基于遺傳算法優(yōu)化和bp神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測(cè)

《基于遺傳算法優(yōu)化和bp神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測(cè)》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、基于遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測(cè)基于遺傳算法優(yōu)化和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測(cè)基于遺傳算法優(yōu)化和神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測(cè)9宋超石嘴山市星澤燃?xì)庥邢薰酒搅_分公司，寧夏石嘴山宋娟寧夏大學(xué)物理電氣信息學(xué)院，寧夏銀川摘要天然氣負(fù)荷預(yù)測(cè)的研究，對(duì)于保證天然氣管網(wǎng)用氣量、優(yōu)化管網(wǎng)的調(diào)度和設(shè)備維修具有極其重要的意義。短期天然氣負(fù)荷預(yù)測(cè)問題具有周期性和隨機(jī)性的變化規(guī)律。傳統(tǒng)方法無法進(jìn)行準(zhǔn)確的預(yù)測(cè)，預(yù)測(cè)精度較低。為了提高天然氣負(fù)荷的預(yù)測(cè)精度，提出一種基于遺傳算法優(yōu)化和神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法。采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)連接權(quán)值和閥值等模型參數(shù)進(jìn)行優(yōu)化，從而建立最優(yōu)的天然氣負(fù)荷預(yù)測(cè)模型

2、，并采用桌企業(yè)的天然氣負(fù)荷數(shù)據(jù)對(duì)所建立預(yù)測(cè)模型的可行性和有效性進(jìn)行驗(yàn)證。仿真結(jié)果表明，相對(duì)于傳統(tǒng)預(yù)測(cè)算法，基于遺傳算法優(yōu)化參數(shù)的神經(jīng)網(wǎng)絡(luò)提高了天然氣負(fù)荷預(yù)測(cè)精度，具有一定的實(shí)際工程應(yīng)用價(jià)值。關(guān)鍵詞：天然氣，負(fù)荷預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)，遺傳算法9早在上世紀(jì)年代，國(guó)內(nèi)有學(xué)者對(duì)開始對(duì)天然氣負(fù)荷預(yù)測(cè)荷預(yù)測(cè)，以提高天然氣負(fù)荷的預(yù)測(cè)精度。進(jìn)行研究。由于天然氣負(fù)荷受許多非線性因素及不確定因素的理論上，具有單隱層的層網(wǎng)絡(luò)可以解決任何非線性影響，因此進(jìn)行準(zhǔn)確的短期負(fù)荷預(yù)測(cè)是非常困難的。傳統(tǒng)的負(fù)荷映射問題【。影響天然氣負(fù)荷的各種因素與負(fù)荷的對(duì)應(yīng)關(guān)系?？深A(yù)測(cè)方法有線性回歸分析法、時(shí)間序列法和灰色系統(tǒng)理論等，以看成是一個(gè)

3、多維空間與多維空間的非線性函數(shù)的映射問題，這種方法各有優(yōu)點(diǎn),但大多是基于線性數(shù)據(jù)預(yù)測(cè)的模型，因此因此只要建立層網(wǎng)絡(luò)模型輸入層、隱層、輸出層，其中輸入不適合復(fù)雜的天然氣負(fù)荷預(yù)測(cè)。年代屮后期，專家系統(tǒng)在負(fù)層數(shù)據(jù)為各影響因素，輸出層數(shù)據(jù)為短期天然氣負(fù)荷，就可以很荷預(yù)測(cè)中取得一定的成果。進(jìn)入年代以后,神經(jīng)網(wǎng)絡(luò)因其好地模擬該映射問題，對(duì)短期天然氣負(fù)荷進(jìn)行較好的預(yù)測(cè)。具有非線性映射、任意精度逼近、有很強(qiáng)的泛化能力和自學(xué)習(xí)等神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)如圖所示。優(yōu)勢(shì)在模式識(shí)別、評(píng)價(jià)、預(yù)報(bào)等領(lǐng)域獲得廣泛的應(yīng)用，為解決天愛荷輸岀然氣負(fù)荷預(yù)測(cè)提供了一種有效途徑。但是,常規(guī)的神經(jīng)網(wǎng)絡(luò)存在局部最小、過學(xué)習(xí)以及隱層網(wǎng)絡(luò)節(jié)點(diǎn)

4、數(shù)選取缺乏理論指導(dǎo)等缺輸出層陷，削弱了它們的預(yù)測(cè)能力。隱層因此，針對(duì)當(dāng)前天然氣負(fù)荷預(yù)測(cè)存在的一些難題和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)存在的缺陷，提出一種基于遺傳算法優(yōu)化和神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法?，并通過仿真實(shí)驗(yàn)對(duì)其泅?一鬣惑輸入層預(yù)測(cè)性能進(jìn)行驗(yàn)證。結(jié)果證明，該算法針對(duì)天然氣短期負(fù)荷預(yù)測(cè)具有一定的可行性和應(yīng)用價(jià)值。天然氣負(fù)荷的各種影響因素神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型建立圖短期天然氣負(fù)荷預(yù)測(cè)模型結(jié)構(gòu)天然氣負(fù)荷除具有以周、的周期變化特點(diǎn)外。而且由于受在網(wǎng)絡(luò)中，輸入層的節(jié)點(diǎn)決定了隱含層神經(jīng)元的數(shù)量，到天氣、季節(jié)、節(jié)假H等諸多因素影響，其復(fù)雜性導(dǎo)致天然氣負(fù)荷設(shè)第個(gè)樣木點(diǎn)的輸入向量為,，，？,刈。期望輸出譏波動(dòng)十分頻繁，呈高

5、度非線性、時(shí)變性、分散性和隨機(jī)性等特點(diǎn)。。，？，。則隱含層輸岀為：傳統(tǒng)線性預(yù)測(cè)方法無法全而描述天然氣負(fù)荷變化規(guī)律，使模型預(yù)戌乞%，盧,,?.測(cè)精度常不盡人意。網(wǎng)絡(luò)是目前使用最廣泛的神經(jīng)網(wǎng)絡(luò)七，具』；，有非線性逼近、自適應(yīng)學(xué)習(xí)能力。既能描述天然氣管負(fù)荷周期神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出為：性,又能反映負(fù)荷影響因素對(duì)負(fù)荷的變化作用，非常適合復(fù)雜、乙％，—仇?』，，？，非線性的天然氣負(fù)荷預(yù)測(cè)。因此，采用神經(jīng)網(wǎng)絡(luò)對(duì)天然氣負(fù)萬方數(shù)據(jù)《工業(yè)控制計(jì)算機(jī)年第卷第期驗(yàn)；神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差為:?設(shè)置神經(jīng)網(wǎng)絡(luò)參數(shù)的初始值；吼錢一?對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，并設(shè)置期望輸出；更新后權(quán)值為：?通過對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化；%%力，誓乞

6、％?利用優(yōu)化得到的最優(yōu)神經(jīng)網(wǎng)絡(luò)參數(shù)建立預(yù)測(cè)模型：岷岷州,.對(duì)天然氣負(fù)荷進(jìn)行預(yù)測(cè)，并輸出預(yù)測(cè)結(jié)果。更新后閾值為：仿真實(shí)驗(yàn)O,州——乞%%0為了驗(yàn)證所提出？算法的預(yù)測(cè)性能,采用寧夏某企業(yè)年月一月連續(xù)天的天然氣使用量作為實(shí):。吼例進(jìn)行仿真。其中，將數(shù)據(jù)分成兩部分,？年的前其中，為輸入層節(jié)點(diǎn)數(shù)，為隱含層節(jié)點(diǎn)數(shù)，為輸出層節(jié)天數(shù)據(jù)作為訓(xùn)練集,最后一周數(shù)據(jù)作為測(cè)試集，由于歷史數(shù)據(jù)過點(diǎn)數(shù)。輸入層、隱含層和輸岀層神經(jīng)元之間的連接權(quán)值為。多，這里只給岀前天和第天的天然氣負(fù)荷數(shù)據(jù)。已歸一化。隱含層閾值，輸出層閾值。。為學(xué)習(xí)速率，為隱含層激后的天然氣負(fù)荷數(shù)據(jù)見表。勵(lì)函數(shù)，采用函數(shù)，可記為：表某企業(yè)天然氣負(fù)荷歸一化

7、后數(shù)據(jù)改？匕?年份天天天天天天99??神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化傳統(tǒng)算法是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的算法，但是???.一存在著一些缺陷:學(xué)習(xí)收斂速度太慢;不能保證收斂到全局最小q、一???點(diǎn)；網(wǎng)絡(luò)結(jié)構(gòu)不易確定等。而經(jīng)過非線性最優(yōu)化算法改進(jìn)后9—??????的FI神經(jīng)網(wǎng)絡(luò)?，優(yōu)化后仍存在一定的問題，即網(wǎng)絡(luò)結(jié)999???9?,9構(gòu)確定、初始連接權(quán)值選取和閾值的選擇。城一？?9■神經(jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)9一??值