[发明专利]基于麻雀搜索算法优化Elman神经网络的短期负荷预测方法

权利要求书

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。