[发明专利]基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法

权利要求书

1.基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法，其特征在于，所述方法包括以下步骤：

步骤S1，初始化节点属性及网络参数，包括输入、连接函数、权重；

步骤S2，建立网络学习样本，并对数据作归一化处理；

步骤S3，所有输入以及连接输入的权重都相乘，然后相加，然后转入到线性或非线性的激活函数，获得节点输出；

步骤S4，获得的节点输出用作系统输出或下一个节点的输入，通过突变连续进化CGPRNN基因型，直到达到所需的适应度，状态不再变化，获得最终的RNN。

2.根据权利要求1所述的基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法，其特征在于，所述步骤S1中初始化节点属性及网络参数包括：

所述输入包括程序输入、来源于前一节点的输入和来源于反馈的输入；对于CGPRNN的第一层，输入只能是循环值或者系统输入；对于之后的层，反馈路径将可能存在，其依赖于反馈输入是否经过变异；

使用平均绝对百分比误差MAPE作为确定个体网络适应度的评估参数；

与X基因型的y神经元节点的z输入连接的系统输入为：

geno(x,y,z)＝PRG[I:geno(x,y-1)...geno(x,1)...SOR]；

R＝[1,2,3,4...Nr]；

其中，伪随机生成器PRG用于选择是否将系统输入，先前节点的输出或作为输入的循环输出连接到节点的特定输入，SOR是作为输入反馈到系统的经常性系统输出，R为循环路径的数量，Nr是最大反馈路径；

当节点之间连接时，连接值为1，不连接时则为0；

设j为如下的系统输出：

j＝[1,2,3...N]；

其中，N是输出的总数，权重在-1和+1之间分布，特定循环输出的权重为：

W(SOR(R,j))＝PRG[-1...+1]；

R是具体的反馈，使用伪随机发生器分配特定循环输出的权重。

3.根据权利要求1所述的基于笛卡尔遗传编程循环神经网络的超短时负荷预测方法，其特征在于，所述步骤S2中对数据作归一化处理采用最值法归一化，公式如下：

L ^ d , t = L d , t - L min L m a x - L min ; ]]>

其中，Lmax和Lmin分别为训练样本集中负荷数据的最大值和最小值，Ld,t和分别为归一化前、后的负荷数值。