。在負荷預(yù)測這個問題上,需要的考慮的因素有多種多樣,比如:氣溫因素、時間因素和隨機因素等不穩(wěn)定因素。某時刻的負荷值是由多種多樣的不穩(wěn)定因素綜合得出的影響而得到的,因此,神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用[14]。

        但是,BP神經(jīng)網(wǎng)絡(luò)也存在很多缺點,比如:神經(jīng)網(wǎng)絡(luò)并沒有具體的理論來指導(dǎo),只能根據(jù)先人的經(jīng)驗等來嘗試尋找最優(yōu)解;神經(jīng)網(wǎng)絡(luò)的隱含層的設(shè)置、各個參數(shù)的調(diào)整,都需要依據(jù)經(jīng)驗來改善,并沒有最優(yōu)秀的參數(shù)來調(diào)整神經(jīng)網(wǎng)絡(luò),這就使得神經(jīng)網(wǎng)絡(luò)在迭代過程中存在不穩(wěn)定因素,從而使得神經(jīng)網(wǎng)絡(luò)在應(yīng)用過程中受到一定阻礙[15]。

        2.2 IPSO-BP模型

        使用歷史負荷數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練和測試。在負荷預(yù)測的過程中,由于網(wǎng)絡(luò)的初始參數(shù)是隨機設(shè)置的,有可能導(dǎo)致在網(wǎng)絡(luò)訓(xùn)練的過程中可能會出現(xiàn)誤差較大或者出現(xiàn)不收斂的情況。因此,采用IPSO對BP神經(jīng)網(wǎng)絡(luò)的初始參數(shù)進行改進,IPSO在尋優(yōu)的過程中,每一個粒子個體即一組權(quán)值和閾值,粒子找到最優(yōu)位置后,該粒子攜帶的信息即最優(yōu)權(quán)值和閾值,將信息賦值于網(wǎng)絡(luò)后再進行訓(xùn)練和預(yù)測[16]。

        PSO-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測步驟如下。

        1)初始化BP神經(jīng)網(wǎng)絡(luò),將數(shù)據(jù)作歸一化處理。

        2)初始化參數(shù)。確定 PSO算法中速度 Vmax,Vmin,位置 Xmax,Xmin,c1、c2,r1、r2,wmax和 wmin、種群數(shù)目N,最大迭代次數(shù)T,目標函數(shù)E,最小誤差e。

        3)隨機產(chǎn)生N個粒子pop,每一個粒子都是一組潛在解,即N組權(quán)值閾值。

        4)以設(shè)置的e為指標,分別計算每個粒子的適應(yīng)度值,并通過對比得出Pbest和Gbest。

        5)當?shù)螖?shù)達到T或者適應(yīng)度值E<e時,輸出此時的粒子pop。否則,令迭代次數(shù)t=t+1,返回步驟3)。

        6)IPSO算法的最優(yōu)解作為網(wǎng)絡(luò)的初始權(quán)值和閾值用于電力負荷預(yù)測。

        7)用歸一化的歷史負荷數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和測試,得出結(jié)果與實際負荷進行誤差比較分析,若達到誤差要求,輸出預(yù)測結(jié)果,否則轉(zhuǎn)到步驟2)。

        3 仿真與分析

        為了驗證IPSO-BP模型在短期負荷預(yù)測實際應(yīng)用中的情況,選取某地2014年7月1日到7月31日的負荷數(shù)據(jù)進行測試驗證。首先,將數(shù)據(jù)進行歸一化處理,前30天的負荷數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本,使用訓(xùn)練后的網(wǎng)絡(luò)作為驗證模型,以7月31日的負荷數(shù)據(jù)作為測試數(shù)據(jù),對網(wǎng)絡(luò)進行測試,驗證該模型在短期負荷預(yù)測過程中的效果。設(shè)置模型參數(shù)為:c1=1.49445, c2=1.49445, Vmax=0.5, Vmin=?0.5, wmax=0.9, wmin=0.4, Xmax=1, Xmin=?1,種群數(shù)目N=30,最大迭代次數(shù)T=500,r1, r2是[0, 1]隨機數(shù),C=0.8。設(shè)置3層神經(jīng)網(wǎng)絡(luò),輸入層3層神經(jīng)元,分別對應(yīng)預(yù)測日前3天24h負荷值,隱含層設(shè)置為5個神經(jīng)元,輸出層設(shè)置為一個,輸出為預(yù)測日的負荷預(yù)測輸出。網(wǎng)絡(luò)在訓(xùn)練的過程中,使用粒子群算法對網(wǎng)絡(luò)的初始權(quán)值和閾值進行尋優(yōu),確定較優(yōu)的神經(jīng)網(wǎng)絡(luò)初始狀態(tài)。

        使用傳統(tǒng)的PSO-BP神經(jīng)網(wǎng)絡(luò)和IPSO-BP神經(jīng)網(wǎng)絡(luò)模型進行仿真。仿真結(jié)果分別如圖2和圖3所示。

        圖2 PSO-BP負荷預(yù)測輸出

        圖3 IPSO-BP負荷預(yù)測

        圖4 是PSO-BP模型和IPSO-BP模型的預(yù)測結(jié)果對比圖,從對比圖中可以看出,改進的 IPSO-BP模型的擬合度更好。從圖中可以看出,從8∶00左右到24∶00,擬合度很好,而在次日0∶00到8∶00期間,擬合度相對較差。

        圖4 預(yù)測結(jié)果對比圖

        圖5 相對誤差對比圖

        圖5 是兩種預(yù)測模型的相對誤差的對比圖,從圖中可以明顯的看出,IPSO-BP模型的誤差趨近于1%,比較穩(wěn)定;PSO-BP模型的平均誤差在2.63%,但是模型誤差變動比較大,尤其在7∶00,誤差高達6.23%,實際應(yīng)用性相比較IPSO-BP模型較差。

        從表1中可以看出,IPSO-BP模型的平均相對誤差較 PSO-BP模型降低了 1.55%,而且最大相對誤差降低了3.88%,說明IPSO-BP模型的預(yù)測結(jié)果更加穩(wěn)定,相比較PSO-BP模型的預(yù)測精度更高。

        表1 兩種模型性能對比表

        4 結(jié)論

        本文介紹并分析了傳統(tǒng)PSO算法容易陷入局部最優(yōu)點和收斂精度低的問題,引入自適應(yīng)慣性因子的 IPSO,提高了 PSO算法的全局收斂性和收斂精度。介紹分析了BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點,并在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上結(jié)合改進的粒子群算法建立了IPSO-BP模型,使用該模型對短期負荷進行預(yù)測。使用Matlab對同一組歷史負荷數(shù)據(jù)進行仿真,結(jié)果分析表明,PSO-BP模型的預(yù)測結(jié)果雖然平均相對誤差在 2.6%,但是最大誤差超過了 6%,該模型在實際應(yīng)用中會有很大限制或者說不能應(yīng)用。本文使用的 IPSO-BP模型,不僅平均相對誤差低,僅為 1%左右,而且誤差穩(wěn)定,并沒有大幅度的出現(xiàn)偏差,這點可以證明,IPSO-BP模型相較于PSO-BP模型更加優(yōu)秀。在短期電力負荷預(yù)測應(yīng)用方面,本文使用的IPSO-BP模型預(yù)測結(jié)果接近于實際效果,測試過程中誤差不會出現(xiàn)大幅度偏差。針對需要安全穩(wěn)定負荷的電力系統(tǒng),該模型更加安全可靠,可以應(yīng)用于實際。

        [1] Feng Sha, Feng Zhu, Shun Nan Guo, et al. Based on the EMD and PSO-BP neural network of short-term load forecasting[J]. Advanced Materials Research,2013, 614-615: 1872-1875.

        [2] 代鑫波, 崔勇, 周德祥, 等. 基于主成分與粒子群算法的 LS-SVM短期負荷預(yù)測[J]. 電測與儀表, 2012,49(6): 5-9.

        [3] Lu Kuan, Sun Wenxue, Ma Changhui, et al. Load forecast method of electric vehicle charging station using SVR based on GA-PSO[J]. IOP ConferenceSeries: Earth and Environmental Science, 2017, 69(1):012196.

        [4] Wang Xiping, Wang Yaqi, Mussetta Marco. A hybrid model of EMD and PSO-SVR for short-term load forecasting in residential quarters[J]. Mathematical Problems in Engineering, 2016(5): 1-10.

        [5] 劉軻. 電力系統(tǒng)短期負荷預(yù)測的研究[D]. 蘭州理工大學(xué), 2016.

        [6] 全紅梅. 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的長春東卉供熱區(qū)域熱力負荷預(yù)測研究[D]. 長春: 吉林大學(xué),2016.

        [7] 陳帥, 王勇, 呂豐, 等. 基于粒子群 BP神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測[J]. 上海電力學(xué)院學(xué)報, 2014,30(2): 131-135.

        [8] 吳凱, 周西峰, 郭前崗. 基于粒子群神經(jīng)網(wǎng)絡(luò)的負荷預(yù)測方法研究[J]. 電測與儀表, 2013(3): 29-32.

        [9] 熊偉. 基于粒子群模糊徑向基網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預(yù)測[D]. 長沙: 長沙理工大學(xué), 2009.

        [10] 金敏, 魯華祥. 一種遺傳算法與粒子群優(yōu)化的多子群分層混合算法[J]. 控制理論與應(yīng)用, 2013, 30(10):1231-1238.

        [11] 黃太安, 生佳根, 徐紅洋, 等. 一種改進的簡化粒子群算法[J]. 計算機仿真, 2013, 30(2): 327-330,335.

        [12] 師彪, 李郁俠, 于新花, 等. 改進粒子群-BP神經(jīng)網(wǎng)絡(luò)模型的短期電力負荷預(yù)測[J]. 計算機應(yīng)用, 2009,29(4): 1036-1039.

        [13] 隋惠惠. 基于BP神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測的研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2015.

        [14] 黃欣, 趙錦成, 解璞. 基于 BP神經(jīng)網(wǎng)絡(luò)的電站負荷預(yù)測仿真研究[J]. 國外電子測量技術(shù), 2012(11):41-43.

        [15] 趙娟娟. 基于BP神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負荷預(yù)測[D]. 哈爾濱: 哈爾濱理工大學(xué), 2013.

        [16] 張少平, 徐曉鐘, 代軍委. 基于自適應(yīng)變異粒子群算法和 BP神經(jīng)網(wǎng)絡(luò)的短期燃氣負荷預(yù)測[J]. 計算機應(yīng)用, 2016, 36(S1): 103-105, 153.

        猜你喜歡
        權(quán)值適應(yīng)度粒子
        改進的自適應(yīng)復(fù)制、交叉和突變遺傳算法
        計算機仿真(2022年8期)2022-09-28 09:53:02
        一種融合時間權(quán)值和用戶行為序列的電影推薦模型
        CONTENTS
        基于粒子群優(yōu)化的橋式起重機模糊PID控制
        基于粒子群優(yōu)化極點配置的空燃比輸出反饋控制
        基于權(quán)值動量的RBM加速學(xué)習(xí)算法研究
        基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
        中國塑料(2016年11期)2016-04-16 05:26:02
        基于Matlab的α粒子的散射實驗?zāi)M
        物理與工程(2014年4期)2014-02-27 11:23:08
        基于兩粒子糾纏態(tài)隱形傳送四粒子GHZ態(tài)
        少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
        一级做a爰片久久毛片| 男人的天堂av高清在线| 国产成人午夜无码电影在线观看| 朝鲜女子内射杂交bbw| 亚洲AV无码久久精品成人| 亚洲中文字幕乱码在线视频| 91九色成人蝌蚪首页| 欧美放荡的少妇| 伊人一道本| av天堂一区二区三区精品 | 女同同性av观看免费| 久久精品免费一区二区三区 | 亚洲AV永久无码精品导航| 中文字幕国产精品专区| 激情综合五月开心婷婷| 激情第一区仑乱| 国产成人午夜福利在线小电影| 蜜桃一区二区三区在线视频| 午夜久久久久久禁播电影| 水蜜桃无码视频在线观看| 99精品久久久中文字幕| 青青草视频视频在线观看| 天堂中文а√在线| 内射交换多p国产| 中文字幕人成乱码中文乱码| 国产精品成人一区二区不卡| 日韩人妻无码精品久久免费一 | 最新国产毛2卡3卡4卡| 久久精品国内一区二区三区| 国产日韩AV无码免费一区二区| 亚洲中文字幕人成乱码在线| 日产学生妹在线观看| 欧美国产高清| 国产激情视频高清在线免费观看| 欧美大屁股xxxx高潮喷水| 亚洲综合色丁香婷婷六月图片| 色综合久久五月天久久久| 一区二区三区人妻少妇| 精品人妻va出轨中文字幕| 国产成人综合日韩精品无| 久久中文字幕一区二区|