[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

说明书

本发明公开了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，建立短期负荷预测模型，在经典的Elman动态网络中引入麻雀搜索算法SSA，对该网络的训练过程做进一步的优化；包括以下步骤：首先初始化种群、迭代次数等相关参数，计算适应度值并排序；然后更新发现者、加入者以及改进的意识到危险麻雀位置；再次计算适应度值并更新麻雀位置；判断是否满足SSA的结束条件，在满足条件的情况下，将全局最优值赋予Elman网络的权值和阈值；Elman神经网络进行局部优化；最终预测模型输出最佳预测值。本发明可提高Elman神经网络的泛化能力和适应能力，使预测模型的运算效率和预测精度提高，且该方法辨识能力优于经典Elman网络，泛化误差明显小于经典网络。

技术领域

本发明涉及短期负荷预测技术领域，具体涉及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。

背景技术

在互联网与物联网迅猛发展的趋势下，各个行业都在不断地通过高新技术革新来提高行业竞争力。不论什么行业都离不开电能的使用，企业作为用电耗能大户，对企业用电进行科学合理的管理也越来越受到企业的关注。因此，如何能够更加精确的在企业中基于用电历史数据进而预测出未来某一时刻的用电信息来对企业用电进行科学合理的管理尤为重要。

由于负荷预测使用的方法不一，预测精度相应会各有差异。

发明内容

为了解决上述技术问题，本发明提出了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；能提高企业负荷预测的精确度，可有效的解决上述技术问题。

本发明通过以下技术方案实现：

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，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。

进一步的，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。

进一步的，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。

进一步的，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：

进一步的，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：