[发明专利]基于遗传人工鱼群优化RBF神经网络短期负荷预测方法

摘要

本发明公开了一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，引入了遗传算法的相关操作，来求得全局最优极值，而不是局部极值，改善了人工鱼群算法的寻优性能；并将改进的算法应用到RBF神经网络模型，RBF神经网络无负反馈调节过程，具有最佳的逼近性能和全局最优特性，并依此模型对短期电力负荷预测。本发明的预测方法，避免了人工鱼群算法在寻优过程中产生的方向性差和容易陷入僵局的问题，通过实验验证，本发明提出的预测模型误差更小，预测的精度更高，更加接近实际电力负荷。

主权项

1.一种基于遗传人工鱼群优化RBF神经网络短期负荷预测方法，其特征在于，通过把遗传算法中的选择、交叉、变异机制引入人工鱼群优化算法，实现了人工鱼个体的跳变，从而调整优化了群体，在提高了人工鱼群算法收敛速度的同时保证了全局搜索能力，该融合算法优化RBF神经网络的设计步骤如下：第一步，初始化：清除连续不变化或变化很小的迭代次数NoChangeNum，输入人工鱼的数目N，最大迭代次数number，人工鱼的可视域visual，人工鱼的最大步长step，拥挤度因子δ；产生初始权值ωij(0),每一个分量均为[‑1,1]区间内的随机数；以网络的输出误差E定义各人工鱼个体当前位置的食物浓度FC＝1/E，取FC为最大值者进入公告板，将其赋给公告板；第二步，人工鱼群优化行为：各人工鱼分别模拟聚群、追尾行为后以最优值执行，缺省方式为觅食行为；觅食行为时的权值学习方式为：其中：追尾行为和聚群行为时的学习方式：以X_max为中心c，以最短距离d_min来确定宽度计算输出样本X＝[x₁,x₂,…,x_k]^T网络的输出的一般表达式为：如果令：W(k)＝[W1(k),W2(k),…,WM(k)]T                  (5)则输出的一般表达式变为Y(k)＝H(k)·W(k)                  (6)上式是具有最小二乘问题的一般形式，在获得大量离散状态值后，网络的权值可用递推最小二乘方法来识别，具体公式如下，式中，I为单位矩阵，取这里ε_p为一个小的正数，一般在10^‑5左右；第三步，更新公告板：人工鱼每行动一次后，将自身函数值FC与公告板FC比较，如果优于公告板，则以自身取代之，同时清零NoChangeNum；第四步，判断是否需要引入遗传算法：判断NoChangeNum是否已达到预置的最大阈值MaxNCN,若是，执行第五步；否则执行第六步；第五步，选择、交叉、变异操作：对鱼群内除公告板中最优个体外其它所有人工鱼执行选择、交叉、变异操作，清零NoChangeNum；第六步，终止判断：判断迭代次数Num是否已达到最大迭代次数MaxNum，若不满足，则Num+1，NoChangeNum+1，执行第三步，否则执行第七步；第七步，算法终止，输出最优解。