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.
