準(zhǔn)確地預(yù)測(cè)短期電力負(fù)荷有助于電力系統(tǒng)安全得以保障和發(fā)電成本的降低,相關(guān)學(xué)者專(zhuān)家在電力負(fù)荷預(yù)測(cè)上的研究已經(jīng)付出很長(zhǎng)的時(shí)間,并且取得了可喜的成果。傳統(tǒng)預(yù)測(cè)模型大多高度依靠人工經(jīng)驗(yàn),缺乏自主學(xué)習(xí)能力,因此難以較好地分析和擬合高度非線性多因素的電力負(fù)荷數(shù)據(jù);而當(dāng)前人工神經(jīng)網(wǎng)絡(luò)因?yàn)榫哂羞\(yùn)行效率高、非線性映射能力強(qiáng)等優(yōu)點(diǎn),因此被廣泛應(yīng)用于電力負(fù)荷預(yù)測(cè),但是鑒于部分神經(jīng)網(wǎng)絡(luò)模型參數(shù)隨機(jī)初始化和結(jié)構(gòu)難確定的原因,進(jìn)行準(zhǔn)確地電力負(fù)荷預(yù)測(cè)還有一定難度。而改進(jìn)樹(shù)種優(yōu)化算法結(jié)合了標(biāo)準(zhǔn)樹(shù)種算法和萊維飛行算法的各自?xún)?yōu)點(diǎn),使得全局尋優(yōu)能力極佳,在參數(shù)尋優(yōu)方面應(yīng)用廣泛,本文將改進(jìn)的樹(shù)種優(yōu)化算法用于優(yōu)化極限學(xué)習(xí)機(jī)隨機(jī)初始參數(shù),并將改進(jìn)后的模型用于短期電力負(fù)荷預(yù)測(cè)研究。本文主要工作如下:（1）提出基于Levy飛行改進(jìn)的樹(shù)種優(yōu)化算法（LTSA）,針對(duì)標(biāo)準(zhǔn)樹(shù)種優(yōu)化算法（TSA）全局搜索能力弱,算法易早熟等缺點(diǎn),本文將標(biāo)準(zhǔn)樹(shù)種優(yōu)化算法與萊維飛行相結(jié)合,提升標(biāo)準(zhǔn)樹(shù)種算法的全局尋優(yōu)能力,避免算法尋優(yōu)時(shí)陷入局部最優(yōu),同時(shí)將LTSA算法與樹(shù)種算法（TSA）、飛蛾撲火優(yōu)化算法（MFO）、灰狼優(yōu)化算法（GWO）和粒子群優(yōu)化算法（PSO）等... 

【文章來(lái)源】：湖北工業(yè)大學(xué)湖北省

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

前三個(gè)主分量分布

湖北工業(yè)大學(xué)碩士學(xué)位論文17圖3.1樹(shù)種優(yōu)化算法流程針對(duì)預(yù)定義的迭代次數(shù)執(zhí)行該處理，所提方法平衡了傳播和探索能力。3.2提出Levy飛行改進(jìn)的樹(shù)種算法3.2.1Levy飛行到目前為止，已經(jīng)有很多學(xué)者證明自然界的許多動(dòng)物和昆蟲(chóng)尋找食物的軌跡符合萊維分布模式[35]。萊維飛行是服從萊維分布的隨機(jī)搜索路徑，目前在優(yōu)化領(lǐng)域，萊維飛行策略應(yīng)用很廣，比如布谷鳥(niǎo)算法中就采用萊維飛行進(jìn)行位置更新[36]，蝙蝠算法中采用萊維飛行策略模仿蝙蝠的捕食行為取代原有算法的速度和位置[37]，粒子群算法中迭代多次后使用萊維飛行更新粒子位置[38]等等。本文提出將萊維飛行和標(biāo)準(zhǔn)的樹(shù)種優(yōu)化算法相結(jié)合，種子更新時(shí)引入萊維飛行隨機(jī)游走策略，使適應(yīng)度偏差較大

湖北工業(yè)大學(xué)碩士學(xué)位論文20如果新產(chǎn)生的最優(yōu)解比之前的最優(yōu)解更好，則新的最優(yōu)解和其對(duì)應(yīng)的樹(shù)的位置替代原先的最優(yōu)解和對(duì)應(yīng)的樹(shù)；Step4：檢測(cè)是否滿(mǎn)足迭代終止條件；如果不滿(mǎn)足，則回到Step2.Step5：輸出；輸出最優(yōu)解。（4）基于Levy飛行改進(jìn)的樹(shù)種優(yōu)化算法的流程圖如圖所示。圖3.2Levy飛行改進(jìn)的樹(shù)種算法流程3.3LTSA算法在函數(shù)中的測(cè)試結(jié)果分析為了驗(yàn)證基于levy飛行的樹(shù)種算法的有效性與正確性，下面通過(guò)10個(gè)基準(zhǔn)測(cè)試函數(shù)來(lái)驗(yàn)證改進(jìn)后樹(shù)種算法的性能，這些基準(zhǔn)函數(shù)中既有單峰函數(shù)也有多峰函數(shù)。在此次仿真實(shí)驗(yàn)中，仿真環(huán)境為Win7操作系統(tǒng)、Intel處理器3.70GHz、

【參考文獻(xiàn)】：
期刊論文
[1]融合注意力機(jī)制和語(yǔ)義關(guān)聯(lián)性的多標(biāo)簽圖像分類(lèi)[J]. 薛麗霞,江迪,汪榮貴,楊娟.  光電工程. 2019(09)
[2]基于注意力機(jī)制的LSTM語(yǔ)音情感主要特征選擇[J]. 胡婷婷,馮亞琴,沈凌潔,王蔚.  聲學(xué)技術(shù). 2019(04)
[3]基于PCA-LM-BP的短期電力負(fù)荷預(yù)測(cè)研究[J]. 張梅,李金湖,張莉娜,楊錚宇.  信息技術(shù). 2019(06)
[4]基于粒子群算法的極限學(xué)習(xí)機(jī)短期電力負(fù)荷預(yù)測(cè)[J]. 李杰,靳孟宇,馬士豪.  制造業(yè)自動(dòng)化. 2019(01)
[5]基于粒子群優(yōu)化算法的最優(yōu)極限學(xué)習(xí)機(jī)[J]. 潘懷奇,閉應(yīng)洲,潘永華.  廣西師范學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(04)
[6]基于PSO-HKELM的變壓器頂層油溫預(yù)測(cè)模型[J]. 李可軍,徐延順,魏本剛,黃華,亓孝武,胡爽.  高電壓技術(shù). 2018(08)
[7]基于KPCA-MPSO-ELM的礦井突水水源判別模型[J]. 毛志勇,黃春娟,路世昌,韓榕月.  中國(guó)安全科學(xué)學(xué)報(bào). 2018(08)
[8]基于核主成分分析與改進(jìn)神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷中期預(yù)測(cè)模型[J]. 孫新程,孔建壽,劉釗.  南京理工大學(xué)學(xué)報(bào). 2018(03)
[9]帶有高斯變異的Lévy飛行改進(jìn)蝙蝠算法[J]. 杜艷艷,劉升.  微電子學(xué)與計(jì)算機(jī). 2018(03)
[10]基于雙重注意力模型的微博情感分析方法[J]. 張仰森,鄭佳,黃改娟,蔣玉茹.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)

碩士論文
[1]時(shí)變權(quán)重的組合模型在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[D]. 鄒瀟.蘭州大學(xué) 2018



本文編號(hào)：3288659