一種基于改進思維進化算法的系統能耗建模方法技術方案

本發明專利技術公開了一種基于改進思維進化算法的系統能耗建模方法，包括以下步驟，步驟一，采集能耗數據，生成訓練集；步驟二，構建人工神經網絡；步驟三，以訓練集中的元素為輸入參數，確定人工神經網絡的最優個體、權值和閾值；步驟四，訓練人工神經網絡；步驟五，對系統能耗節能型仿真預測。本發明專利技術提高了算法局部搜索能力和全局搜索能力，使神經網絡的泛化性能更高，預測誤差更低。

【技術實現步驟摘要】

本專利技術涉及，屬于能耗建模領 域。
技術介紹
對用能系統進行建模制定能效控制提升策略的基礎與前提。目前智能電網園區用 能系統建模要求較高精確性、高效性，在此基礎上才能確定各模型的冷、熱、電輸出特性，分 析不同用能系統的運行方式并進行優化，用以得出適用于各用能系統的最優配置方案。因 此需要設計一種準確快速有效的系統能耗建模方法。
技術實現思路
為了解決上述技術問題，本專利技術提供了一種基于改進思維進化算法的系統能耗建 模方法。 為了達到上述目的，本專利技術所采用的技術方案是： -種基于改進思維進化算法的系統能耗建模方法，包括以下步驟， 步驟一，采集能耗數據，生成訓練集； 定義訓練集為群體，訓練集中的元素為個體，所述個體為單個能耗數據或者一組 相關的能耗數據； 步驟二，構建人工神經網絡； 步驟三，以訓練集中的元素為輸入參數，確定人工神經網絡的最優個體、權值和閾 值； 確定人工神經網絡的最優個體的過程為， Al)通過小生境技術，讓群體中的各個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行單純形搜索，獲得該子群體中的最優個 體； A3)通過異化操作，獲得所有子群體中的最優個體； 步驟四，訓練人工神經網絡； 步驟五，對系統能耗節能型仿真預測。 所述訓練集中的元素輸入人工神經網絡之前，對有映射關系的參數進行編碼，過 程如下： BI)定義有m個參數需要進行編碼，分別為， LUUZUJ ...... 其中，X1為第i個需要進行編碼的參數，i e ，為\的步長，分別為X1*長的上下限； B2)對上述參數進行編碼后得， 其中，I1表示X i的代碼位數，δ i表示代碼位數的值； B3)將m個編碼的參數連接起來； 表達式為， I1I2In IbnbybllJ |b 21b22-b2n| |b nlbn2~b"J U1U2...... Un 其中，e ,i，e 。 通過小生境技術，讓群體中的各個子群體形成各自的搜索空間的過程為， Cl)計算群體中所有個體的得分； C2)將個體按照得分大小升序排列，保留前M個個體作為優勝者； C3)以優勝者為中心，形成M個子群體； 所述子群體中包括優勝者以及以〇為方差散布在優勝者四周的個體； C4)用小生境排擠算法，讓各個子群體形成各自的搜索空間。 小生境排擠算法的過程為， Dl)選取M個子群體中的兩個子群體； D2)計算兩個子群體的優勝者之間的距離； djk= I I X J-Xk 其中，d]k為兩個子群體的優勝者之間的距離，X ,為第j個子群體的優勝者，X ,為 第k個子群體的優勝者； D3)判斷djk是否小于小生境半徑，如果不是，則轉至步驟D5 ;如果是，則轉至步驟 D4 ； D4)比較兩優勝者的得分，得分低的優勝者所在的子群體被廢棄，得分高的保持 不變；對廢棄的子群體重新初始化，并在其所在的小生境內重新選擇優勝者，形成新的子群 體；轉至步驟D5 ; D5)重新選擇兩個子群體，轉至D2 ;直至每個小生境都有優勝者。 在擁有各自子群體的小生境中執行單純形搜索，獲得該子群體中的最優個體的過 程為， El)定義η維空間中的一個單純形，n+1個頂點分別記為Y1, Y2, ... Yn, Yn+1 Ε2)計算n+1個頂點的函數值，并確定其中的最差點Yw、次差點Ys、最優點Y b以及 單純形中除最差點外其余各點的形心Y11^ ; Yni, = (W. · · +Yn+Yn+1-Yn) /n 其中，w e ，s e ，b e ，m，e , E3)通過Yni,求￥』勺發射點Y Yr=Yn, +(Yn, -Yw) E4)根據發射點Yr確定反射點的情況； 反射點有三種可能： a、如果Yr優于Y b，沿反射方向求擴展點Y。， Ye=Ym, +a*(Ym, -Yw) 其中，a為擴展系數，a > 1，若Y。優于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之間的優點，求壓縮點Y ^ ; Yc* = Ymf + β * (Yh_Yni,) 其中，β為壓縮系數，0 < β < 1，若Yc不次于Yh，則以Yc取代Yw形成一新的單 純形，否則進行單純形縮邊，即以Y h為基點，將初始單純形縮小一半； E5)新的單純形循環進行反射、擴展和壓縮操作，使搜索過程收斂到最優個體。 所述異化操作為單純形異化操作。 本專利技術所達到的有益效果：1、本專利技術提高了算法局部搜索能力和全局搜索能力， 使神經網絡的泛化性能更高，預測誤差更低；2、本專利技術采用小生境混合思維進化算法對用 能系統建模，由此可確定各用能系統的冷、熱、電輸出特性，在此基礎上分析不同用能系統 的運行方式并進行優化，用以得出適用于各用能系統的最優配置方案。【附圖說明】 圖1為本專利技術的流程圖。 圖2、圖3為本專利技術的仿真收斂性能驗證圖。 圖4為本專利技術的仿真訓練的擬合圖。 圖5為本專利技術的仿真的實際值與預測值的對比圖。【具體實施方式】 下面結合附圖對本專利技術作進一步描述。以下實施例僅用于更加清楚地說明本專利技術 的技術方案，而不能以此來限制本專利技術的保護范圍。 如圖1所示，，包括以下步驟： 步驟一，采集能耗數據，生成訓練集； 定義訓練集為群體，訓練集中的元素為個體，所述個體為單個能耗數據或者一組 相關的能耗數據。 步驟二，構建人工神經網絡。 步驟三，以訓練集中的元素為輸入參數，確定人工神經網絡的最優個體、權值和閾 值。 訓練集中的元素輸入人工神經網絡之前，對有映射關系的參數進行編碼，具體過 程如下： BI)定義有m個參數需要進行編碼，分別為， 其中，X1為第i個需要進行編碼的參數，i e 為\的步長，分別為X1*長的上下限； B2)對上述參數進行編碼后得， 其中，I1表示x i的代碼位數，δ i表示代碼位數的值； B3)將m個編碼的參數連接起來； 表達式為， I1I2In IbnbybllJ |b21b22-b 2n| |bnlbn2~b"J U1U2...... Un 其中，b11( e ，i' e 。 確定人工神經網絡的最優個體的過程為： Al)通過小生境技術，讓群體中的各個子群體形成各自的搜索空間； 具體過程如下： Cl)計算群體中所有個體的得分； C2)將個體按照得分大小升序排列，保留前M個個體作為優勝者； C3)以優勝者為中心，形成M個子群體； 所述子群體中包括優勝者以及以σ為方差散布在優勝者四周的個體； C4)用小生境排擠算法，讓各個子群體形成各自的搜索空間； 小生當前第1頁1 2 本文檔來自技高網...

【技術保護點】
一種基于改進思維進化算法的系統能耗建模方法，其特征在于：包括以下步驟，步驟一，采集能耗數據，生成訓練集；定義訓練集為群體，訓練集中的元素為個體，所述個體為單個能耗數據或者一組相關的能耗數據；步驟二，構建人工神經網絡；步驟三，以訓練集中的元素為輸入參數，確定人工神經網絡的最優個體、權值和閾值；確定人工神經網絡的最優個體的過程為，A1)通過小生境技術，讓群體中的各個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行單純形搜索，獲得該子群體中的最優個體；A3)通過異化操作，獲得所有子群體中的最優個體；步驟四，訓練人工神經網絡；步驟五，對系統能耗節能型仿真預測。

【技術特征摘要】

【專利技術屬性】
技術研發人員：楊永標，王旭東，褚智亮，黃莉，王冬，霍現旭，
申請(專利權)人：國家電網公司，國電南瑞科技股份有限公司，國網天津市電力公司電力科學研究院，國電南瑞南京控制系統有限公司，
類型：發明
國別省市：江蘇;32