基于麻雀搜索算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè) - 附代碼

文章目錄

• 基于麻雀搜索算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè) - 附代碼
• • 1.Elman 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
  • 2.Elman 神經(jīng)用絡(luò)學(xué)習(xí)過(guò)程
  • 3.電力負(fù)荷預(yù)測(cè)概述
  • • 3.1 模型建立
  • 4.基于麻雀搜索優(yōu)化的Elman網(wǎng)絡(luò)
  • 5.測(cè)試結(jié)果
  • 6.參考文獻(xiàn)
  • 7.Matlab代碼

摘要：針對(duì)Elman神經(jīng)網(wǎng)絡(luò)，初始權(quán)值閾值盲目隨機(jī)性的缺點(diǎn)。采用麻雀搜索算法對(duì)ELman的閾值和權(quán)值進(jìn)行優(yōu)化。利用電力負(fù)荷預(yù)測(cè)模型進(jìn)行測(cè)試，結(jié)果表明改進(jìn)后的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能更佳。

1.Elman 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

Elman 型神經(jīng)網(wǎng)絡(luò)一般分為四層：輸入層、隱含層（中間層)、承接層和輸出層 。 如圖 1所示。輸入層、隱含層、輸出層的連接類(lèi)似于前饋式網(wǎng)絡(luò) ，輸入層的單元僅起信號(hào)傳輸作用，輸出層單元起線性加權(quán)作用。隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù)，承接層又稱(chēng)上 下文層或狀態(tài)層，它用來(lái)記憶隱含層單元前一時(shí)刻的輸出值并返回給網(wǎng)絡(luò)的輸入 ， 可以認(rèn)為是 一個(gè)一步延時(shí)算子。

Elman 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是隱含層的輸出通過(guò)承接層的延遲與存儲(chǔ)，自聯(lián)到隱含層的輸入。 這種自聯(lián)方式使其對(duì)歷史狀態(tài)的數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡(luò)的加入增強(qiáng)了網(wǎng)絡(luò)本身處理動(dòng)態(tài)信息的能力 ，從而達(dá)到動(dòng)態(tài)建模的目的。此外， Elman 神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任意非線性映射，可以不考慮外部噪聲對(duì)系統(tǒng)影響的具體形式，如果給出系統(tǒng)的輸入輸出數(shù)據(jù)對(duì) ， 就可以對(duì)系統(tǒng)進(jìn)行建模 。

圖1.Elman網(wǎng)絡(luò)結(jié)構(gòu)

2.Elman 神經(jīng)用絡(luò)學(xué)習(xí)過(guò)程

以圖1為例 ， Elman 網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式為 :
$$y(k)=g(w^{3}x(k))\text{\hspace{1em}(1)}$$

$$x(k)=f(w^1{x}_c(k)+w^2(u(k?1)))\text{\hspace{1em}(2)}$$

$$x_c(k)=x(k?1)\text{\hspace{1em}(3)}$$

式中， $y$ 為 $m$ 維輸出結(jié)點(diǎn)向量 ； $x$ 為 $n$ 維中間層結(jié)點(diǎn)單元向量；$u$ 為 $r$ 維輸入向量； $x_c$為 $n$ 維反饋狀態(tài)向量； $w^3$ 為中間層到輸出層連接權(quán)值； $w^2$為輸入層到中間層連接權(quán)值； $w^1$為承接層到中間層的連接權(quán)值；$g(?)$為輸出神經(jīng)元的傳遞函數(shù)，是中間層輸出的線性組合； $f(?)$為中間層神經(jīng)元的傳遞函數(shù)，常采用 $S$ 函數(shù) 。

Elman 神經(jīng)網(wǎng)絡(luò)也采用 BP 算法進(jìn)行權(quán)值修正，學(xué)習(xí)指標(biāo)函數(shù)采用誤差平方和函數(shù)。
$$E(w)=\sum _{k=1}^n(y_k(w)?y_k^{\prime }(w){)}^2\text{\hspace{1em}(4)}$$

3.電力負(fù)荷預(yù)測(cè)概述

電力系統(tǒng)由電力網(wǎng)、電力用戶共同組成，其任務(wù)是給廣大用戶不間斷地提供經(jīng)濟(jì)、可靠、符 質(zhì)量標(biāo)準(zhǔn)的電能，滿足各類(lèi)負(fù)荷的需求，為社會(huì)發(fā)展提供動(dòng)力。由于電力的生產(chǎn)與使用具有特殊性，即電能難以大量?jī)?chǔ)存，而且各類(lèi)用戶對(duì)電力的需求是時(shí)刻變化的，這就要求系統(tǒng)發(fā)電出力應(yīng)隨時(shí)與系統(tǒng)負(fù)荷的變化動(dòng)態(tài)平衡，即系統(tǒng)要最大限度地發(fā)揮出設(shè)備能力，使整個(gè)系統(tǒng)保 持穩(wěn)定且高效地運(yùn)行，以滿足用戶的需求 。 否則，就會(huì)影響供用電的質(zhì)量，甚至危及系統(tǒng)的安全 與穩(wěn)定 。 因此，電力系統(tǒng)負(fù)荷預(yù)測(cè)技術(shù)發(fā)展了起來(lái)，并且是這一切得以順利進(jìn)行的前提和基礎(chǔ)。負(fù)荷預(yù)測(cè)的核心問(wèn)題是預(yù)測(cè)的技術(shù)問(wèn)題，或者說(shuō)是預(yù)測(cè)的數(shù)學(xué)模型。傳統(tǒng)的數(shù)學(xué)模型是用現(xiàn)成的數(shù)學(xué)表達(dá)式加以描述，具有計(jì)算量小、速度快的優(yōu)點(diǎn)，但同時(shí)也存在很多的缺陷和局限性，比如不具備自學(xué)習(xí)、自適應(yīng)能力、預(yù)測(cè)系統(tǒng)的魯棒性沒(méi)有保障等。特別是隨著我國(guó)經(jīng)濟(jì) 的發(fā)展，電力系統(tǒng)的結(jié)胸日趨復(fù)雜，電力負(fù)荷變化的非線性、時(shí)變性和不確定性的特點(diǎn)更加明 顯，很難建立一個(gè)合適的數(shù)學(xué)模型來(lái)清晰地表達(dá)負(fù)荷 和影響負(fù)荷的變量之間的 關(guān)系。而基于神經(jīng)網(wǎng)絡(luò)的非數(shù)學(xué)模型預(yù)測(cè)法，為解決數(shù)學(xué)模型法的不足提供了新的思路 。

3.1 模型建立

利用人工神經(jīng)網(wǎng)絡(luò)對(duì)電力系統(tǒng)負(fù)荷進(jìn)行預(yù)測(cè)，實(shí)際上是利用人工神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近任一非線性函數(shù)的特性及通過(guò)學(xué)習(xí)歷史數(shù)據(jù)建模的優(yōu)點(diǎn)。而在各種人工神經(jīng)網(wǎng)絡(luò)中， 反饋式神經(jīng)網(wǎng)絡(luò)又因?yàn)槠渚哂休斎胙舆t，進(jìn)而適合應(yīng)用于電力系統(tǒng)負(fù)荷預(yù)測(cè)。根據(jù)負(fù)荷的歷史數(shù)據(jù)，選定反饋神經(jīng)網(wǎng)絡(luò)的輸入、輸出節(jié)點(diǎn)，來(lái)反映電力系統(tǒng)負(fù)荷運(yùn)行的內(nèi)在規(guī)律，從而達(dá)到預(yù)測(cè)未來(lái)時(shí)段負(fù)荷的目的。因此，用人工神經(jīng)網(wǎng)絡(luò)對(duì)電力系統(tǒng)負(fù)荷進(jìn)行預(yù)測(cè) ，首要的問(wèn)題是確定神經(jīng)網(wǎng)絡(luò)的輸入、輸出節(jié)點(diǎn)，使其能反映電力負(fù)荷的運(yùn)行規(guī)律。

一般來(lái)說(shuō)，電力系統(tǒng)的負(fù)荷高峰通常出現(xiàn)在每天的 9～ 19 時(shí)之間 ，本案對(duì)每天上午的逐時(shí)負(fù)荷進(jìn)行預(yù)測(cè) ，即預(yù)測(cè)每天 9 ～ 11 時(shí)共 3 小時(shí)的負(fù)荷數(shù)據(jù)。電力系統(tǒng)負(fù)荷數(shù)據(jù)如下表所列，表中數(shù)據(jù)為真實(shí)數(shù)據(jù)，已經(jīng)經(jīng)過(guò)歸 一化 。

時(shí)間負(fù)荷數(shù)據(jù)負(fù)荷數(shù)據(jù)負(fù)荷數(shù)據(jù)

2008.10.10	0.1291	0.4842	0.7976
2008.10.11	0.1084	0.4579	0.8187
2008.10.12	0.1828	0.7977	0.743
2008.10.13	0.122	0.5468	0.8048
2008.10.14	0.113	0.3636	0.814
2008.10.15	0.1719	0.6011	0.754
2008.10.16	0.1237	0.4425	0.8031
2008.10.17	0.1721	0.6152	0.7626
2008.10.18	0.1432	0.5845	0.7942

利用前 8 天的數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，每 3 天的負(fù)荷作為輸入向量，第 4 天的負(fù)荷作為目標(biāo)向量。這樣可以得到 5 組訓(xùn)練樣本。第 9 天的數(shù)據(jù)作為網(wǎng)絡(luò)的測(cè)試樣本，驗(yàn)證網(wǎng)絡(luò)能否合理地預(yù)測(cè)出當(dāng)天的負(fù)荷數(shù)據(jù) 。

4.基于麻雀搜索優(yōu)化的Elman網(wǎng)絡(luò)

麻雀搜索算法的具體原理參考博客：https://blog.csdn.net/u011835903/article/details/108830958。

利用麻雀搜索算法對(duì)Elman網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化。適應(yīng)度函數(shù)設(shè)計(jì)為測(cè)試集的絕對(duì)誤差和：
$$fitness=\sum _{i=1}^n|predic{t}_n?TrueValu{e}_n|\text{\hspace{1em}(5)}$$

5.測(cè)試結(jié)果

麻雀參數(shù)設(shè)置如下：

%% 網(wǎng)絡(luò)相關(guān)參數(shù)設(shè)定 hiddNum = 18;%隱含層個(gè)數(shù) R = size(p_train,1);%輸入數(shù)據(jù)每組的維度 Q = size(t_train,1);%輸出數(shù)據(jù)的維度 threshold = [0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1];%每組數(shù)據(jù)對(duì)應(yīng)維度的最小（0）和最大值（1）;%% 麻雀相關(guān)參數(shù)設(shè)定 %% 定義麻雀優(yōu)化參數(shù) pop=20; %種群數(shù)量 Max_iteration=20; % 設(shè)定最大迭代次數(shù) dim = hiddNum*R + hiddNum + Q + hiddNum*hiddNum + Q*hiddNum;%維度，即權(quán)值與閾值的個(gè)數(shù)，承接層個(gè)數(shù) lb = -5.*ones(1,dim);%下邊界 ub = 5.*ones(1,dim);%上邊界 fobj = @(x) fun(x,hiddNum,R,Q,threshold,p_train,t_train,p_test,t_test);

原始Elman的絕對(duì)誤差和：0.19782
SSA-Elman的絕對(duì)誤差和：0.015998

從結(jié)果來(lái)看，3個(gè)時(shí)刻點(diǎn)，SSA-Elman均比原始結(jié)果Elman好，誤差更小。

由于上述數(shù)據(jù)有限，大家可以用自己的數(shù)據(jù)進(jìn)行測(cè)試。

6.參考文獻(xiàn)

書(shū)籍《MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析》

7.Matlab代碼

基于麻雀搜索算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)?
基于灰狼優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)
基于遺傳算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)
基于鯨魚(yú)優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)
基于粒子群優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)

個(gè)人資料介紹

總結(jié)

以上是生活随笔為你收集整理的基于麻雀搜索算法优化的Elman神经网络数据预测 - 附代码的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。