一种基于改进前馈神经网络模型的短期电力负荷预测方法

摘要

本发明提供了一种基于改进前馈神经网络模型的短期电力负荷预测方法，通过改进前馈神经网络模型进行电力负荷预测，该模型包括输入层、增强隐含层和输出层，增强隐含层包括若干个暂态隐含层，不同的暂态隐含层挖掘和捕捉不同负荷数据的特征，并通过聚合的方式得到增强隐含层的输出，从而适应负荷数据的多样性和不确定性。本发明的改进前馈神经网络模型，通过对传统神经网络结构中的隐含层进行改进，提出增强型隐含层概念，深度学习和挖掘负荷数据的特征，自适应学习负荷数据的不确定性和随机性，从而适应当前电力系统的负荷预测需要。

权利要求

1.一种基于改进前馈神经网络模型的短期电力负荷预测方法，其特征在于，包括如下步骤：基于电力负荷历史数据确定改进前馈神经网络模型的输入变量数据；

将所述输入变量数据输入到所述改进前馈神经网络模型中进行训练；

利用训练好的所述改进前馈神经网络模型进行短期电力负荷预测；

其中，所述改进前馈神经网络模型包括输入层、负荷信息标签自动编码器层、增强型隐含层以及输出层；所述负荷信息标签自动编码器层的作用是用来唯一确定负荷形态，利用极限学习机方法来指导学习和提取负荷特征，作为下一层网络层的输入；所述增强型隐含层是由多个暂态隐含层组成，并以改进的长短期记忆神经网络作为暂态隐含层，不同暂态隐含层可以捕捉和挖掘负荷数据的多样性和不确定性，通过聚合的方式形成增强型隐含层的输出，最终在输出层生成负荷预测值；

所述输入变量数据具体包括：

负荷特征变量以及表征负荷信息的标签变量的数据，所述负荷特征变量的数据包括电力负荷影响变量的实际值和电力负荷实际值；

所述负荷信息标签自动编码器层包括若干个负荷信息标签自动编码器，用于在所述暂态隐含层挖掘和捕捉负荷数据的特征之前，将负荷信息标签融入到负荷影响变量中；

所述负荷信息标签自动编码器的输出具体如下：

式中， 为第i个负荷信息标签自动编码器隐含层的输出值，wi为第i个负荷信息标签自动编码器的输入权值，bi为第i个负荷信息标签自动编码器的偏置矩阵，Φi为第i个负荷信息标签自动编码器的输出权值，xi为输入第i个负荷信息标签自动编码器的所述负荷影响变量，Label为输入的所述负荷信息标签，x为负荷影响变量；

所述暂态隐含层的输入和输出分别如下：

hi＝Φi·x+bi

ht＝st*tanh(Ct)

式中，hi为第i个暂态隐含层的输入，Φi为第i个负荷信息标签自动编码器的输出权值，bi为偏置矩阵，x为负荷影响变量，ht为所述暂态隐含层的输出，st为所述暂态隐含层中组合门输入信息的当前状态，Ct表示细胞当前时刻的状态，t为当前时刻；

所述增强型隐含层的输出具体如下：

式中，为所述增强型隐含层的输出，K为所述暂态隐含层的个数，γi表示第i个暂态隐含层的惩罚系数，Ωi表示第i个暂态隐含层的输出值；

在所述改进长短期记忆神经网络中，输出门、输入门和遗忘门被融合为组合门，所述组合门内部共享权值和偏置，所述组合门的计算具体如下：Ct＝st*Ct‑1+(1‑st)*at

式中，xt，st和at分别表示输入层、组合门和上一个神经元输入信息的当前状态；Ct‑1和Ct分别表示细胞前一时刻和当前时刻的状态；mt表示中间变量；wh，wx表示对应网络层的输入权值；b表示对应网络层的偏置矩阵，δ(x)和tanh(x)均为激活函数。

2.根据权利要求1所述的基于改进前馈神经网络模型的短期电力负荷预测方法，其特征在于，在所述改进前馈神经网络模型中，所述负荷信息标签自动编码器的隐含层节点数、所述暂态隐含层个数和所述惩罚系数采用改进的纵横交叉算法进行参数优化，所述改进的纵横交叉算法基于标准的纵横交叉算法，通过每一次迭代过程中种群的适应度方差来自适应求解纵向交叉概率，进而进行变异操作，以增强CSO算法的全局搜索能力，所述改进的纵横交叉算法结束后适应度最好的粒子为最优参数。

3.根据权利要求2所述的基于改进前馈神经网络模型的短期电力负荷预测方法，其特征在于，采用改进的纵横交叉算法进行参数优化时的目标函数如下：式中， 为第i个负荷信息标签自动编码器隐含层的输出值，K为所述暂态隐含层的个数，γi表示第i个暂态隐含层的惩罚系数，Ωi表示第i个暂态隐含层的输出值，yt和 分别表示实际值和预测值，T表示训练样本的个数，x为负荷影响变量。

4.根据权利要求2所述的基于改进前馈神经网络模型的短期电力负荷预测方法，其特征在于，所述纵向交叉概率的计算式如下：式中，Pvcmax和Pvcmin分别为纵向交叉概率Pvc的最大值和最小值，npop为种群的个数， 为种群的方差。

说明书

一种基于改进前馈神经网络模型的短期电力负荷预测方法

技术领域

[0001] 本发明属于电力系统负荷预测技术领域，具体涉及一种基于改进前馈神经网络模型的短期电力负荷预测方法。

背景技术

[0002] 随着新能源时代的到来和我国“碳中和”目标的提出，负荷使用需求急剧增加，负荷波动特征也随之改变，为确保电力系统安全高效平稳运行，短期电力负荷在规划、运行、扩大电力系统安全性和降低每个发电、输电和输送系统运行成本中起着越来越重要的作用。

[0003] 传统的短期电力负荷预测方法主要包含统计方法和机器学习方法。其中，对于传统机器学习算法，如BP神经网络、贝叶斯网络、支持向量机等，大多为浅层结果，数据分析能力较弱，对于实际复杂问题的泛化能力不足，应用效果主要取决于数据特征本身的表达能力。在电网领域中，由于负荷随机性和不确定性的影响，使得浅层算法难以充分挖掘电力负荷数据所蕴含的信息与特征。

[0004] 近年来，以深度学习为代表的新一代人工智能技术迅速发展，其能从包含若干复杂特性的原始数据样本中提炼出关键信息，不会受限于数据自身的特征表达能力强弱。然而，随着系统的优化、用户不断增加的电量需求以及新能源行业的发展，电力负荷数据也呈现出不同特点，单一模型往往无法充分提取这些特点并加以预测，而利用复杂、聚合和深度的网络结构进行负荷预测，虽然可以提高预测精度，但是会以时间消耗为代价。

发明内容

[0005] 有鉴于此，本发明旨在解决现有电力负荷预测存在的上述问题。

[0006] 为了解决上述技术问题，本发明提供以下技术方案：

[0007] 本发明提供了一种基于改进前馈神经网络模型的短期电力负荷预测方法，包括如下步骤：

[0008] 基于电力负荷历史数据确定改进前馈神经网络模型的输入变量数据；

[0009] 将输入变量数据输入到改进前馈神经网络模型中进行训练；

[0010] 利用训练好的改进前馈神经网络模型进行短期电力负荷预测；

[0011] 其中，改进前馈神经网络模型包括输入层、增强隐含层和输出层；

[0012] 输入层和输出层分别用于接收电力负荷数据和输出电力负荷预测值；

[0013] 增强隐含层包括若干个暂态隐含层，不同的暂态隐含层挖掘和捕捉不同负荷数据的特征，并通过聚合的方式得到增强隐含层的输出，从而适应负荷数据的多样性和不确定性。

[0014] 进一步的，输入变量数据具体包括：

[0015] 负荷特征变量以及表征负荷信息的标签变量的数据，负荷特征变量的数据包括电力负荷影响变量的实际值和电力负荷实际值。

[0016] 进一步的，改进前馈神经网络模型还包括：负荷信息标签自动编码器层，负荷信息标签自动编码器层包括若干个负荷信息标签自动编码器，用于在暂态隐含层挖掘和捕捉负荷数据的特征之前，将负荷信息标签融入到负荷影响变量中。

[0017] 进一步的，负荷信息标签自动编码器的网络结构为极限学习机，其输出具体如下：

[0018] ；

[0019] 式中， 为第i个负荷信息标签自动编码器隐含层的输出值， 为第i个负荷信息标签自动编码器的输入权值， 为第i个负荷信息标签自动编码器的偏置矩阵， 为第i个负荷信息标签自动编码器的输出权值， 为输入第i个负荷信息标签自动编码器的负荷影响变量， 为输入的负荷信息标签， 为负荷影响变量。

[0020] 进一步的，暂态隐含层的网络结构为改进长短期记忆神经网络，暂态隐含层的输入和输出分别如下：

[0021] ；

[0022] ；

[0023] 式中， 为第i个暂态隐含层的输入， 为第i个负荷信息标签自动编码器的输出权值， 为偏置矩阵， 为负荷影响变量， 为暂态隐含层的输出， 为暂态隐含层中组合门输入信息的当前状态， 表示细胞当前时刻的状态，t为当前时刻。

[0024] 进一步的，在改进长短期记忆神经网络中，输出门、输入们和遗忘门被融合为组合门，组合门内部共享权值和偏执，组合门的计算具体如下：

[0025] ；

[0026] ；

[0027] 式中， ， 和 分别表示输入层、组合门和上一个神经元输入信息的当前状态； 和 分别表示细胞前一时刻和当前时刻的状态； 表示中间变量； ， 表示对应网络层的输入权值； 表示对应网络层的偏置矩阵， 和 均为激活函数。

[0028] 进一步的，增强隐含层的输出具体如下：

[0029] ；

[0030] 式中， 为增强隐含层的输出， 为暂态隐含层的个数， 表示第 个暂态隐含层的惩罚系数， 表示第 个暂态隐含层的输出值。

[0031] 进一步的，在改进前馈神经网络模型中，负荷信息标签自动编码器的隐含层节点数、暂态隐含层个数和惩罚系数采用改进的纵横交叉算法进行参数优化，改进的纵横交叉算法通过每一次迭代过程中种群的适应度方差来自适应求解纵向交叉概率，以求解最优参数。

[0032] 进一步的，采用改进的纵横交叉算法进行参数优化时的目标函数如下：

[0033] ；

[0034] 式中， 为第i个负荷信息标签自动编码器隐含层的输出值， 为暂态隐含层的个数， 表示第 个暂态隐含层的惩罚系数， 表示第 个暂态隐含层的输出值，和 分别表示实际值和预测值， 表示训练样本的个数。

[0035] 进一步的，纵向交叉概率的计算式如下：

[0036] ；

[0037] 式中， 和 分别为纵向交叉概率 的最大值和最小值， 为种群的个数， 为种群的方差。

[0038] 综上，本发明提供了一种基于改进前馈神经网络模型的短期电力负荷预测方法，通过改进前馈神经网络模型进行电力负荷预测，该模型包括输入层、增强隐含层和输出层，增强隐含层包括若干个暂态隐含层，不同的暂态隐含层挖掘和捕捉不同负荷数据的特征，并通过聚合的方式得到增强隐含层的输出，从而适应负荷数据的多样性和不确定性。本发明的改进前馈神经网络模型，通过对传统神经网络结构中的隐含层进行改进，提出增强型隐含层概念，深度学习和挖掘负荷数据的特征，自适应学习负荷数据的不确定性和随机性，从而适应当前电力系统的负荷预测需要。

附图说明

[0039] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

[0040] 图1为本发明实施例提供的改进前馈神经网络模型图；

[0041] 图2为本发明实施例提供的负荷信息标签自动编码器的网络结构图；

[0042] 图3为本发明实施例提供的暂态隐含层的网络结构图；

[0043] 图4为本发明实施例提供的CSO算法横向搜索过程示意图；

[0044] 图5为本发明实施例提供的ICSO算法的实现流程图。

具体实施方式

[0045] 为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0046] 本实施例提供一种基于改进前馈神经网络模型的短期电力负荷预测方法，包括如下步骤：

[0047] 步骤一：基于电力负荷历史数据确定改进前馈神经网络模型的输入变量数据；

[0048] 步骤二：将输入变量数据输入到改进前馈神经网络模型中进行训练；

[0049] 步骤三：利用训练好的改进前馈神经网络模型进行短期电力负荷预测；

[0050] 其中，改进前馈神经网络模型包括输入层、增强隐含层和输出层；

[0051] 输入层和输出层分别用于接收电力负荷数据和输出电力负荷预测值；

[0052] 增强隐含层包括若干个暂态隐含层，不同的暂态隐含层挖掘和捕捉不同负荷数据的特征，并通过聚合的方式得到增强隐含层的输出，从而适应负荷数据的多样性和不确定性。

[0053] 随着电力系统的优化、用户不断增加的电量需求以及新能源行业的发展，电力负荷数据也呈现出不同特点，由于传统的电力负荷预测方法难以深度挖掘这些数据的特点并进行预测，而具有复杂、聚合和深度的网络结构进行负荷预测则会以时间消耗为代价。故本实施例的改进前馈神经网络模型通过对传统神经网络结构中的隐含层进行改进，提出增强型隐含层概念，深度学习和挖掘负荷数据的特征，自适应学习负荷数据的不确定性和随机性，从而适应当前电力系统的负荷预测需要。

[0054] 以下结合附图对本实施例的改进前馈神经网络模型进行详细的介绍。

[0055] 请参阅图1，本实施例的改进前馈神经网络模型的电力负荷预测模型，包括输入层、负荷信息标签自动编码器层、增强型隐含层以及输出层。负荷信息标签自动编码器层的作用是用来唯一确定负荷形态，利用极限学习机方法来指导学习和提取负荷特征，作为下一层网络层的输入。增强型隐含层是由多个暂态隐含层组成，并以改进的长短期记忆神经网络（CG‑LSTM）作为暂态隐含层，不同暂态隐含层可以捕捉和挖掘负荷数据的多样性和不确定性，通过聚合的方式形成增强型隐含层的输出，最终在输出层生成负荷预测值。为了提高改进前馈神经网络模型的精度和稳定性，采用改进的纵横交叉算法(ICSO)对模型参数进行优化。图1为该改进前馈神经网络模型图，以下对该模型的各层网络结构进行介绍。

[0056] 1、输入层：假设 为 时刻的电力负荷值， 为 时刻短期电力负荷预测模型的输入变量，其中 为电力负荷影响变量的个数， 为 时刻电力负荷的实际值， 为 时刻电力负荷预测结果。负荷信息标签变量 包括预测时刻的气象信息、预测日是否为节假日、是否为工作日等，这些信息将作为预测模型的辅助信息，有利于辨识预测时刻的负荷特征，提高预测精度。输入层的输入是负荷特征变量 和表征负荷信息的标签变量 。

[0057] 2、负荷信息标签自动编码器层

[0058] 负荷信息标签自动编码器层的网络结构是极限学习机，图2为其网络结构图。其原理如下：

[0059] 给定含有 个任意样本的数据集 ，其中 ，， ， 负荷影响变量的个数， 为负荷信息标签的个数。假设激活
函数为 以及隐含层节点个数为 ，则该单隐含层神经网络的数学表达式可
写为

[0060] (1)

[0061] 式中， 为连接输入节点 和隐含层节点 的输入权值向量， 。 为第 个隐含层节点的偏差； 为连接隐含层节点 与输出层节
点的输出权值； 为实际值，t为当前时刻。

[0062] 式(1)又可以简洁地表示为

[0063] (2)

[0064] (3)

[0065] (4)

[0066] (5)

[0067] 上述式中， 为输出权值向量； 为输出向量。 为隐含层输出矩阵，其第 列表示连接第个 隐含层节点和所有输入节点的权值向量；第 行表示对应于 的隐含层输出向量。

[0068] ELM在学习过程中是利用随机分配的输入权值和偏差来寻找最优的输出权值 。在大多数情况下，训练样本的个数要比隐含层节点的个数大很多(即 )，使得隐含层输出矩阵 为非方阵。因此方程 可能不存在解 。但是 可以通过最小二乘
(least square， LS)法来确定，即

[0069] (6)

[0070] 式中， 为 的Moore‑Penrose广义逆或者称为伪逆。如果 的逆存在，则[0071] (7)

[0072] 将式(7)带入式(6)可得

[0073] (8)

[0074] 在训练模型的过程中，利用自编码器将负荷信息标签融入到负荷影响变量中，这样处理的目的是在隐含层中学习和挖掘负荷数据的典型特征，缩短模型训练的时间。

[0075] 根据极限学习机的原理，现对负荷信息标签自编码器进行改写，对于第 个负荷信息标签自编码器，假设其输入权值为 ，偏置矩阵为 ，输出权值为 ，则其隐含层输出为

[0076] （9）

[0077] （10）

[0078] 至此，下一层网络结构中，暂态隐含层的输入值为

[0079] （11）

[0080] 3、增强型隐含层

[0081] 与传统神经网络的隐含层不同，所提新型前馈神经网络具有深度的隐含层。增强型隐含层是由多个暂态隐含层构成，每个暂态隐含层以改进的长短期记忆神经网络作为学习单元。每个暂态隐含层具备捕捉和挖掘负荷特征的能力，能够反映负荷数据的不确定性。

[0082] （1）改进长短期记忆神经网络(LSTM with combined gate， CG‑LSTM)[0083] 经典长短期记忆神经网络由输入门、输出门和遗忘门构成，每个门结构的权值和偏置都是独立随机初始化，导致变量个数多而影响计算时间。为了减少长短期记忆神经网络的变量个数，本专利提出了一种改进的长短期记忆神经网络，将输入门、输出门和遗忘门三种门结构融合成一种新的门结构，称之为组合门（combined gate）。组合门内部共享权值和偏置，其结构如图3所示。对于 时刻，改进长短期记忆神经网络的计算过程如下：

[0084] 计算组合门内部信息：

[0085] （12）

[0086] 更新组合门神经元状态：

[0087] （13）

[0088] 计算隐含层输出：

[0089] （14）

[0090] 输出层输出值：

[0091] （15）

[0092] 上式中， ， 和 分别表示输入层、组合门和上一个神经元输入信息的当前状态； 和 分别表示细胞前一时刻和当前时刻的状态； 和 分别表示隐含层前一时刻和当前时刻的输出值； 表示输出层的输出值； 和 表示中间变量； ， 和表示对应网络层的输入权值； 和 表示对应网络层的偏置矩阵。 和均为激活函数，其计算公式分别为：

[0093] （16）

[0094] 增强型隐含层是由多个暂态隐含层构成，其输入变量来源于改进长短期记忆网络的隐含层输出值 。多个暂态隐含层通过聚合的方式来形成最终的增强型隐含层，其输出如下：

[0095] （17）

[0096] 式中， 表示第 个暂态隐含层的输出值， 表示第 个暂态隐含层的惩罚系数（ ），其值越大，表示该暂态层的贡献越大。

[0097] 4、输出层

[0098] 增强型隐含层的输出值经过激活函数后，最终形成预测值，其计算公式如下：

[0099] （18）

[0100] 5、模型参数优化

[0101] 所提新型前馈神经网络中，极限学习机隐含层节点个数 ，暂态隐含层个数 以及惩罚系数 的值需要确定，才能保证模型的稳定性和预测精准度。本实施例中采用改进的纵横交叉算法（自适应机制纵横交叉算法）对参数集 进行参数优化。

[0102] 5.1、目标函数的确定

[0103] 模型的预测误差来源于两个部分：（a）负荷信息标签自编码器层利用预测时刻的负荷信息 对负荷影响变量 进行数据重构来获取更加丰富的负荷特征 ；（b）模型预测值 与实际值 的偏差。因此目标函数可以表示为

[0104] ；

[0105] 式中， 为第i个负荷信息标签自动编码器隐含层的输出值， 为暂态隐含层的个数， 表示第 个暂态隐含层的惩罚系数， 表示第 个暂态隐含层的输出值，和 分别表示实际值和预测值， 表示训练样本的个数，x为负荷影响变量。

[0106] 5.2、标准纵横交叉算法

[0107] 标准纵横交叉算法(crisscross optimization， CSO)是一种新的启发式智能优化算法，其受到儒家“中庸之道”思想的影响，并借鉴了遗传算法交叉算子搜索策略。CSO算法的主要特点是采用了纵横搜索策略(crisscross search strategy， CSS)，包括三个主要步骤：横向交叉(horizontal crossover， HC)、纵向交叉(vertical crossover， VC)和精英策略(Competitive operator， CO)。其中横向交叉和纵向交叉是两种交叉搜索机制，粒子在横向交叉和纵向交叉操作过程中粒子交叉操作存在一定的概率 和 。在进行进化的每一代中，种群中不同的粒子(父代)两两分别通过利用两种搜索策略各更新一次，父代的粒子交叉得到子代的粒子，分别称为横向和纵向“中庸解”。中庸解与父代的粒子利用精英策略，通过比较适应值，竞争得到横向和纵向“占优解”。横向与纵向交叉得到的中庸解(子代)和占优解(父代)又进行竞争操作，整个过程不断迭代更新，直到寻找到目标函数的全局最优解。CSO算法强大的全局搜索性能得益于纵横双重搜索策略，精英策略确保种群的粒子始终维持“优胜劣汰”的状态，这种迭代方式大大加速算法的收敛性能。

[0108] 标准CSO算法执行的基本步骤如下所示：

[0109] 步骤1：初始化CSO种群大小、迭代次数以及横、纵向交叉概率 和 ；

[0110] 步骤2：执行横向交叉操作，得到的中庸解(子代)与父代竞争；

[0111] 步骤3：执行纵向交叉操作，得到的中庸解(子代)与父代竞争；

[0112] 步骤4：算法停止判据：若迭代次数达到预先设置的最大迭代次数或最优适应度满足误差阈值，输出最优解；否则跳至步骤2。

[0113] 标准CSO算法基本原理如下：

[0114] (1) 横向交叉

[0115] 横向交叉是发生在两个不同个体之间的交叉操作，并且每个维度都要进行此操作。假设父代两个粒子 和 在第 维进行横向交叉操作，则可得到子代中庸解的表达式：

[0116]  (20)

[0117] (21)

[0118] 式中， 和 表示 和 在第 维进行横向交叉操作后得到的中庸解； ， 为随机数，都均匀分布于区间[0，1]； ， 也为随机数其均匀分布于区间[‑1，1]。

[0119] 公式(20)和(21)的中庸解由两部分组成，其中第一部分类似于遗传算法的交叉操作过程，这种交叉操作以较大概率在以 和 为对角顶点的超立方体内(即在图2的内部搜索区域)进行繁殖后代 和 。为了增强CSO算法的全局搜索能力，公式(20)和(21)右边的第二项在超立方空间的边缘区域进行最优解的搜寻，弥补对区域盲区的搜索力度，避免失去全局最优解。这种跨界的搜索方式有别于遗传算法，能够大大提高CSO算法的搜索能力。当执行完横向交叉操作后，父代与子代进行竞争操作，保存适应度较好的粒子。图4为 CSO算法横向搜索过程示意图。

[0120] (2) 纵向交叉

[0121] 纵向交叉是所有个体粒子不同维度之间的交叉操作，假设粒子 的第 维和第 维进行纵向交叉，得到的子代中庸解表达式为

[0122] (22)

[0123] 式中， 为中庸解； 为随机数，服从[0，1]上的均匀分布； 为种群的大小； 为粒子的维度。

[0124] CSO算法采用连锁式的横纵向全方位搜索，较好的粒子以较大的横、纵向交叉概率进行操作，这样保证算法的快速收敛能力。另外，粒子采用双重搜索机制，一方面可以避免粒子某一维度陷入局部最优位置为停滞不前；另一方面，可以增加粒子的多样性，从而跳出局部最优的情况。

[0125] (3) 精英策略

[0126] 精英策略，也即竞争机制，父代粒子与子代粒子通过竞争，“适者生存，劣者淘汰”，优质的粒子保存下来进行下一次迭代更新。精英策略可以促使CSO算法快速定位优质粒子，使得种群维持在历史最优位置，从而保证种群总是朝着适应度更优的方向发展，进而加快了算法的收敛速度。竞争机制如下式所示

[0127] (23)

[0128] 5.3、改进纵横交叉算法

[0129] CSO算法纵向交叉操作的概率 对于算法避免陷入早熟收敛起到关键的作用。太小的 值会削弱CSO跳出局部最优的能力；如果 值太大，会增加算法的搜索时间。在标准CSO算法中， 值通常是给定固定值，并且是通过多次试验后确定的。

[0130] 针对标准CSO算法的不足，本专利提出了一种改进的CSO(improved crisscross optimization， ICSO)，利用自适应机制来确定 值。该算法根据每一次迭代过程中种群的适应度方差来自适应求解纵向交叉概率 。引进这种自适应变异操作，确保 的选值倾向合理化，以增强CSO算法的全局搜索能力。

[0131] 在ICSO中，粒子适应度取决于其所处位置，故可根据种群所有粒子的适应度的整体变化来判断算法收敛的状态。适应度方差的表达式如下：

[0132] (24)

[0133] 式中： 是第 个粒子的适应度值， 为当代适应度值的均值， 为种群的个数。 是用于归一化 大小的定标因子。式(24)中，若 越小，则ICSO算法越趋于收敛。本文通过引入自适应机制对CSO‑SAM算法的纵向交叉概率进行变异操作如式(25)所示：

[0134] (25)

[0135] 式中： 和 分别为纵向交叉概率 的最大值和最小值。此处和 的经验值分别为 ， ， 为种群的方差。

[0136] 根据式(24)和(25)可实现ICSO算法纵向交叉概率的自适应选值，从而大大提高算法的全局搜索能力并减少计算时间。ICSO实现流程图如图5所示。

[0137] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。