基于HSA-RRNN的微电网短期负荷预测模型制造技术

本发明专利技术公开了一种基于HSA‑RRNN的微电网短期负荷预测模型，该模型由脊波递归神经网络预测模型构成，包括输入层、隐含层、关联层和输出层，隐含层中每一个神经元节点都与关联层节点一一对应相连接，并且关联层节点与隐含层节点之间的权值可进行动态调节；且利用改进的和声搜索优化算法对脊波递归神经网络预测模型中的参数进行优化，具有收敛速度快、具有更强的寻优能力等优点，具有较好的泛化性和收敛性。通过对实际微电网负荷的预测仿真和测试，证实所提出的预测模型能有效提高预测精度。

Short term load forecasting model of microgrid based on HSA-RRNN

The invention discloses a short-term load forecasting model for microgrid based on HSA_RRNN. The model is composed of a ridgelet recurrent neural network forecasting model, including input layer, hidden layer, correlation layer and output layer. Each neuron node in the hidden layer is connected one by one with the correlation layer node, and the correlation layer node is connected with the hidden layer node. The weights between nodes with layers can be dynamically adjusted, and the improved harmony search optimization algorithm is used to optimize the parameters of the ridgelet recurrent neural network prediction model, which has the advantages of fast convergence speed, strong optimization ability, and good generalization and convergence. Through the simulation and test of actual microgrid load forecasting, it is proved that the forecasting model can effectively improve the forecasting accuracy.

【技术实现步骤摘要】
基于HSA-RRNN的微电网短期负荷预测模型
本专利技术涉及一种基于HSA-RRNN的微电网短期负荷预测模型。
技术介绍
智慧城市是信息技术的深度拓展和集成应用，是全球战略新兴产业发展的重要组成部分，其先进的技术条件为微电网群的发展提供了平台，同时微电网群的发展将对智慧城市提供有力的能源支撑。智慧城市微电网群“源-网-荷-储”协同优化调度技术研究具有重要的实际意义。微电网负荷预测是微电网群“源-网-荷-储”协同优化调度技术研究的基础，精确的微电网负荷预测将为协同优化调度提供必要的依据。微电网由微源、负荷、储能装置和电力电子控制保护设备等组成，其预测精度的高低直接影响到系统的安全性和经济性。脊波神经网络(ridegeletneuralnetwork，RNN)是通过模拟人体大脑的视觉皮层而产生的，其隐含层神经元能够接收特定方向上的数据信息，并通过分析处理，使网络输出期望数据。与其他传统的神经网络模型相比，RNN模型采用脊波函数作为网络模型隐含层中神经元的激励函数，更具方向选择性，能够使网络包含更多的维数信息，从而很好地处理更高维度的数据信息，对非线性高维函数的逼近有比较好的效果。1998年，脊波函数首次在Candes的博士论文中被提出，其定义可详细描述为：假设平滑函数ψ：Rd→R所对应的Fourier变换符合下面的容许条件：称ψ为容许函数，其中，ω为自变量，d为空间维数。则满足上述条件的容许函数ψ所产生的脊函数ψγ称为脊波函数，其表达式为：式(2)中γ为参数空间，即：γ＝(a,u,b)；a,b∈R；a＞0；u∈Sd-1(9)其中，脊波函数的尺度向量由a表示，脊波函数的方向向量由u表示，脊波函数的位置向量由b表示，Sd-1表示为d-1维空间，且||u||＝1。RNN是根据其神经元的激励函数而命名的，即将脊波函数作为网络模型隐含层神经元的激励函数，其结构与传统的前馈型神经网络相近，都由输入层、隐含层和输出层三层结构组成。现有的上述脊波神经网络预测模型中的参数需要优选，这些参数的选择并无任何理论依据，且这些参数的选择对于预测性能影响非常大，本专利技术目的在于提供一种具有高预测精度的微电网负荷预测模型。
技术实现思路
为解决上述技术问题，本专利技术提供了一种基于HSA-RRNN的微电网短期负荷预测模型，以达到提高预测精度，能满足实际的调度预测要求的目的。为达到上述目的，本专利技术的技术方案如下：一种基于HSA-RRNN的微电网短期负荷预测模型，该模型由脊波递归神经网络预测模型构成，脊波递归神经网络是在上述RNN预测模型的基础上，加入关联层，使隐含层中每一个神经元节点都会与关联层节点一一对应相连接，并且关联层节点与隐含层节点之间的权值均可进行动态调节；且利用改进的和声搜索优化算法(HSA)对脊波递归神经网络预测模型中的参数进行优化，优化公式为：式中，PAR为扰动概率，BW为扰动带宽，n为当前迭代次数，N为最大迭代次数，r∈(0,1)，Z为任意数。上述方案中，所述脊波递归神经网络预测模型其数学表达式如下：式中，xi(i＝1，2，…，m)表示网络的输入；表示隐含层神经元节点h的内部状态，其输入来源于输入层和关联层节点的输出状态；表示隐含层中神经元节点h的输出状态；表示模型网络的输出值；表示关联层中节点c的内部状态；表示关联层中节点c的输出状态；脊波函数所采用的容许函数为：其中，z表示为容许函数的自变量。上述方案中，所述关联层节点可将与之对应的隐含层神经元节点的当前输出状态存储下来，并在下一时刻传递给各隐含层神经元，属于模型内部的状态反馈，再经过反复的迭代更新，从而形成了递归性神经网络所特有的动态记忆功能。上述方案中，所述脊波递归神经网络预测模型的输入向量为[x1，x2，…，xm]，共m维，它是从负荷序列、气象因素以及日类型信息中抓取出的相关联的特征元素按时序顺序所组成的向量。上述方案中，所述脊波递归神经网络预测模型中隐含层神经元节点为p个，并且每一个节点都从输入层和关联层中获取输入量，并通过脊波函数ψγ进行非线性变换，其输出值再传递给输出层和关联层；其中，关联层节点数目与隐含层中的神经元节点数目相同。上述方案中，所述输出层节点数量为1个，在脊波递归神经网络预测模型结构中，w1o，……，who为隐含层和输出层之间连接的可调权值，wc1，……，wch为隐含层和关联层之间连接的可调权值。通过上述技术方案，本专利技术提供的基于HSA-RRNN的微电网短期负荷预测模型由脊波递归神经网络构成，利用改进的和声搜索优化算法对参数进行优化，具有收敛速度快、具有更强的寻优能力等优点，具有较好的泛化性和收敛性。通过对实际微电网负荷的预测仿真和测试，证实所提出的预测模型能有效提高预测精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。图1为本专利技术实施例所公开的脊波递归神经网络预测模型结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。本专利技术提供了一种基于HSA-RRNN的微电网短期负荷预测模型，具体实施例如下：如图1所示的脊波递归神经网络预测模型，关联层节点可将与之对应的隐含层神经元节点的当前输出状态存储下来，并在下一时刻传递给各隐含层神经元，属于模型内部的状态反馈，再经过反复的迭代更新，从而形成了递归性神经网络所特有的动态记忆功能。脊波递归神经网络预测模型的输入向量为[x1，x2，…，xm]，共m维，它是从负荷序列、气象因素以及日类型信息中抓取出的相关联的特征元素按时序顺序所组成的向量。脊波递归神经网络预测模型中隐含层神经元节点为p个，并且每一个节点都从输入层和关联层中获取输入量，并通过脊波函数ψγ进行非线性变换，其输出值再传递给输出层和关联层；其中，关联层节点数目与隐含层中的神经元节点数目相同。输出层节点数量为1个，在脊波递归神经网络预测模型结构中，w1o，……，who为隐含层和输出层之间连接的可调权值，wc1，……，wch为隐含层和关联层之间连接的可调权值。脊波递归神经网络预测模型其数学表达式如下：式中，xi(i＝1,2,…,m)表示网络的输入；表示隐含层神经元节点h的内部状态，其输入来源于输入层和关联层节点的输出状态；表示隐含层中神经元节点h的输出状态；表示模型网络的输出值；表示关联层中节点c的内部状态；表示关联层中节点c的输出状态；脊波函数所采用的容许函数为：其中，z表示为容许函数的自变量。HSA是一种新的启发式全局搜索算法，HSA模拟了乐队通过反复调节乐器使其演奏出最美和声的过程，各乐器类比于优化问题的各求解变量，演奏出的和声类比于优化问题的目标函数。算法首先生成包含M个解向量的和声记忆库(harmonymemory，HM)和各变量的可行域，然后以和声库保留概率P1在HM中对各变量随机搜索新解，以概率1-P1在可行域中寻找新解，对来自HM的新解，以概率P2对其进行局部扰动，最后比较新解与HM中的最差解，若优于最差解，则替换，反复循环直到满足最大迭代次数。相比于粒子群和遗传等传统算法，HSA通用性强、收敛速度快、具有更强的寻优能力。HSA中新解的产生以及对新解的扰动是最为关键的一步，本专利技术也是在这一步中对相关参数进行改本文档来自技高网...

【技术保护点】
1.基于HSA‑RRNN的微电网短期负荷预测模型，其特征在于，该模型由脊波递归神经网络预测模型构成，包括输入层、隐含层、关联层和输出层，隐含层中每一个神经元节点都与关联层节点一一对应相连接，并且关联层节点与隐含层节点之间的权值可进行动态调节；且利用改进的和声搜索优化算法对脊波递归神经网络预测模型中的参数进行优化，优化公式为：

【技术特征摘要】
1.基于HSA-RRNN的微电网短期负荷预测模型，其特征在于，该模型由脊波递归神经网络预测模型构成，包括输入层、隐含层、关联层和输出层，隐含层中每一个神经元节点都与关联层节点一一对应相连接，并且关联层节点与隐含层节点之间的权值可进行动态调节；且利用改进的和声搜索优化算法对脊波递归神经网络预测模型中的参数进行优化，优化公式为：式中，PAR为扰动概率，BW为扰动带宽，n为当前迭代次数，N为最大迭代次数，r∈(0,1)，Z为任意数。2.根据权利要求1所述的基于HSA-RRNN的微电网短期负荷预测模型，其特征在于，所述脊波递归神经网络预测模型其数学表达式如下：式中，xi(i＝1，2，…，m)表示网络的输入；表示隐含层神经元节点h的内部状态，其输入来源于输入层和关联层节点的输出状态；表示隐含层中神经元节点h的输出状态；表示模型网络的输出值；表示关联层中节点c的内部状态；表示关联层中节点c的输出状态；脊波函数所采用的容许函数为：其中，z表示为容许函数的自变量。3.根据权利要求2所述的基于HSA-RRNN的微电网短期负荷预测模型，其特征在于，所述关联层节点可将与之对...

【专利技术属性】
技术研发人员：撖奥洋，于立涛，张滨，周生奇，王萍，钟世民，王黎，管春伟，张智晟，
申请(专利权)人：国网山东省电力公司青岛供电公司，青岛大学，
类型：发明
国别省市：山东,37