基于DNA发夹变异的GWO优化Elman的电力负荷预测方法技术

本发明专利技术公开了一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，构建Elman电力负荷预测模型并利用改进的灰狼算法对Elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用DNA发夹变异作用于灰狼算法上，通过对原始的灰狼算法进行改进，将分子生物学与GWO优化算法相结合，所设计的变异算子，使得算法具有跳出局部最优的能力、并且收敛速度和收敛精度均有所提高；且相比静态网络，Elman神经网络通过内部反馈机制使其具备较强的动态映射特性，从而具有更强的适应时变特性的能力，满足预测精度的同时提高了电力负荷预测的速度。速度。速度。

【技术实现步骤摘要】
基于DNA发夹变异的GWO优化Elman的电力负荷预测方法


[0001]本专利技术属于智能优化技术改进领域，尤其涉及一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法。

技术介绍

[0002]电力系统主要由电网、电力用户共同组成，其任务是为用户提供符合标准的、可靠的电能，以满足各类负荷需求，为人们生活、社会生产提供动力。各类用户对电力的需求是动态变化的，并且电能的特殊性使得其难以被大量储存，这就要求电力的生产与系统负荷要维持动态平衡，满足用户需求的同时，使得系统稳定高效的运行。因此，有必要发展电力负荷系统预测技术，它是电力分配调度的基础，也是未来电网规划建设、计划用电管理、电力市场营销等的重要依据。电力负荷预测的核心是建立高精度的数学模型。为此，如何基于历史的用电数据，运用先进的科学预测理论和先进的计算机技术，做出符合需求的预测，以对未来的用电量进行科学合理的管理尤为重要。
[0003]随着经济的不断发展，电力系统的结构也日趋复杂，同时，电力负荷变化的不确定性和时变、非线性性等特点也越专利技术显。传统的预测方法很难满足这些复杂性需求，因此，预测结果与实际系统存在较大偏差。
[0004]人工神经网络凭其强大的非线性映射和自学习能力，已经在电力系统负荷模型预测中取得许多成功的应用案例，推动了电力负荷预测由传统预测向智能化预测方向发展。在各种人工神经网络中，Elman神经网络作为典型的反馈式网络，具有输入延时，适合于电力系统的特点。预测的关键是使得神经网络的输入和输出能够准确的反应系统的运行规律，而网络参数的选择对神经网络的性能影响较大。因此，对网络模型的参数进行优化是获得高精度预测的关键。
[0005]灰狼算法(gray wolf optimizer, GWO)是由Mirjalili于2014年提出的一种新的群智能优化算法，该算法模拟了生物界狼群的社会等级关系和集体狩猎行为，即狼群通过跟踪、探索、追捕、攻击实现对猎杀目标的寻优过程。GWO算法自提出以来，由于具有结构简单、参数少、易于实现的优良性能，已经被成功应用于神经网络系统、模糊控制系统、水资源分配等领域。
[0006]然而，与其他元启发式算法类似，基本的GWO也存在一些棘手的问题。例如，在求解精度和寻优效率上存在不足。在优化复杂问题至寻优后期，狼群逐渐趋向于头狼所在位置或周围，极容易陷入局部最优，导致算法无法跳出局部极值来获取全局最优解。
[0007]遗传算法是一种较早的智能优化算法，其全局搜索能力较强，但算法容易陷入局部最优，出现早熟现象。随着分子生物学的不断发展，人们发现DNA分子结构与遗传信息的表达密切相关，加之对遗传算法中交叉和变异思想的深刻理解，王康泰、张丽等提出基于DNA的遗传算法以及相关的改进算法。
[0008]本专利技术受遗传算法变异思想和DNA分子操作的启发，设计一种基于DNA发夹变异操作的灰狼优化算法，变异操作有效的改善了种群多样性，提高搜索效率和精度，并将所提出
方法应用到电力负荷系统神经网络模型参数寻优，最终获得较好的预测精度。

技术实现思路

[0009]针对以上现有技术的不足，本专利技术提出一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，该方法将DNA分子进行发夹变异，并作用于灰狼算法，以维持种群多样性，提高算法的局部搜索能力，并将改进的GWO应用于Elman神经网络模型参数估计，获得最优解，从而建立电力负荷系统神经网络预测模型。该方法所得预测模型能够较好的反应实际系统的非线性特性。
[0010]本专利技术所采用的具体技术方案如下：基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，是构建Elman电力负荷预测模型并利用改进的灰狼算法对Elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用DNA发夹变异作用于灰狼算法上。
[0011]进一步的，所述的DNA发夹变异为：随机选择一个DNA序列作为父代个体，定义第一个碱基的序列号为c1=1，从序列号为c1+1开始遍历，直到找到第一个序列号为c1的碱基互补的碱基，定义其序列号为c2，如果找不到c2，则重新选择DNA序列，直到找到为止；然后，将位于c1和c2之间的所有碱基位进行逆序排列，最后，将逆序得到的碱基位分别用其对应的互补碱基代替；最后，令c1= c2+1，重复执行以上步骤，直至遍历完所有的c1；至此，得到变异后新的子代个体。
[0012]进一步的，所述方法包括如下步骤：步骤1：获取电力负荷数据集：步骤1.1 对电力负荷样本数据进行预处理优选的，对于样本中缺失的数据或异常数据可以采用线性插值法进行填充和替换。假设t时刻和时刻的采样点值分别为PL
t
和，若时刻的数据丢失，则用式，j＜i计算得到。
[0013]步骤1.2 将步骤1.1处理后的数据集划分为两部分：电力负荷训练数据集和电力负荷测试数据集。
[0014]步骤1.3 对样本数据进行最大最小归一化处理，其计算公式为：。
[0015]其中，x
N
表示归一化后的值，x是原始数据值，x
max
和x
min
表示样本数据的最大和最小值，t
max
和t
min
分别表示目标数据的最大值和最小值。
[0016]步骤1.3 将经过归一化后的数据集划分为两部分：电力负荷训练数据集和电力负荷测试数据集。
[0017]步骤2：建立电力负荷Elman神经网络模型，确定神经元的输入和输出数据；步骤3：确定电力负荷Elman神经网络的隐含层神经元个数；步骤4：初始化寻优参数。即设置步骤3所确定Elman神经网络的初始权值和阈值为待寻优参数；步骤5：确立适应度函数，即优化算法的评价函数，优选的，将其定义为：Elman神经
网络训练得到的输出与样本实际值之间的误差平方和的算术平方根；步骤6：将训练数据集代入Elman神经网络模型训练，并采用DNA发夹变异操作灰狼算法对参数进行优化，得到最优的权值和阈值。
[0018]步骤7：将测试数据集代入步骤6训练调整好的神经网络模型中，得到测试集对应的预测值。
[0019]进一步的， 所述步骤2中，电力负荷样本数据包括5个输入和一个输出数据。输入的形式如下：式中，p(t)表示t时刻的温度，h(t)表示t时刻的湿度，r(t)表示t时刻的降水量，l(t
‑
1)、l(t
‑
2)和l(t
‑
3)分别表示t
‑
1、t
‑
2和t
‑
3时刻的电力负荷值。
[0020]输出为t时刻的电力负荷数据。
[0021]进一步的，本方法中构建电力负荷预测模型采用Elman神经网络学习算法，如下：式中，k表示时刻，x
c
(k)，u(k
‑
1)，x(k)，y(k)分别表示m维反馈状态向量，n维输入向量，m维隐含层节点向量，1维输出向量；，和分别表示承本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，构建Elman电力负荷预测模型并利用改进的灰狼算法对Elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用DNA发夹变异作用于灰狼算法上。2.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述的DNA发夹变异为：随机选择一个DNA序列作为父代个体，定义第一个碱基的序列号为c1=1，从序列号为c1+1开始遍历，直到找到第一个与序列号为c1的碱基互补的碱基，定义其序列号为c2，如果找不到c2，则重新选择DNA序列，直到找到为止；然后，将位于c1和c2之间的所有碱基位进行逆序排列，最后，将逆序得到的碱基位分别用其对应的互补碱基代替；最后，令c1= c2+1，重复执行以上步骤，直至遍历完所有的c1；至此，得到变异后新的子代个体。3.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，包括如下步骤：步骤1：获取电力负荷数据集：对电力负荷样本数据进行预处理和归一化，将样本集数据处理后划分为训练数据集、测试数据集；步骤2：建立电力负荷Elman神经网络模型，确定神经元的输入和输出数据；步骤3：确定电力负荷Elman神经网络的隐含层神经元个数；步骤4：初始化寻优参数，即设置步骤3所确定的Elman神经网络的初始权值和阈值为待寻优参数；步骤5：确立适应度函数，即优化算法的评价函数；步骤6：利用训练数据集对Elman神经网络模型进行训练，在训练过程中采用DNA发夹变异操作灰狼算法对参数进行优化，得到最优的权值和阈值；步骤7：利用测试数据集对训练调整后的Elman神经网络模型进行测试；采用所得模型对电力负荷进行预测。4.根据权利要求3所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述电力负荷样本数据包括5个输入和一个输出数据，输入的形式如下：式中，p(t)表示t时刻的温度，h(t)表示t时刻的湿度，r(t)表示t时刻的降水量，l(t
‑
1)、l(t
‑
2)和l(t
‑
3)分别表示t
‑
1、t
‑
2和t
‑
3时刻的电力负荷值；输出为t时刻的电力负荷数据；所述预处理为：对样本中缺失的数据或异常数据采用线性插值法进行填充或替换。5.根据权利要求3所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，将Elman神经网络训练得到的电力负荷预测数据与实际数据的误差平方和的平方根作为DNA发夹变异GWO寻优的适应度函数。6.根据权利要求1所述的基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，其特征在于，所述Elman电力负荷预测模型基于Elman神经网络构建，如下：
式中，k表示时刻，x

【专利技术属性】
技术研发人员：秦贞华，
申请(专利权)人：浙江机电职业技术学院，
类型：发明
国别省市：