一種基于小波變換和改進(jìn)螢火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)方法
【專利摘要】本發(fā)明涉及一種基于小波變換和改進(jìn)螢火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)方法，包括：（1）通過小波分解和重構(gòu)，對(duì)原始負(fù)荷序列進(jìn)行降噪；（2）在模型訓(xùn)練階段利用改進(jìn)的螢火蟲短發(fā)優(yōu)化極限學(xué)習(xí)機(jī)參數(shù)，獲得個(gè)序列的最優(yōu)模型；（3）針對(duì)各子序列分別預(yù)測(cè)疊加得到最終預(yù)測(cè)值。本發(fā)明通過在兩種時(shí)間尺度的數(shù)據(jù)序列上進(jìn)行數(shù)值計(jì)算，有效的解決了短期負(fù)荷預(yù)測(cè)，與傳統(tǒng)的ARMA、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)及LSSVM等多種經(jīng)典預(yù)測(cè)模型相比，模型預(yù)測(cè)效果更優(yōu)。
【專利說明】
一種基于小波變換和改進(jìn)螢火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷 預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及電力系統(tǒng)自動(dòng)化領(lǐng)域，涉及一種基于小波變換和改進(jìn)螢火蟲優(yōu)化極限 學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 負(fù)荷預(yù)測(cè)一直以來都是電力系統(tǒng)的一個(gè)關(guān)鍵操作和規(guī)劃途徑，它影響著電力系統(tǒng) 的諸多決策，如經(jīng)濟(jì)調(diào)度、自動(dòng)發(fā)電控制、安全評(píng)估、維護(hù)調(diào)度和能源商業(yè)化 [1]。短期電力負(fù) 荷預(yù)測(cè)主要是指預(yù)報(bào)未來幾小時(shí)、1天至幾天的用電量[2]。精準(zhǔn)的電力負(fù)荷預(yù)測(cè)可以經(jīng)濟(jì)合 理地安排電力系統(tǒng)發(fā)電機(jī)組啟停，對(duì)于保持電網(wǎng)運(yùn)行的安全穩(wěn)定、保持社會(huì)的正常生產(chǎn)和 生活、有效降低發(fā)電成本有著重要作用。經(jīng)過長(zhǎng)期的研究與實(shí)踐，許多方法被應(yīng)用到短期負(fù) 荷預(yù)測(cè)，包括：回歸分析法、外推預(yù)測(cè)法、相似日法、灰色預(yù)測(cè)、神經(jīng)網(wǎng)絡(luò)模型及支持向量機(jī) 模型等。其中，以神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)為代表的機(jī)器學(xué)習(xí)算法表現(xiàn)出較好的效果 [3]。但由 于負(fù)荷變化存在著較強(qiáng)的隨機(jī)性和復(fù)雜性，各類方法均有一定的適用場(chǎng)合，并需不斷的改 進(jìn)和完善。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提出一種優(yōu)化極限學(xué)習(xí)機(jī)參數(shù)的方法進(jìn)行短期負(fù)荷預(yù)測(cè)，考慮到 負(fù)荷序列的隨機(jī)波動(dòng)性問題，采用小波分解與重構(gòu)進(jìn)行適當(dāng)降噪，利用改進(jìn)的螢火蟲算法 優(yōu)化極限學(xué)習(xí)機(jī)作為各序列的預(yù)測(cè)方法，各頻域的子序列進(jìn)行單獨(dú)預(yù)測(cè)后疊加得到最終預(yù) 測(cè)值。
[0004] 本發(fā)明可通過以下技術(shù)方案實(shí)現(xiàn)
[0005] -種基于小波變換和改進(jìn)螢火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)方法，其特征在 于，由以下步驟構(gòu)成：
[0006] 步驟1、獲取原始負(fù)荷序列數(shù)據(jù)；
[0007] 步驟2、對(duì)原始序列進(jìn)行3層小波分解，具體是對(duì)于短期負(fù)荷預(yù)測(cè)，根據(jù)Mallat提出 的多分辨率思想，將非平穩(wěn)的離散負(fù)荷序列S分解為不同頻率的高頻細(xì)節(jié)序列cU，d 2···dj和 一個(gè)低頻近似序a^J為最大分解層數(shù);通常采用db3小波基進(jìn)行3層分解;其分解過程如下：
[0008]
[0009] 其中：?，山分別為原始信號(hào)在分辨率21下的低頻信號(hào)和高頻信號(hào)，是原始信號(hào)在 相鄰不同頻率段上的成分;Η為低通濾波器;G為高通濾波器；
[0010] 步驟3、對(duì)分解后的各序列進(jìn)行二插值重構(gòu):所述步驟2分解過程利用二抽取，使得 每層分解信號(hào)比分解前信號(hào)數(shù)據(jù)減半，因此需要進(jìn)行二插值重構(gòu)使得信號(hào)長(zhǎng)度還原；
[0011]
[0012]其中：H'G$分別為H，G的對(duì)偶算子；對(duì)札如…心和aj進(jìn)行重構(gòu)后，得到細(xì)節(jié)序Di， D2^_Dj和近似序列Aj，其長(zhǎng)度與原始序列相同，并有
[0013] S = Di+D2+---Dj+Aj
[0014] 針對(duì)重構(gòu)后的細(xì)節(jié)序列和近似序列分別進(jìn)行預(yù)測(cè)，可以充分利用分解重構(gòu)對(duì)信號(hào) 特征的挖掘，從而減小預(yù)測(cè)誤差；
[0015] 步驟4、針對(duì)重構(gòu)后各序列進(jìn)行歸一化后分別進(jìn)行IFA-ELM模型訓(xùn)練和預(yù)測(cè)，具體 包括：
[0016] (1)初始化極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)數(shù)學(xué)模型;ELM初始化m，Μ，η，激活函數(shù)g(X);螢火蟲 算法初始化，包括設(shè)置種群規(guī)模N，螢火蟲位置初始化，最大迭代次數(shù)Mi ter，= 1及自適應(yīng) 參數(shù)初始值初值α〇;迭代次數(shù)cc = 1;
[0017] (2)對(duì)給定的訓(xùn)練樣本，將螢火蟲位置映射到待優(yōu)化變量范圍，求解E(sm)，計(jì)算螢 火蟲適應(yīng)度；
[0018] (3)計(jì)算參數(shù)，比較螢火蟲之間的適應(yīng)度，利用公式更新螢火蟲位置；
[0019] (4)利用個(gè)體變異機(jī)制進(jìn)行個(gè)體變異更新；
[0020] (5)若達(dá)到最大迭代次數(shù)，則輸出結(jié)果，否則cc = cc+1，轉(zhuǎn)步驟(2);
[0021] 步驟5、各序列預(yù)測(cè)值映射回原區(qū)間后疊加得到最終預(yù)測(cè)結(jié)果；
[0022] 步驟6、預(yù)測(cè)評(píng)價(jià):為具體對(duì)誤差進(jìn)行量化評(píng)價(jià)，定義平均絕對(duì)誤差MAE、平均相對(duì) 誤差MAPE及均方根誤差RMSE如下：
[0023]
[0024]
[0025]
[0026] 其中，N為預(yù)測(cè)點(diǎn)數(shù)，predicti，reali分別為預(yù)測(cè)和實(shí)測(cè)的第1點(diǎn)負(fù)荷。
[0027] 在上述的一種基于小波變換和改進(jìn)螢火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)方法， 步驟4中極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)數(shù)學(xué)模型包括如下：
[0028]極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)訓(xùn)練模型采用前向單隱層結(jié)構(gòu)，設(shè)m，M，n分別為網(wǎng)絡(luò)輸入層、隱 含層和輸出層的節(jié)點(diǎn)數(shù)，g(x)是隱層神經(jīng)元的激活函數(shù)，匕為閾值;設(shè)有N個(gè)不同的樣本(Xl， ti)，l<i<N，其中Xi = [Xil，Xi2，'"Xim]TeRm，ti = [til，ti2,…，tin]TGRn，極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò) 模型可用數(shù)學(xué)表達(dá)式表示如下：
[0029](1) .1=1
[0030]式中，《1=[011，《12，"_，0^1]表示連接網(wǎng)絡(luò)輸入層節(jié)點(diǎn)與第1個(gè)隱層節(jié)點(diǎn)與網(wǎng) 絡(luò)輸出層節(jié)點(diǎn)的輸入權(quán)值向量;隊(duì)=[隊(duì)1，&2，一，& 11]7表示連接第1個(gè)隱層節(jié)點(diǎn)與網(wǎng)絡(luò)輸出 層節(jié)點(diǎn)的輸出權(quán)值向量;〇j=[0jl，0j2，"_，0jn] ^不網(wǎng)絡(luò)輸出值；
[0031] 極限學(xué)習(xí)機(jī)的代價(jià)函數(shù)E可表示為
[0032]
[0033] 式中，3=(?1，匕4 = 1，2，~，），包含了網(wǎng)絡(luò)輸入權(quán)值及隱層節(jié)點(diǎn)閾值;!1皿即等 指出極限學(xué)習(xí)機(jī)的訓(xùn)練目標(biāo)就是尋求最優(yōu)的S，i3,使得網(wǎng)絡(luò)輸出值與對(duì)應(yīng)實(shí)際值誤差最小， 艮Pmin(E(S，P) ;min(E(S，P)可進(jìn)一步寫為：
[0034](3)
,t/； ,ρ
[0035] 式中，Η表示網(wǎng)絡(luò)關(guān)于樣本的隱層輸出矩陣，β表示輸出權(quán)值矩陣，Τ表示樣本集的 目標(biāo)值矩陣;Η，β，Τ分別定義如下：
[0036]
[0037]
[0038]極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)訓(xùn)練過程可歸結(jié)為一個(gè)非線性優(yōu)化問題，式(6)為目標(biāo)函數(shù);當(dāng) 網(wǎng)絡(luò)隱層節(jié)點(diǎn)的激活函數(shù)無限可微時(shí)，網(wǎng)絡(luò)輸入權(quán)值和隱層節(jié)點(diǎn)閾值可隨機(jī)賦值，此時(shí)矩 陣Η為一常數(shù)矩陣，極限學(xué)習(xí)機(jī)的學(xué)習(xí)過程可等價(jià)為求取線性系統(tǒng)Ηβ = Τ最小范數(shù)的最小二 乘解#，其計(jì)算式為：
[0039] β = ΗγΤ
[0040] 式中是矩陣Η的ΜΡ廣義逆，》求解后，極限學(xué)習(xí)機(jī)的訓(xùn)練過程也就完成了。
[0041] 在上述的一種一種基于小波變換和改進(jìn)螢火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè) 方法，所述步驟4中改進(jìn)螢火蟲算法包括如下：
[0042] (1)基本螢火蟲算法，包括：
[0043] 1)吸引度:在螢火蟲算法中，吸引度函數(shù)的主要形式可以是任意的單調(diào)遞減函數(shù)， 通常如下：
[0044]
(7)
[0045] r是兩螢火蟲之間的距離，β〇是初始吸引度，γ是吸收系數(shù)，m通常取2;
[0046] 2)螢火蟲之間的距離:兩螢火蟲p和q在分別位置&和知，兩者間的距離可以定義為 笛卡爾或者歐式距離：
[0047]
(8)
[0048] xP,s是第p只螢火蟲的第s維空間坐標(biāo)，d是總共的坐標(biāo)維度，qe{l，2，-_Fn};雖然q 是隨機(jī)選擇的，但是不等于？^"表示總的螢火蟲數(shù)目；對(duì)于其他的應(yīng)用，如調(diào)度安排，距離 可以是任何合適的形式，不局限于笛卡爾距離；
[0049] 3)螢火蟲移動(dòng)：當(dāng)螢火蟲p被另一只更有吸引力（更亮）的螢火蟲q吸引時(shí)，其將發(fā) 生移動(dòng)；
[0050]
(9)
[0051] 式中的第2部分由螢火蟲之間的吸引決定，第3部分引入了隨機(jī)參數(shù)'a'，〃rand 〃是 〇到1之間均勻分布的隨機(jī)數(shù)；
[0052] (2)個(gè)體變異機(jī)制，包括:定義, 1=,,分別是當(dāng)前迭代中的最優(yōu)及最差個(gè)體，隨 機(jī)從當(dāng)前種群中選擇3個(gè)螢火蟲個(gè)體Xql，Xq2，Xq3，qi辛q2辛q3 ;通過差分變異得到兩個(gè)新個(gè) 體：
[0053]
(10)[0054] △是[0，1]之間的隨機(jī)數(shù);使用上式中的變異個(gè)體，產(chǎn)生下述5個(gè)新個(gè)體：[0055]
[0056]
[0057]
[0058]
[0059]
[0060] Xlmp5 = lt XXWorst+ζ X (XBest~Xw〇rst) (16)
[0061] 其中1〇1，1〇2，1〇 3，1〇4，1〇5，11 )和6是[0，1]之間的隨機(jī)數(shù);分別計(jì)算5個(gè)新個(gè)體的目標(biāo)函數(shù)， 若其中最小目標(biāo)函數(shù)小于第i個(gè)螢火蟲的目標(biāo)函數(shù)值，則用其替代第i個(gè)螢火蟲的位置；
[0062] (3)參數(shù)自適應(yīng)調(diào)整，包括:基本螢火蟲算法中的參數(shù)α，控制算法在對(duì)鄰域螢火蟲 位置未知時(shí)進(jìn)行隨機(jī)搜索;α的大小控制著隨機(jī)搜索的范圍，較大的α值導(dǎo)致在大范圍全局 搜索，較小的α則進(jìn)行局部搜索；因此，合適的α值設(shè)定將平衡算法在全局和局部搜索上的表 現(xiàn);因此，提出一種隨迭代自適應(yīng)調(diào)整的α值控制方式；
[0063]
(17:)
[0064] 其中Iter，kmax分別是當(dāng)前迭代次數(shù)和最大迭代次數(shù);α初值在[0，1]之間，隨著迭 代次數(shù)增大，α逐漸減小，控制算法在初始階段有較強(qiáng)的全局搜索能力，在迭代后期則有較 強(qiáng)的局部搜索能力，加快收斂速度。
[0065] 因此，本發(fā)明通過在兩種時(shí)間尺度的數(shù)據(jù)序列上進(jìn)行數(shù)值計(jì)算，有效的解決了短 期負(fù)荷預(yù)測(cè)，與傳統(tǒng)的ARM、ΒΡ神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)及LSSVM等多種經(jīng)典預(yù)測(cè)模型相比，模 型預(yù)測(cè)效果更優(yōu)。
【附圖說明】
[0066] 圖1是基于小波變換和改進(jìn)螢火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)的方法流程 圖。
[0067]圖2是極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)訓(xùn)練模型。
[0068]圖3(a)是15分鐘級(jí)負(fù)荷數(shù)據(jù)示意圖。
[0069]圖3(b)是lh級(jí)負(fù)荷數(shù)據(jù)示意圖。
[0070]圖4(a)是15分鐘級(jí)負(fù)荷序列小波變換示意圖。
[0071 ]圖4(b)是lh級(jí)負(fù)荷序列小波變換示意圖。
[0072]圖5(a)是15分鐘級(jí)數(shù)據(jù)預(yù)測(cè)對(duì)比示意圖。
[0073]圖5(b)是lh級(jí)數(shù)據(jù)預(yù)測(cè)對(duì)比示意圖。
【具體實(shí)施方式】
[0074]為了進(jìn)一步闡述本發(fā)明的過程和具體步驟，結(jié)合具體實(shí)例進(jìn)行進(jìn)一步說明。
[0075]如圖1所示，一種基于小波變換和改進(jìn)螢火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)方 法，包括以下步驟：
[0076]步驟1、獲取原始負(fù)荷序列數(shù)據(jù)；
[0077]步驟2、對(duì)原始序列進(jìn)行3層小波分解，具體是對(duì)于短期負(fù)荷預(yù)測(cè)，根據(jù)Mallat提出 的多分辨率思想，將非平穩(wěn)的離散負(fù)荷序列S分解為不同頻率的高頻細(xì)節(jié)序列cU，d2···dj和 一個(gè)低頻近似序aj，J為最大分解層數(shù);通常采用db3小波基進(jìn)行3層分解;其分解過程如下：
[0078]
[0079] 其中：?，山分別為原始信號(hào)在分辨率21下的低頻信號(hào)和高頻信號(hào)，是原始信號(hào)在 相鄰不同頻率段上的成分;Η為低通濾波器;G為高通濾波器；
[0080] 步驟3、對(duì)分解后的各序列進(jìn)行二插值重構(gòu):所述步驟2分解過程利用二抽取，使得 每層分解信號(hào)比分解前信號(hào)數(shù)據(jù)減半，因此需要進(jìn)行二插值重構(gòu)使得信號(hào)長(zhǎng)度還原；
[0081]
[0082]其中：分別為H，G的對(duì)偶算子；對(duì)Ur-dj和aj進(jìn)行重構(gòu)后，得到細(xì)節(jié)序D1; D2^_Dj和近似序列Aj，其長(zhǎng)度與原始序列相同，并有
[0083] S = Di+D2+---Dj+Aj
[0084] 針對(duì)重構(gòu)后的細(xì)節(jié)序列和近似序列分別進(jìn)行預(yù)測(cè)，可以充分利用分解重構(gòu)對(duì)信號(hào) 特征的挖掘，從而減小預(yù)測(cè)誤差；
[0085] 步驟4、針對(duì)重構(gòu)后各序列進(jìn)行歸一化后分別進(jìn)行IFA-ELM模型訓(xùn)練和預(yù)測(cè)，具體 包括：
[0086] (1)初始化極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)數(shù)學(xué)模型;ELM初始化m，Μ，η，激活函數(shù)g(X);螢火蟲 算法初始化，包括設(shè)置種群規(guī)模N，螢火蟲位置初始化，最大迭代次數(shù)Mi ter，= 1及自適應(yīng) 參數(shù)初始值初值α〇;迭代次數(shù)cc = 1;
[0087] (2)對(duì)給定的訓(xùn)練樣本，將螢火蟲位置映射到待優(yōu)化變量范圍，求解E(Sm)，計(jì)算螢 火蟲適應(yīng)度；
[0088] (3)計(jì)算參數(shù)，比較螢火蟲之間的適應(yīng)度，利用公式更新螢火蟲位置；
[0089] (4)利用個(gè)體變異機(jī)制進(jìn)行個(gè)體變異更新；
[0090] (5)若達(dá)到最大迭代次數(shù)，則輸出結(jié)果，否則cc = cc+1，轉(zhuǎn)步驟(2);
[0091] 步驟5、各序列預(yù)測(cè)值映射回原區(qū)間后疊加得到最終預(yù)測(cè)結(jié)果；
[0092] 步驟6、預(yù)測(cè)評(píng)價(jià):為具體對(duì)誤差進(jìn)行量化評(píng)價(jià)，定義平均絕對(duì)誤差MAE、平均相對(duì) 誤差MAPE及均方根誤差RMSE如下：
[0093]
[0094]
[0095]
[0096] 其中，N為預(yù)測(cè)點(diǎn)數(shù)，predicti，reali分別為預(yù)測(cè)和實(shí)測(cè)的第1點(diǎn)負(fù)荷。
[0097] 本實(shí)例取自某省電網(wǎng)統(tǒng)計(jì)口徑2014年1月和7月的實(shí)際負(fù)荷數(shù)據(jù)進(jìn)行仿真計(jì)算。其 中1月份的數(shù)據(jù)為每15min-個(gè)采樣點(diǎn)，共2976個(gè)數(shù)據(jù)，對(duì)最后一天96個(gè)點(diǎn)進(jìn)行預(yù)測(cè)；7月份 的數(shù)據(jù)為每lh-個(gè)采樣點(diǎn)，共744個(gè)數(shù)據(jù)，對(duì)最后一天24個(gè)點(diǎn)進(jìn)行預(yù)測(cè)。原始負(fù)荷數(shù)據(jù)如附 圖3所示。
[0098] 由附圖3可知，負(fù)荷序列波動(dòng)劇烈，且不同月份，不同時(shí)間尺度的負(fù)荷數(shù)據(jù)波動(dòng)情 況存在差異。對(duì)兩種時(shí)間尺度的負(fù)荷數(shù)據(jù)分別進(jìn)行3層小波分解與重構(gòu)，其各序列細(xì)節(jié)如附 圖4所示。由圖可知，經(jīng)過小波變換之后，得到原始負(fù)荷序列的低頻近似序列和3個(gè)高頻細(xì)節(jié) 序列，各序列的獨(dú)特規(guī)律被呈現(xiàn)出來，對(duì)其分別進(jìn)行預(yù)測(cè)，可以發(fā)揮各序列本身的規(guī)律性， 同時(shí)避免置加后的混亂性，有助于提尚負(fù)荷預(yù)測(cè)的精度。
[0099] 針對(duì)上述兩種時(shí)間尺度的小波變換序列，分別進(jìn)行預(yù)測(cè)，疊加得到最終預(yù)測(cè)值。算 法設(shè)置參數(shù)設(shè)置為:螢火蟲算法種群規(guī)模為50，迭代次數(shù)為1000，自適應(yīng)參數(shù)初值為0.8，極 限學(xué)習(xí)機(jī)激活函數(shù)為徑向基函數(shù)。為進(jìn)行對(duì)比，同時(shí)利用經(jīng)典的ARMA，BP神經(jīng)網(wǎng)絡(luò)，支持向 量機(jī)，最小二乘支持向量機(jī)及標(biāo)準(zhǔn)ELM算法進(jìn)行預(yù)測(cè)。
[0100] 為了評(píng)價(jià)本發(fā)明方法，將不同模型兩種時(shí)間尺度的負(fù)荷序列預(yù)測(cè)結(jié)果進(jìn)行對(duì)比， 如附圖5所示，并且按照步驟6中進(jìn)行誤差評(píng)價(jià)，見下表。
[0101] 不同預(yù)測(cè)算法效果對(duì)比
[0102]
[0103]由附圖5及上表可見，本發(fā)明提出的WD-IFA-ELM混合預(yù)測(cè)方法，在15min級(jí)數(shù)據(jù)上， 最大絕對(duì)誤差〇. 62，平均相對(duì)誤差2.1 %，均方根誤差8.9% ;在lh級(jí)數(shù)據(jù)上，最大絕對(duì)誤差 0.88，平均誤差4.2%，均方根誤差12.9%。與經(jīng)典的六1?^，8?神經(jīng)網(wǎng)絡(luò)，3￥]\1，1^3￥]\1以及標(biāo)準(zhǔn) ELM相比，誤差均最小，以ARMA為基礎(chǔ)，本文在15min和lh級(jí)預(yù)測(cè)上，平均誤差分別降低50% 和49.4%，充分表明了本發(fā)明算法的優(yōu)越性。同時(shí)對(duì)比不同時(shí)間尺度也可以發(fā)現(xiàn)，時(shí)間尺度 越小，預(yù)測(cè)精度越高。
[0104]本文中所描述的具體實(shí)施例僅僅是對(duì)本發(fā)明精神作舉例說明。本發(fā)明所屬技術(shù)領(lǐng) 域的技術(shù)人員可以對(duì)所描述的具體實(shí)施例做各種各樣的修改或補(bǔ)充或采用類似的方式替 代，但并不會(huì)偏離本發(fā)明的精神或者超越所附權(quán)利要求書所定義的范圍。
【主權(quán)項(xiàng)】
1. 一種基于小波變換和改進(jìn)蛋火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)方法，其特征在 于，由W下步驟構(gòu)成： 步驟1、獲取原始負(fù)荷序列數(shù)據(jù)； 步驟2、對(duì)原始序列進(jìn)行3層小波分解，具體是對(duì)于短期負(fù)荷預(yù)測(cè)，根據(jù)Mallat提出的多 分辨率思想，將非平穩(wěn)的離散負(fù)荷序列S分解為不同頻率的高頻細(xì)節(jié)序列di，d2-，dj和一個(gè) 低頻近似序aj，J為最大分解層數(shù);通常采用化3小波基進(jìn)行3層分解;其分解過程如下：其中：3^，山分別為原始信號(hào)在分辨率2-^下的低頻信號(hào)和高頻信號(hào)，是原始信號(hào)在相鄰 不同頻率段上的成分;Η為低通濾波器;G為高通濾波器； 步驟3、對(duì)分解后的各序列進(jìn)行二插值重構(gòu):所述步驟2分解過程利用二抽取，使得每層 分解信號(hào)比分解前信號(hào)數(shù)據(jù)減半，因此需要進(jìn)行二插值重構(gòu)使得信號(hào)長(zhǎng)度還原；其中：護(hù)，為H，G的對(duì)偶算子;對(duì)山山…山和aj進(jìn)行重構(gòu)后，得到細(xì)節(jié)序Di，D2-Dj 和近似序列Aj，其長(zhǎng)度與原始序列相同，并有 S 二 Di+〇2+... Dj+Aj 針對(duì)重構(gòu)后的細(xì)節(jié)序列和近似序列分別進(jìn)行預(yù)測(cè)，可w充分利用分解重構(gòu)對(duì)信號(hào)特征 的挖掘，從而減小預(yù)測(cè)誤差； 步驟4、針對(duì)重構(gòu)后各序列進(jìn)行歸一化后分別進(jìn)行IFA-ELM模型訓(xùn)練和預(yù)測(cè)，具體包括： (1) 初始化極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)數(shù)學(xué)模型；ELM初始化m，M，n，激活函數(shù)g(x);蛋火蟲算法 初始化，包括設(shè)置種群規(guī)模N，蛋火蟲位置初始化，最大迭代次數(shù)Mi ter，階=1及自適應(yīng)參數(shù) 初始值初值α〇;迭代次數(shù)CC = 1; (2) 對(duì)給定的訓(xùn)練樣本，將蛋火蟲位置映射到待優(yōu)化變量范圍，求解E(SW)，計(jì)算蛋火蟲 適應(yīng)度； (3) 計(jì)算參數(shù)，比較蛋火蟲之間的適應(yīng)度，利用公式更新蛋火蟲位置； (4) 利用個(gè)體變異機(jī)制進(jìn)行個(gè)體變異更新； (5) 若達(dá)到最大迭代次數(shù)，則輸出結(jié)果，否則cc = cc+l，轉(zhuǎn)步驟(2); 步驟5、各序列預(yù)測(cè)值映射回原區(qū)間后疊加得到最終預(yù)測(cè)結(jié)果； 步驟6、預(yù)測(cè)評(píng)價(jià):為具體對(duì)誤差進(jìn)行量化評(píng)價(jià)，定義平均絕對(duì)誤差MAE、平均相對(duì)誤差 MA陽及均方根誤差RMSE如下：其中，N為預(yù)測(cè)點(diǎn)數(shù)，町edicti，real汾別為預(yù)測(cè)和實(shí)測(cè)的第i點(diǎn)負(fù)荷。2. 根據(jù)權(quán)利要求書1所述的一種基于小波變換和改進(jìn)蛋火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù) 荷預(yù)測(cè)方法，其特征如下，步驟4中極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)數(shù)學(xué)模型包括如下： 極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)訓(xùn)練模型采用前向單隱層結(jié)構(gòu)，設(shè)m，M，n分別為網(wǎng)絡(luò)輸入層、隱含層 和輸出層的節(jié)點(diǎn)數(shù)，g(X)是隱層神經(jīng)元的激活函數(shù)，bi為闊值;設(shè)有N個(gè)不同的樣本(Xi，ti)， 其中Xi= [Xil,Xi2, [til, ti2,…，tin^ERn，極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)模型 可用數(shù)學(xué)表達(dá)式表示如下：C1) 式中，ω 1= [ ω 11，ω 12，…，comi]表示連接網(wǎng)絡(luò)輸入層節(jié)點(diǎn)與第i個(gè)隱層節(jié)點(diǎn)與網(wǎng)絡(luò)輸出 層節(jié)點(diǎn)的輸入權(quán)值向量;βι=[βι1，βι2,…，βιη]嗦示連接第i個(gè)隱層節(jié)點(diǎn)與網(wǎng)絡(luò)輸出層節(jié)點(diǎn) 的輸出權(quán)值向量;0j=[0jl，0j2,…，Ojn] T表不網(wǎng)絡(luò)輸出值； 極限學(xué)習(xí)機(jī)的代價(jià)函數(shù)E可表示為式中，S=(巧々.，!'=1，2，'''，游)，包含了網(wǎng)絡(luò)輸入權(quán)值及隱層節(jié)點(diǎn)闊值;化曰叫等指出極限學(xué) 習(xí)機(jī)的訓(xùn)練目標(biāo)就是尋求最優(yōu)的s，i3,使得網(wǎng)絡(luò)輸出值與對(duì)應(yīng)實(shí)際值誤差最小，即min化(S, β) ;min化(S,0)可進(jìn)一步寫為：(3) 式中，Η表示網(wǎng)絡(luò)關(guān)于樣本的隱層輸出矩陣，β表示輸出權(quán)值矩陣，T表示樣本集的目標(biāo) 值矩陣;Η，β，Τ分別定義如下：極限學(xué)習(xí)機(jī)的網(wǎng)絡(luò)訓(xùn)練過程可歸結(jié)為一個(gè)非線性優(yōu)化問題，式(6)為目標(biāo)函數(shù);當(dāng)網(wǎng)絡(luò)隱 層節(jié)點(diǎn)的激活函數(shù)無限可微時(shí)，網(wǎng)絡(luò)輸入權(quán)值和隱層節(jié)點(diǎn)闊值可隨機(jī)賦值，此時(shí)矩陣Η為一 常數(shù)矩陣，極限學(xué)習(xí)機(jī)的學(xué)習(xí)過程可等價(jià)為求取線性系統(tǒng)地=Τ最小范數(shù)的最小二乘解 其計(jì)算式為： β = Η'?， 式中好t是矩陣Η的ΜΡ廣義逆，若求解后，極限學(xué)習(xí)機(jī)的訓(xùn)練過程也就完成了。3. 根據(jù)權(quán)利要求書2所述的一種一種基于小波變換和改進(jìn)蛋火蟲優(yōu)化極限學(xué)習(xí)機(jī)的短 期負(fù)荷預(yù)測(cè)方法，其特征如下，所述步驟4中改進(jìn)蛋火蟲算法包括如下： (1)基本蛋火蟲算法，包括： 1)吸引度:在蛋火蟲算法中，吸引度函數(shù)的主要形式可W是任意的單調(diào)遞減函數(shù)，通常 如下：(7) r是兩蛋火蟲之間的距離，β〇是初始吸引度，丫是吸收系數(shù)，m通常取2; 2) 蛋火蟲之間的距離:兩蛋火蟲P和q在分別位置xp和xq，兩者間的距離可W定義為笛卡 爾或者歐式距離：(8) Xp,s是第p只蛋火蟲的第s維空間坐標(biāo)，d是總共的坐標(biāo)維度，qe{l，2，…Fn};雖然q是隨 機(jī)選擇的，但是不等于P，F(xiàn)n表示總的蛋火蟲數(shù)目；對(duì)于其他的應(yīng)用，如調(diào)度安排，距離可W 是任何合適的形式，不局限于笛卡爾距離； 3) 蛋火蟲移動(dòng)：當(dāng)?shù)盎鹣xP被另一只更有吸引力（更亮）的蛋火蟲q吸引時(shí)，其將發(fā)生移 動(dòng)；(留） 式中的第2部分由蛋火蟲之間的吸引決定，第3部分引入了隨機(jī)參數(shù)'a'/'rand"是0到1 之間均勻分布的隨機(jī)數(shù)； (2) 個(gè)體變異機(jī)制，包括:定義念，分別是當(dāng)前迭代中的最優(yōu)及最差個(gè)體，隨機(jī)從 當(dāng)前種群中選擇3個(gè)蛋火蟲個(gè)體Xql，Xq2，Xq3，qi聲Q2聲Q3 ;通過差分變異得到兩個(gè)新個(gè)體：A是[0，1]之間的隨機(jī)數(shù);使用上式中的變異個(gè)體，產(chǎn)生下述5個(gè)新個(gè)體：其中Kl，K2，K3，K4，K5，φ和ζ是[0a]之間的隨機(jī)數(shù);分別計(jì)算5個(gè)新個(gè)體的目標(biāo)函數(shù)，若其 中最小目標(biāo)函數(shù)小于第i個(gè)蛋火蟲的目標(biāo)函數(shù)值，則用其替代第i個(gè)蛋火蟲的位置； (3) 參數(shù)自適應(yīng)調(diào)整，包括:基本蛋火蟲算法中的參數(shù)α，控制算法在對(duì)鄰域蛋火蟲位置 未知時(shí)進(jìn)行隨機(jī)捜索;α的大小控制著隨機(jī)捜索的范圍，較大的α值導(dǎo)致在大范圍全局捜索， 較小的α則進(jìn)行局部捜索；因此，合適的α值設(shè)定將平衡算法在全局和局部捜索上的表現(xiàn)；因 此，提出一種隨迭代自適應(yīng)調(diào)整的α值控制方式；(17) 其中Iter,kmax分別是當(dāng)前迭代次數(shù)和最大迭代次數(shù);α初值在[〇，1]之間，隨著迭代次 數(shù)增大，α逐漸減小，控制算法在初始階段有較強(qiáng)的全局捜索能力，在迭代后期則有較強(qiáng)的 局部捜索能力，加快收斂速度。
【文檔編號(hào)】G06Q50/06GK105976051SQ201610278857
【公開日】2016年9月28日
【申請(qǐng)日】2016年4月29日
【發(fā)明人】陳思遠(yuǎn), 方必武, 王佳麗
【申請(qǐng)人】武漢大學(xué)