一種基于改進(jìn)思維進(jìn)化算法的系統(tǒng)能耗建模方法技術(shù)方案

本發(fā)明專利技術(shù)公開了一種基于改進(jìn)思維進(jìn)化算法的系統(tǒng)能耗建模方法，包括以下步驟，步驟一，采集能耗數(shù)據(jù)，生成訓(xùn)練集；步驟二，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)；步驟三，以訓(xùn)練集中的元素為輸入?yún)?shù)，確定人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)個(gè)體、權(quán)值和閾值；步驟四，訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)；步驟五，對(duì)系統(tǒng)能耗節(jié)能型仿真預(yù)測(cè)。本發(fā)明專利技術(shù)提高了算法局部搜索能力和全局搜索能力，使神經(jīng)網(wǎng)絡(luò)的泛化性能更高，預(yù)測(cè)誤差更低。

【技術(shù)實(shí)現(xiàn)步驟摘要】

本專利技術(shù)涉及，屬于能耗建模領(lǐng) 域。
技術(shù)介紹
對(duì)用能系統(tǒng)進(jìn)行建模制定能效控制提升策略的基礎(chǔ)與前提。目前智能電網(wǎng)園區(qū)用 能系統(tǒng)建模要求較高精確性、高效性，在此基礎(chǔ)上才能確定各模型的冷、熱、電輸出特性，分 析不同用能系統(tǒng)的運(yùn)行方式并進(jìn)行優(yōu)化，用以得出適用于各用能系統(tǒng)的最優(yōu)配置方案。因 此需要設(shè)計(jì)一種準(zhǔn)確快速有效的系統(tǒng)能耗建模方法。
技術(shù)實(shí)現(xiàn)思路
為了解決上述技術(shù)問(wèn)題，本專利技術(shù)提供了一種基于改進(jìn)思維進(jìn)化算法的系統(tǒng)能耗建 模方法。 為了達(dá)到上述目的，本專利技術(shù)所采用的技術(shù)方案是： -種基于改進(jìn)思維進(jìn)化算法的系統(tǒng)能耗建模方法，包括以下步驟， 步驟一，采集能耗數(shù)據(jù)，生成訓(xùn)練集； 定義訓(xùn)練集為群體，訓(xùn)練集中的元素為個(gè)體，所述個(gè)體為單個(gè)能耗數(shù)據(jù)或者一組 相關(guān)的能耗數(shù)據(jù)； 步驟二，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)； 步驟三，以訓(xùn)練集中的元素為輸入?yún)?shù)，確定人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)個(gè)體、權(quán)值和閾 值； 確定人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)個(gè)體的過(guò)程為， Al)通過(guò)小生境技術(shù)，讓群體中的各個(gè)子群體形成各自的搜索空間； A2)在擁有各自子群體的小生境中執(zhí)行單純形搜索，獲得該子群體中的最優(yōu)個(gè) 體； A3)通過(guò)異化操作，獲得所有子群體中的最優(yōu)個(gè)體； 步驟四，訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)； 步驟五，對(duì)系統(tǒng)能耗節(jié)能型仿真預(yù)測(cè)。 所述訓(xùn)練集中的元素輸入人工神經(jīng)網(wǎng)絡(luò)之前，對(duì)有映射關(guān)系的參數(shù)進(jìn)行編碼，過(guò) 程如下： BI)定義有m個(gè)參數(shù)需要進(jìn)行編碼，分別為， LUUZUJ ...... 其中，X1為第i個(gè)需要進(jìn)行編碼的參數(shù)，i e ，為\的步長(zhǎng)，分別為X1*長(zhǎng)的上下限； B2)對(duì)上述參數(shù)進(jìn)行編碼后得， 其中，I1表示X i的代碼位數(shù)，δ i表示代碼位數(shù)的值； B3)將m個(gè)編碼的參數(shù)連接起來(lái)； 表達(dá)式為， I1I2In IbnbybllJ |b 21b22-b2n| |b nlbn2~b"J U1U2...... Un 其中，e ,i，e 。 通過(guò)小生境技術(shù)，讓群體中的各個(gè)子群體形成各自的搜索空間的過(guò)程為， Cl)計(jì)算群體中所有個(gè)體的得分； C2)將個(gè)體按照得分大小升序排列，保留前M個(gè)個(gè)體作為優(yōu)勝者； C3)以優(yōu)勝者為中心，形成M個(gè)子群體； 所述子群體中包括優(yōu)勝者以及以〇為方差散布在優(yōu)勝者四周的個(gè)體； C4)用小生境排擠算法，讓各個(gè)子群體形成各自的搜索空間。 小生境排擠算法的過(guò)程為， Dl)選取M個(gè)子群體中的兩個(gè)子群體； D2)計(jì)算兩個(gè)子群體的優(yōu)勝者之間的距離； djk= I I X J-Xk 其中，d]k為兩個(gè)子群體的優(yōu)勝者之間的距離，X ,為第j個(gè)子群體的優(yōu)勝者，X ,為 第k個(gè)子群體的優(yōu)勝者； D3)判斷djk是否小于小生境半徑，如果不是，則轉(zhuǎn)至步驟D5 ;如果是，則轉(zhuǎn)至步驟 D4 ； D4)比較兩優(yōu)勝者的得分，得分低的優(yōu)勝者所在的子群體被廢棄，得分高的保持 不變；對(duì)廢棄的子群體重新初始化，并在其所在的小生境內(nèi)重新選擇優(yōu)勝者，形成新的子群 體；轉(zhuǎn)至步驟D5 ; D5)重新選擇兩個(gè)子群體，轉(zhuǎn)至D2 ;直至每個(gè)小生境都有優(yōu)勝者。 在擁有各自子群體的小生境中執(zhí)行單純形搜索，獲得該子群體中的最優(yōu)個(gè)體的過(guò) 程為， El)定義η維空間中的一個(gè)單純形，n+1個(gè)頂點(diǎn)分別記為Y1, Y2, ... Yn, Yn+1 Ε2)計(jì)算n+1個(gè)頂點(diǎn)的函數(shù)值，并確定其中的最差點(diǎn)Yw、次差點(diǎn)Ys、最優(yōu)點(diǎn)Y b以及 單純形中除最差點(diǎn)外其余各點(diǎn)的形心Y11^ ; Yni, = (W. · · +Yn+Yn+1-Yn) /n 其中，w e ，s e ，b e ，m，e , E3)通過(guò)Yni,求￥』勺發(fā)射點(diǎn)Y Yr=Yn, +(Yn, -Yw) E4)根據(jù)發(fā)射點(diǎn)Yr確定反射點(diǎn)的情況； 反射點(diǎn)有三種可能： a、如果Yr優(yōu)于Y b，沿反射方向求擴(kuò)展點(diǎn)Y。， Ye=Ym, +a*(Ym, -Yw) 其中，a為擴(kuò)展系數(shù)，a > 1，若Y。優(yōu)于Yb，則以Y。取代成一新的單純形，否 則以乙取代Y w形成一新的單純形； b、如果Yr次于Y b但不次于Y s，則以Yr取代Y w形成一新的單純形； c、如果Yr次于Y s，沿Yl方向壓縮； 令1為Y JP Y w之間的優(yōu)點(diǎn)，求壓縮點(diǎn)Y ^ ; Yc* = Ymf + β * (Yh_Yni,) 其中，β為壓縮系數(shù)，0 < β < 1，若Yc不次于Yh，則以Yc取代Yw形成一新的單 純形，否則進(jìn)行單純形縮邊，即以Y h為基點(diǎn)，將初始單純形縮小一半； E5)新的單純形循環(huán)進(jìn)行反射、擴(kuò)展和壓縮操作，使搜索過(guò)程收斂到最優(yōu)個(gè)體。 所述異化操作為單純形異化操作。 本專利技術(shù)所達(dá)到的有益效果：1、本專利技術(shù)提高了算法局部搜索能力和全局搜索能力， 使神經(jīng)網(wǎng)絡(luò)的泛化性能更高，預(yù)測(cè)誤差更低；2、本專利技術(shù)采用小生境混合思維進(jìn)化算法對(duì)用 能系統(tǒng)建模，由此可確定各用能系統(tǒng)的冷、熱、電輸出特性，在此基礎(chǔ)上分析不同用能系統(tǒng) 的運(yùn)行方式并進(jìn)行優(yōu)化，用以得出適用于各用能系統(tǒng)的最優(yōu)配置方案。【附圖說(shuō)明】 圖1為本專利技術(shù)的流程圖。 圖2、圖3為本專利技術(shù)的仿真收斂性能驗(yàn)證圖。 圖4為本專利技術(shù)的仿真訓(xùn)練的擬合圖。 圖5為本專利技術(shù)的仿真的實(shí)際值與預(yù)測(cè)值的對(duì)比圖。【具體實(shí)施方式】 下面結(jié)合附圖對(duì)本專利技術(shù)作進(jìn)一步描述。以下實(shí)施例僅用于更加清楚地說(shuō)明本專利技術(shù) 的技術(shù)方案，而不能以此來(lái)限制本專利技術(shù)的保護(hù)范圍。 如圖1所示，，包括以下步驟： 步驟一，采集能耗數(shù)據(jù)，生成訓(xùn)練集； 定義訓(xùn)練集為群體，訓(xùn)練集中的元素為個(gè)體，所述個(gè)體為單個(gè)能耗數(shù)據(jù)或者一組 相關(guān)的能耗數(shù)據(jù)。 步驟二，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)。 步驟三，以訓(xùn)練集中的元素為輸入?yún)?shù)，確定人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)個(gè)體、權(quán)值和閾 值。 訓(xùn)練集中的元素輸入人工神經(jīng)網(wǎng)絡(luò)之前，對(duì)有映射關(guān)系的參數(shù)進(jìn)行編碼，具體過(guò) 程如下： BI)定義有m個(gè)參數(shù)需要進(jìn)行編碼，分別為， 其中，X1為第i個(gè)需要進(jìn)行編碼的參數(shù)，i e 為\的步長(zhǎng)，分別為X1*長(zhǎng)的上下限； B2)對(duì)上述參數(shù)進(jìn)行編碼后得， 其中，I1表示x i的代碼位數(shù)，δ i表示代碼位數(shù)的值； B3)將m個(gè)編碼的參數(shù)連接起來(lái)； 表達(dá)式為， I1I2In IbnbybllJ |b21b22-b 2n| |bnlbn2~b"J U1U2...... Un 其中，b11( e ，i' e 。 確定人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)個(gè)體的過(guò)程為： Al)通過(guò)小生境技術(shù)，讓群體中的各個(gè)子群體形成各自的搜索空間； 具體過(guò)程如下： Cl)計(jì)算群體中所有個(gè)體的得分； C2)將個(gè)體按照得分大小升序排列，保留前M個(gè)個(gè)體作為優(yōu)勝者； C3)以優(yōu)勝者為中心，形成M個(gè)子群體； 所述子群體中包括優(yōu)勝者以及以σ為方差散布在優(yōu)勝者四周的個(gè)體； C4)用小生境排擠算法，讓各個(gè)子群體形成各自的搜索空間； 小生當(dāng)前第1頁(yè)1 2 本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于改進(jìn)思維進(jìn)化算法的系統(tǒng)能耗建模方法，其特征在于：包括以下步驟，步驟一，采集能耗數(shù)據(jù)，生成訓(xùn)練集；定義訓(xùn)練集為群體，訓(xùn)練集中的元素為個(gè)體，所述個(gè)體為單個(gè)能耗數(shù)據(jù)或者一組相關(guān)的能耗數(shù)據(jù)；步驟二，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)；步驟三，以訓(xùn)練集中的元素為輸入?yún)?shù)，確定人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)個(gè)體、權(quán)值和閾值；確定人工神經(jīng)網(wǎng)絡(luò)的最優(yōu)個(gè)體的過(guò)程為，A1)通過(guò)小生境技術(shù)，讓群體中的各個(gè)子群體形成各自的搜索空間；A2)在擁有各自子群體的小生境中執(zhí)行單純形搜索，獲得該子群體中的最優(yōu)個(gè)體；A3)通過(guò)異化操作，獲得所有子群體中的最優(yōu)個(gè)體；步驟四，訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)；步驟五，對(duì)系統(tǒng)能耗節(jié)能型仿真預(yù)測(cè)。

【技術(shù)特征摘要】

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：楊永標(biāo)，王旭東，褚智亮，黃莉，王冬，霍現(xiàn)旭，
申請(qǐng)(專利權(quán))人：國(guó)家電網(wǎng)公司，國(guó)電南瑞科技股份有限公司，國(guó)網(wǎng)天津市電力公司電力科學(xué)研究院，國(guó)電南瑞南京控制系統(tǒng)有限公司，
類型：發(fā)明
國(guó)別省市：江蘇;32