【预测模型】基于狮群算法优化elman神经网络实现电力负荷预测matlab源码

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.