基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法与流程

技术特征：
1.一种基于麻雀搜索算法优化elman神经网络的短期负荷预测方法，其特征在于：该方法包括建立短期负荷预测模型；具体为建立基于麻雀搜索算法优化的elman神经网络预测模型，通过基于麻雀搜索算法优化的elman神经网络预测模型进行训练，输出最佳预测值；具体的优化步骤如下：步骤一：开始操作，建立短期负荷预测模型，获得训练样本；步骤二：建立基于麻雀搜索算法优化的elman神经网络预测模型；步骤三：将训练样本带入到基于麻雀搜索算法优化的elman神经网络预测模型进行训练；步骤四：将全局最优值赋予elman网络的权值和阈值；步骤五：elman神经网络进行局部优化；步骤六：最终预测模型输出最佳预测值；结束操作。2.根据权利要求1所述的一种基于麻雀搜索算法优化elman神经网络的短期负荷预测方法，其特征在于：步骤一所述的建立短期负荷预测模型的具体方式为：将限定时间段内每隔2小时测得的历史负荷数据作为训练样本，将训练样本分别采用原始的elman神经网络预测模型和基于麻雀搜索算法优化的elman神经网络预测模型进行训练，预测限定时间段后一日的企业电力负荷数值；模型中将每3天的负荷作为输入向量，第4天的负荷作为目标向量，这样可以得到多组训练样本，并将限定时间段后一日的数据作为网络的测试样本。3.根据权利要求1所述的一种基于麻雀搜索算法优化elman神经网络的短期负荷预测方法，其特征在于：步骤二所述的建立基于麻雀搜索算法优化的elman神经网络预测模型，是在经典的elman动态网络中引入麻雀搜索算法，对经典的elman动态网络的训练过程做进一步的优化。4.根据权利要求3所述的一种基于麻雀搜索算法优化elman神经网络的短期负荷预测方法，其特征在于：所述的麻雀搜索算法是一种群智能优化算法，主要受麻雀的觅食行为和反捕食行为而启发；麻雀搜索算法中m只麻雀组成的种群可表示为：其中，n为待优化问题变量的维数，m为麻雀的数量，f表示适应度值，则所有麻雀的适应度值可以表示为：5.根据权利要求3或4所述的一种基于麻雀搜索算法优化elman神经网络的短期负荷预测方法，其特征在于：所述的麻雀搜索算法中，在每次迭代麻雀通常可被分为发现者和加入者两种类型，在每次迭代的过程中，发现者的位置更新描述如下：
其中，t为当前迭代数；iter
max
为常数，表示最大的迭代次数；j可取值1,2,3,...,n；α属于(0，1]的一个随机数；x
i,j
为第i只麻雀在第j维中的位置信息；c
warn
为预警值(c
warn
∈[0，1])；c
safe
为安全值(c
safe
∈[0.5，1])；n为服从正态分布的随机数；l为1
×
n的矩阵，每个元素均为1；加入者的位置更新描述如下：其中，x
p
为目前发现者所占据的最优位置；x
worst
为当前的全局最差位置；a为1
×
n的矩阵，每个元素随机赋值为1或
‑
1，且a

＝a
t
(aa
t
)
‑1；假设意识到危险的麻雀初始位置在种群中随机产生，则改进意识到危险麻雀的位置更新公式为：其中，x
best
为当前的全局最优位置；b为1
×
n的矩阵，每个元素随机赋值为1或
‑
1，且b

＝b
t
(bb
t
)
‑1；ε为最小的常数，以避免分母出现零；p属于[
‑
1,1]的一个随机数，表示麻雀移动的方向；f
i
为当前麻雀个体的适应度值；f
b
为当前全局最佳适应度值；f
w
为当前全局最差的适应度值。6.根据权利要求3所述的一种基于麻雀搜索算法优化elman神经网络的短期负荷预测方法，其特征在于：所述的elman动态网络是一种典型的递归神经网络，elman神经网络的学习算法如下：y(k)＝g(ω3x(k))
ꢀꢀꢀꢀꢀ
(6)x(k)＝f(ω1x
c
(k) ω2(u(k
‑
1)))
ꢀꢀꢀꢀꢀꢀꢀ
(7)x
c
(k)＝x(k
‑
1)
ꢀꢀꢀꢀꢀꢀ
(8)elman神经网络的学习指标函数采用误差平方和函数，即：其中，u为r维输入向量；x
c
为n维反馈向量；y为m维的输出节点向量；x为n维的隐含层节点向量；w1为承接层到隐含层的连接权值；w2为输入层到隐含层的连接权值；w3隐含层到输出层的连接权值；f(*)为隐含层神经元的传递函数，常用s函数；g(*)为输出神经元的传递函数，是隐含层输出的线性组合。7.根据权利要求1或3所述的一种基于麻雀搜索算法优化elman神经网络的短期负荷预测方法，其特征在于：步骤三所述的将训练样本带入到基于麻雀搜索算法优化的elman神经
网络预测模型进行训练；训练流程的具体步骤如下：步骤3.1：创建elman神经网络模型，将用于训练神经网络的历史样本数据进行归一化预处理；归一化公式为：得到的预测值再进行反归一化处理，反归一化公式如下：其中，为归一化后的负荷值，x
i
为原始负荷值，x
min
、x
max
分别为最小值和最大值；为归一化的输出预测值，y
i
为反归一化的实际预测值；步骤3.2：初始化种群、迭代次数等相关参数，如设定麻雀种群中发现者的数量、意识到危险的麻雀所占种群的比例，以及麻雀搜索算法中安全阈值的设置；步骤3.3：选择适应度函数，对每个麻雀的适应度值进行排序。将发现者、加入者以及意识到危险的麻雀的位置按照公式(3)、(4)和(5)进行更新；适应度函数设计为测试集的绝对误差和：步骤3.4：计算适应度值并更新麻雀位置；步骤3.5：如果优化算法满足结束条件，则将全局最优值赋予elman神经网络的权值、阈值，再对网络的局部进行优化；若未满足算法要求，则返回步骤3.3重新进行运算。

技术总结
本发明公开了一种基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法，建立短期负荷预测模型，在经典的Elman动态网络中引入麻雀搜索算法SSA，对该网络的训练过程做进一步的优化；包括以下步骤：首先初始化种群、迭代次数等相关参数，计算适应度值并排序；然后更新发现者、加入者以及改进的意识到危险麻雀位置；再次计算适应度值并更新麻雀位置；判断是否满足SSA的结束条件，在满足条件的情况下，将全局最优值赋予Elman网络的权值和阈值；Elman神经网络进行局部优化；最终预测模型输出最佳预测值。本发明可提高Elman神经网络的泛化能力和适应能力，使预测模型的运算效率和预测精度提高，且该方法辨识能力优于经典Elman网络，泛化误差明显小于经典网络。泛化误差明显小于经典网络。泛化误差明显小于经典网络。


技术研发人员：睢婷宇 范媛媛 桑英军 郝云荣 黄飞
受保护的技术使用者：淮阴工学院
技术研发日：2021.07.29
技术公布日：2021/11/24