1 简介
建立ELMAN神经网络模型,解决了建筑物电力负荷预测由于强耦合性,滞后性和非线性而难于建立模型的问题.利用狮群算法的全局搜索能力对网络模型进行权值优化,解决了传统ELMAN神经网络易陷入局部最优的困扰,使预测更为精准.通过MATLAB软件进行仿真试验,验证了此方法的可行性.
1.1 狮群算法
1.2 ELMAN神经网络
2 部分代码
clc; clear all close all nntwarn off; %% 数据载入 load data; a=data; %% 选取训练数据和测试数据 N=size(a,1);%样本数量 M=size(a,2);%数据维度 rate=0.6;%采样率 % 训练数据输入 for i=1:N-3 p(i,:)=[a(i,:),a(i+1,:),a(i+2,:)]; end p_train=a(1:round(N*rate),1:M-1); % 训练数据输出 t_train=a(1:round(N*rate),M); % 测试数据输入 p_test=a((round(N*rate)+1):N,1:M-1); % 测试数据输出 t_test=a((round(N*rate)+1):N,M); % 为适应网络结构 做转置 %% 数据归一化 p_train=p_train';%n*m数据,n是输入特征数量,m是样本数量 t_train=t_train';%n*m数据,n是输入特征数量,m是样本数量 [p_train, ps_input] = mapminmax(p_train,0,1); [t_train, ps_output] = mapminmax(t_train,0,1); threshold=[0 2;0 2];%几个n几个[0,1] shuchu=1;%输出个数 % [p_test ] = mapminmax(p_test' ,0,1); p_test = mapminmax('apply',p_test',ps_input); %统计结果 pop=30; % 种群数量 Max_iter=50; % 设定最大迭代次数 dim=1;%隐藏层 beta = 0.5;%成年狮所占比列 Nc = round(pop*beta);%成年狮数量 Np = pop-Nc;%幼师数量 lb=[2]; ub=[15]; if(max(size(ub)) == 1) ub = ub.*ones(1,dim); lb = lb.*ones(1,dim); end %种群初始化 X0=initialization(pop,dim,ub,lb); X = X0; %计算初始适应度值 fitness = zeros(1,pop); T=0.9*T;%更新温度 end Best_pos = GBestX; Best_score = curve(end); figure plot(curve,'Color','r','linewidth',1.5) title(['狮群优化elman预测',num2str(Best_score)]) xlabel('Iteration'); ylabel('Best score obtained so far');
3 仿真结果
4 参考文献
[1]李文. "基于Elman神经网络算法的电力负荷预测模型研究." 赤峰学院学报(自然科学版) 21(2017):43-45.
[2]汪婵婵. "基于改进狮群算法的汽轮机热耗率模型预测." 计量学报 42.7:8.