【技术实现步骤摘要】
基于帝王蝶算法优化BP神经网络模型的能源预测方法
[0001]本专利技术属于能源预测
,具体涉及一种基于帝王蝶算法优化BP神经网络模型的能源预测方法。
技术介绍
[0002]为了应对全球严峻的环境污染和气候变化问题,要有效地控制能源消费带来的碳排放,制定高污染、高排放行业绿色、低碳转型路线。
[0003]BP神经网络是一种按误差逆传播算法训练的多层前馈网络,是应用最广泛的神经网络模型之一。它由信息的正向传播和误差的反向传播两个过程组成。神经网络的核心成分是人工神经元,每个神经元接收来自其他几个神经元的输入,将它们乘以各自分配的权重,然后再相加,最后把相加的总和传递给一个或多个神经元。当把很多神经元多层放置并堆叠在一起时,就形成了神经网络。通过给定训练集的输入数据,它会根据输出值与实际值的误差不断调整权重,直到能将每个输入映射到正确的输出。因其非线性映射能力很强,所以被广泛应用于受复杂因素影响的预测问题中。但是BP神经网络的初始权重和阈值为随机赋值,这会导致其预测结果的误差波动较大,因此提出了一种帝王蝶算法优化BP神经网络的初始权重和阈值来缩小其预测结果的误差范围,提高预测精度。
[0004]帝王蝶算法(Monarch Butterfly Optimization,MBO)是一种受帝王蝶迁徙行为启发的智能优化算法。帝王蝶优化算法有两个算子:具有局部搜索能力的迁移算子和具有全局搜索能力的调整算子,可同时确定帝王蝶的搜索方向,适合并行处理。通过迁移操作和适应性操作,可以更新帝王蝶中的个体位置。在解决全 ...
【技术保护点】
【技术特征摘要】
1.一种基于帝王蝶算法优化BP神经网络模型的能源预测方法,其特征在于:包括以下步骤:步骤1、将能源消费总量及其影响因素的历史数据划分为训练集和测试集;对于由能源消费总量以及它的五个影响因素组成的第k组数据列γ
k
=[γ
k
(1), γ
k
(2), γ
k
(3),γ
k
(4), γ
k
(5), γ
k
(6)], γ
k
(i) >0,k=1,2,
…
,n;i=1,2,
…
,6,取n组数据列的部分划分为训练集,剩下的数据列划分为测试集;式中,γ
k
(1)代表第k组数据的年末常住人口数、γ
k
(2)代表第k组数据的地区生产总值、γ
k
(3)代表第k组数据的地区生产总值指数、γ
k
(4)代表第k组数据的人均年收入、γ
k
(5)代表第k组数据的年平均气温、γ
k
(6)代表第k组数据的能源消费总量;步骤2、使用归一化函数将训练集和测试集的所有数据归一化;归一化函数为:式中,minγ
k
(i)为数据列γ
k
中的最小值,maxγ
k
(i)为数据列γ
k
中的最大值,f(γ
k
(i))为归一化处理后的数据列各元素的值;即经过归一化处理后的第k组数据列为=[f(γ
k
(1)), f(γ
k
(2)), f(γ
k
(3)), f(γ
k
(4)), f(γ
k
(5)), f(γ
k
(6))];步骤3、设置BP神经网络基本参数;步骤4、针对BP神经网络模型的初始权重ω、初始阈值θ,建立平均绝对误差目标函数;式中,f(ω,θ)为平均绝对误差目标函数;步骤5、通过帝王蝶算法对平均绝对误差目标函数进行求解,确定BP神经网络模型的初始权重ω、初始阈值θ;步骤6、将初始权重ω、初始阈值θ代回BP神经网络模型进行训练,将能源消费总量的影响因素输入训练好的BP神经网络模型对能源消费总量进行预测。2.根据权利要求1所述的一种基于帝王蝶算法优化BP神经网络模型的能源预测方法,其特征在于:所述步骤3的具体实现方法包括以下步骤:步骤3.1、在归一化后的训练集数据列中取能源消费总量的五个影响因素 f(γ
k
(1))
, f(γ
k
(2))
, f(γ
k
(3))
, f(γ
k
(4))
, f(γ
k
(5))作为BP神经网络模型的输入值,能源消费总量 f(γ
k
(6))作为BP神经网络模型的输出值;步骤3.2、设置BP神经网络基本参数:输入层节点数、隐含层节点数、输出层节点数、训练次数、学习速率、最大误差、激活函数。3.根据权利要求2所述的一种基于帝王蝶算法优化BP神经网络模型的能源预测方法,其特征在于:所述步骤5的具体实现方法包括以下步骤:步骤5.1、初始化帝王蝶个体的位置状态为向量σ=(ω,θ),向量ω,θ分别对应BP神经网络模型的初始权重ω、初始阈值θ,每只帝王蝶的位置组合了初始权重ω、初始阈值θ参数的信息,并且每只帝王蝶代表平均绝对误差目标函数的一个解,设置帝王蝶算法的初始参数:帝王蝶个体总数N、最大迭代次数t
max
、帝王蝶种群分为第一种群和第二种群,第一种群和第
二种群的种群数量分别为P1和P2、帝王蝶迁移率p、迁移周期peri、调整率BAR、帝王蝶步长S、最大步长S
max
,随机生成共N个帝王蝶个体,每个帝王蝶个体都是满足平均绝对误差目标函数的潜在解;步骤5.2、根据平均绝对误差目标函数,在迭代初始阶段对种群进行适应度值计算并按照从优到劣排序,平均绝对误差越小,表明个体适应度越高,选取出本次迭代适应度值高的帝王蝶个体,作为精英个体保留下来;步骤5.3、将帝王蝶个体总数N根据帝王蝶迁移率p划分为第一种群和第二种群两部分,即第一种群数量P1=N
×
P,第二种群数量P2=N
×
(1
‑
P),执行迁移算子更新第一种群的帝王蝶,执行调整算子更新第二种群的帝王蝶,将迭代后的新种群整合,重新计算适应度值;步骤5.4、将适应度最低的五个帝王蝶个体进行柯西变异操作,用适应度高的帝王蝶个体取代适应度低的帝王蝶个体,将替换后的种群作为下一次迭代的初始种群;步骤5.5、记录每次迭代中适应度值最优的帝王蝶个体,重复迭代过...
【专利技术属性】
技术研发人员:丁贵立,颜高洋,刘文轩,许志浩,康兵,张兴旺,程巧,曹昆峰,郑芯蕊,杨勇,
申请(专利权)人:南昌工程学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。