在經(jīng)濟(jì)高速發(fā)展的當(dāng)今,電力是各個行業(yè)發(fā)展所需中必不可少的一部分,加上電這種商品的即發(fā)即用不能貯存的特性。因此,進(jìn)行短期負(fù)荷預(yù)測的研究是十分有必要的。此外,對于電力調(diào)度部門來說,進(jìn)行電能的調(diào)度依賴于精確的負(fù)荷預(yù)測。精確的短期負(fù)荷預(yù)測,影響著電力市場供需關(guān)系,也能提高電力系統(tǒng)的運行的可靠性。本文首先對現(xiàn)有的預(yù)測方法作了系統(tǒng)性分析研究,簡明扼要的總結(jié)了現(xiàn)有預(yù)測方法的優(yōu)勢與劣勢。在現(xiàn)有的預(yù)測方法中,Elman神經(jīng)網(wǎng)絡(luò)因為具有很強(qiáng)的學(xué)習(xí)能力,容錯能力,聯(lián)想記憶力,此外還具有較強(qiáng)的適應(yīng)時變特性的能力,非常適用于短期負(fù)荷預(yù)測。但是,在學(xué)習(xí)規(guī)則上,Elman神經(jīng)網(wǎng)絡(luò)所采用的是動量梯度下降法,這將會使得在整個的學(xué)習(xí)過程中,收斂速度會較慢導(dǎo)致學(xué)習(xí)時間過長,且收斂過程不穩(wěn)定導(dǎo)致不能達(dá)到理想輸出。針對Elman神經(jīng)網(wǎng)絡(luò)所存在的問題,本文提出了一種基于改進(jìn)型遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值。單個種群的遺傳算法容易較早收斂,出現(xiàn)早熟現(xiàn)象。針對這一現(xiàn)象,本文提出了多個種群協(xié)同進(jìn)化的遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)中的初始權(quán)值與閾值。在具體應(yīng)用中,采用實數(shù)編碼的方式對網(wǎng)絡(luò)參數(shù)進(jìn)行編碼,并進(jìn)行交叉、選擇、變... 

【文章來源】：南華大學(xué)湖南省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

人工神經(jīng)元模型

南華大學(xué)碩士學(xué)位論文28@_——圖4.1遺傳算法流程圖4.2.2遺傳算法的編碼方式編碼是實現(xiàn)遺傳算法優(yōu)化目標(biāo)時的第一個個步驟，編碼方法的選擇不同，遺傳操作采用的方法也會不同。由于編碼其實是遺傳算法在空間的映射。因此編碼對于遺傳算法的搜索效率和最優(yōu)解有著一定的影響。常見的編碼方法可以分為三大類：二進(jìn)制編碼法、浮點編碼法以及符號編碼法[35]。采用二進(jìn)制編碼時，編碼和解碼操作較為簡單快捷，對于交叉變異等遺傳操作便于實現(xiàn)。但是，對于那些連續(xù)函數(shù)優(yōu)化問題，二進(jìn)制編碼在局部尋優(yōu)的能力較差，此外，由于二進(jìn)制編碼所采用的遺傳操作，使得搜索結(jié)果具有隨機(jī)性。例如對于一些連續(xù)高精度的問題進(jìn)行尋優(yōu)時，對于已經(jīng)接近最優(yōu)解的個體，由于變異等操作，產(chǎn)生新的個體往往會有較大變化。達(dá)不到局部穩(wěn)定和目標(biāo)要求。浮點法，也稱實數(shù)編碼法。在實數(shù)編碼中，一般將所有可能的解放在一個實數(shù)范圍內(nèi)，每一次進(jìn)化過程都是在該實數(shù)的范圍進(jìn)行尋優(yōu)。因此，實數(shù)編碼適用于遺傳算法所尋優(yōu)的范圍較大，便于處理復(fù)雜的決策變量約束條件。符號編碼法是指個體染色體編碼串中的基因值取自一個無數(shù)值含義，而只有代碼含義的符號集。

第4章改進(jìn)型遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)介紹31圖4.2多種群遺傳算法策略4.3.2改進(jìn)型遺傳算法遺傳操作參數(shù)選取在進(jìn)行遺傳操作參數(shù)時，選取改進(jìn)型遺傳算法與傳統(tǒng)的遺傳算法大致相同，同樣是對編碼方式、選擇算子、交叉算子、變異算子進(jìn)行確定。改進(jìn)型遺傳算法是多個種群進(jìn)行遺傳進(jìn)化。因此，增加了最優(yōu)個體遷移機(jī)制，這樣增加了遺傳算法尋優(yōu)能力。(1)編碼方式對于上述中五個種群均采用實數(shù)編碼的方式，在本文中需要較大空間的進(jìn)行遺傳搜索，同時對于精度有很高的要求，采用實數(shù)編碼的方式能改善了遺傳算法的計算復(fù)雜性，提高運算效率。(2)選擇算子選擇過程第一步應(yīng)進(jìn)行適應(yīng)度計算，前文有介紹，便不再贅述。本文采用的是輪盤賭方法,設(shè)單個的種群規(guī)模大小為m，個體被選中的概率為iP，該個體的適應(yīng)度值為iF，則該個體在進(jìn)行選擇操作時被選中的概率為：mmiiiFFP1··············································(4.4)(3)交叉算子對于種群兩個不同的個體在進(jìn)行交叉操作時可設(shè)，kC為第k個個體，lC為第l個體，j為兩個個體的交叉點。則交叉公式為：]1,0[)1()1(bCbCCbCbCCbkjljljljkjkj··························(4.5)


本文編號：2944707