技术特征：
1.一种基于dna发夹变异的gwo优化elman的电力负荷预测方法，其特征在于，构建elman电力负荷预测模型并利用改进的灰狼算法对elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用dna发夹变异作用于灰狼算法上。2.根据权利要求1所述的基于dna发夹变异的gwo优化elman的电力负荷预测方法，其特征在于，所述的dna发夹变异为：随机选择一个dna序列作为父代个体，定义第一个碱基的序列号为c1=1，从序列号为c1+1开始遍历，直到找到第一个与序列号为c1的碱基互补的碱基，定义其序列号为c2，如果找不到c2，则重新选择dna序列，直到找到为止；然后，将位于c1和c2之间的所有碱基位进行逆序排列，最后，将逆序得到的碱基位分别用其对应的互补碱基代替；最后，令c1= c2+1，重复执行以上步骤，直至遍历完所有的c1；至此，得到变异后新的子代个体。3.根据权利要求1所述的基于dna发夹变异的gwo优化elman的电力负荷预测方法，其特征在于，包括如下步骤：步骤1：获取电力负荷数据集：对电力负荷样本数据进行预处理和归一化，将样本集数据处理后划分为训练数据集、测试数据集；步骤2：建立电力负荷elman神经网络模型，确定神经元的输入和输出数据；步骤3：确定电力负荷elman神经网络的隐含层神经元个数；步骤4：初始化寻优参数，即设置步骤3所确定的elman神经网络的初始权值和阈值为待寻优参数；步骤5：确立适应度函数，即优化算法的评价函数；步骤6：利用训练数据集对elman神经网络模型进行训练，在训练过程中采用dna发夹变异操作灰狼算法对参数进行优化，得到最优的权值和阈值；步骤7：利用测试数据集对训练调整后的elman神经网络模型进行测试；采用所得模型对电力负荷进行预测。4.根据权利要求3所述的基于dna发夹变异的gwo优化elman的电力负荷预测方法，其特征在于，所述电力负荷样本数据包括5个输入和一个输出数据，输入的形式如下：式中，p(t)表示t时刻的温度，h(t)表示t时刻的湿度，r(t)表示t时刻的降水量，l(t-1)、l(t-2)和l(t-3)分别表示t-1、t-2和t-3时刻的电力负荷值；输出为t时刻的电力负荷数据；所述预处理为：对样本中缺失的数据或异常数据采用线性插值法进行填充或替换。5.根据权利要求3所述的基于dna发夹变异的gwo优化elman的电力负荷预测方法，其特征在于，将elman神经网络训练得到的电力负荷预测数据与实际数据的误差平方和的平方根作为dna发夹变异gwo寻优的适应度函数。6.根据权利要求1所述的基于dna发夹变异的gwo优化elman的电力负荷预测方法，其特征在于，所述elman电力负荷预测模型基于elman神经网络构建，如下：
式中，k表示时刻，x
c
(k)，u(k-1)，x(k)，y(k)分别表示m维反馈状态向量，n维输入向量，m维隐含层节点向量，1维输出向量；，和分别表示承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值矩阵；b1和b2分别是输入层和隐含层的阈值；f为隐含层的传递函数，g为隐含层输出的线性组合表达式。7.根据权利要求1所述的基于dna发夹变异的gwo优化elman的电力负荷预测方法，其特征在于， 所述改进的灰狼算法具体步骤如下：步骤6.1：设置dna发夹变异操作灰狼算法的运行参数，包括：种群个数n，最大进化代数g，个体编码长度l，变量的个数m，变异概率p
m
，算法迭代的终止条件，一般为达到最大迭代次数或设定的寻优精度；步骤6.2：对要进行寻优的m个权值和阈值进行编码，随机生成大小为n个的初始种群，每个参数被编码为长度为l的子序列，且由整数集{0,1,2,3}表示，则每个个体被编码后的dna序列长度为l
×
m；步骤6.3：将种群中的个体解码为对应的elman神经网络寻优的权值和阈值，采用elman神经网络对样本数据训练，将得到的电力负荷预测数据与实际数据的误差平方和的平方根作为dna发夹变异gwo寻优的适应度函数；步骤6.4：计算所有个体的适应度函数值，轮盘赌选择个体，并将选中的个体按适应度函数值进行排序，适应度较优的前70%的个体为优质个体，排名后30%的个体为有害个体，并且取前三个最优的个体，标记为，，；步骤6.5：随机生成概率，以此决定有害个体是否参与变异，具体为：a) 若r＞p
m
，则不进行变异操作，直接计算该个体可能更新的位置，具体为：a1) 分别计算该个体距离三匹头狼，，的距离d
k
，，个体当前位置为x，a2) 根据d
k
计算个体可能更新的位置，计算公式为：，其中，式中，，a随着迭代次数增加，由2线性衰减到0；b) 若r＜p
m
，则执行变异操作，具体步骤为：b1) 定义该个体第一个碱基的序列号为c1=1；b2) 从序列号为c1+1开始遍历，找到第一个与序列号为c1的碱基互补的碱基，定义其序
列号为c2；b3) 将位于c1和c2之间的所有碱基位进行逆序排列；b4) 将逆序得到的碱基位分别用其对应的互补碱基代替，最后，令c1=c2+1，重复执行以上步骤，直至遍历完所有的c1；至此，得到变异后新的子代个体；b5) 分别计算该新个体距离三匹头狼，，的距离d
k
，，β，，个体当前位置为为b6) 根据d
k
计算个体可能更新的位置，计算公式为：，其中，式中，，a随着迭代次数增加，由2线性衰减到0；步骤6.6 若当前种群达到迭代次数或达到要求的精度，则获得最优的elman网络权值和阈值，否则，返回步骤6.2。
技术总结
本发明公开了一种基于DNA发夹变异的GWO优化Elman的电力负荷预测方法，构建Elman电力负荷预测模型并利用改进的灰狼算法对Elman电力负荷预测模型的参数进行寻优，所述改进的灰狼算法为采用DNA发夹变异作用于灰狼算法上，通过对原始的灰狼算法进行改进，将分子生物学与GWO优化算法相结合，所设计的变异算子，使得算法具有跳出局部最优的能力、并且收敛速度和收敛精度均有所提高；且相比静态网络，Elman神经网络通过内部反馈机制使其具备较强的动态映射特性，从而具有更强的适应时变特性的能力，满足预测精度的同时提高了电力负荷预测的速度。速度。速度。
技术研发人员：秦贞华
受保护的技术使用者：浙江机电职业技术学院
技术研发日：2022.06.28
技术公布日：2022/8/2