基于群体智能混合算法研究与应用.docVIP

基于群体智能混合算法研究与应用 　　摘要：本文基于群体算法及模糊聚类分析方法，建立相应的预测模型， 通过对电力负荷变化规律和影响因素的分析，提出了一种电力负荷预测模型。结果表明，该模型具有较高的预测精度。 　　关键词：群体算法；模糊聚类；预测模型；预测 　　中图分类号：TP301文献标识码：A 　　1前言 　　电力负荷预测是电力系统调度和计划部门安排购电计划和制定运行方式的基础，它对于电力系统规划、运行与控制有着重要的意义。为了提高电网运行的安全性和经济性，改善供电质量，负荷预测需要尽可能高的预测精度。随着分时电价的市场化营运，精度高、速度快的预测理论和方法愈显重要和迫切。 　　负荷预测已有很长的研究历史。早期的方法以时间序列法、回归分析法为主[1]，这类方法计算量小，速度较快，但由于模型过于简单而无法模拟复杂多变的电力负荷。近年来，随着人工智能技术的迅猛发展，灰色理论法[2]、神经网络法[3]、相似日聚类[4]，模糊聚类[5]在负荷预测领域得到广泛应用。它们较以前的方法更能处理负荷和影响因素之间的非线形关系，因而得到了较高的预测精度。但他们有各自的缺点，灰色预测模型从理论上讲可以适用于任何非线性变化的负荷指标预测，但其微分方程指数解比较适合于具有指数增长趋势的负荷指标，对于具有其他趋势的指标，则拟合灰度大，精度难以提高。利用神经网络进行电力负荷预测时，神经网络可以通过学习，从复杂的样本数据中拟合出输入输出之间高维、非线性的映射关系，从而进行较高精度的预测。但是，电力负荷受到多种因素的影响，电力负荷曲线的变化形态差异较大。 　　目前，针对电力负荷预测较好的方法是采用组合式预测模型-FCBP模型[6]。其原理是这样的：首先，采用模糊聚类分析方法，以每天的负荷数据、天气数据以及天类别数据为指标，将历史数据分成若干类别；然后对每一类别建立相应的神经网络预测模型；预测时找出与预测天相符的预测类别，利用相应的神经网络预测模型进行电力负荷预测，实践证明这种方法是有效的。 　　但是传统的模糊聚类算法有易陷入局部最优解，处理大量、高???的数据时，在时间性能上难以令人满意的缺陷。蚁群算法是最近几年才提出的一种新型的模拟进化算法，由意大利学者Dorigo,M[7]等人首先提出，用蚁群在搜索食物源的过程中所体现出来的寻优能力来解决一些离散系统优化中困难问题。已经用该方法求解了旅行商问题、指派问题、调度问题等，取得了一系列较好的实验结果。本文将蚁群算法引入此模型，用蚁群算法改进模糊聚类，并和神经网络组合，得到新型预测模型-AFCBP模型，经实验证明得到良好效果。 　　2理论分析 　　2.1蚁群算法优化理论 　　经过大量研究发现，蚂蚁个体之间是通过一种称之为外激素的物质进行信息传递，从而能相互协作，完成复杂的任务。蚂蚁在运动过程中，能够在它所经过的路径上留下该种物质，而且蚂蚁在运动过程中能够感知这种物质的存在及其强度，并以此指导自己的运动方向，蚂蚁倾向于朝着该物质强度高的方向移动。因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的。 　　以TSP问题为例说明基本蚁群算法的框架，设有m个城市，dij(i,j=1,2,…,n)表示城市i和j间的距离，τij(t)表示在t时刻城市i和j之间的信息量，用它模拟实际蚂蚁的外激素。设共有m只蚂蚁，用 表示在t时刻蚂蚁k由城市i转移到城市j的概率： 　　其中，U为蚂蚁已经搜索过的部分路径，S表示蚂蚁k下一步允许走过的城市的集合，a表示路径上的信息量对蚂蚁选择路径所起的作用大小， 表示为由城市i转移到城市j的期望程度，例如，可以取 。当a=0时，算法就是传统的贪心算法；而当b=0时，就成了纯粹的正反馈的启发式算法。经过n个时刻，蚂蚁可走完所有的城市，完成一次循环。每只蚂蚁所走过的路径就是一个解，此时，要根据下式对各路径上信息量作更新： 　　其中，Q为常数，Lk为蚂蚁k在本次循环中所走路径的长度。在经过若干次循环以后，可以根据适当的停止条件来结束计算。 　　由上述可知，蚁群算法的优化过程的本质在于：1) 选择机制，信息量越大的路径，被选择的概率越大；2) 更新机制，路径上面的信息量会随蚂蚁的经过而增长，而且同时也随时间的推移逐渐减小；3) 协调机制，蚂蚁之间实际上是通过信息量来互相通讯、协同工作的，这样的机制使得蚁群算法具有很强的发现较好解能力。 　　2.2模糊聚类基本原理 　　聚类分析算法可以描述为：给定m维空间Ｒ中的n个向量，把每个向量归属到m个聚类中的某一个，使得每一个向量与其聚类中心的距离最小。经常用的基于划分的聚类算法是c-均值算法，它把n个向量 (i