记做行向量一：
[0073] 皆+1)二 xf) + a ? Ieiy (/1) + Ac. (i 二 1,2,…，伽) (1、
[0074] 其中，表示在第t次迭代时的第i个行向量，@为点对点乘法符号，a为动态 步长调节因子，a = I I s-best I I，S为任意行向量，best为最优行向量；Lev^ A )为Levy 飞行随机路径，Levy( A )~U = t I (1 < A《3) ;k为[0, 1]之间的常量，主要调整柯西 扰动的大小，^服从柯西分布，如下式（2)所示：
(2)
[0076] ④、计算行向量一的适应度函数值化ness,若行向量一对应的适应度函数值大于 原有行向量对应的适应度函数值，则将行向量一替换原有行向量，得到一新行向量组（新 矩阵），在当前行向量组中根据适应度函数值寻找最优行向量；
[0077] ⑤、随机初始化另一 cntXn矩阵二，将任意矩阵元素与发现概率p。比较，保留发 现概率较小的向量分量，对于其他向量分量，按下式（3)得到新的行向量，记做行向量二， 并按照适应度函数值再次寻找最优行向量，记录下最优行向量的适应度函数值；
[0078] X;+i = X; + r-X。 (3)
[007引其中，r是化1)区间的均匀分布随机数；吟和柏是表示第t次迭代次数的两个 随机解。
[0080] ⑧、若此时适应度函数值大于步骤④中最优行向量的适应度函数值，则替换相应 的行向量与适应度函数值；
[0081] 判断迭代次数是否满足条件，若仍然满足条件，则回到步骤⑨，否则停止搜索，并 将最优权矢量输出。
[0082] 应用到本发明的方法中，步骤H中采用改进的CS算法确定个体神经网络的优化 权值系数，具体包括下步骤：
[0083] S301、所述网络选择训练集输入训练后的所述个体神经网络，计算并保存各个体 神经网络的适应度函数值；
[0084] 适应度函数值化ness (i)的计算方法为；
[0085] S302、运用改进的CS算法确定所述个体神经网络的权值系数。
[0086] 具体对步骤S302进一步说明，包括W下步骤：
[0087] S3021、初始化CS算法的参数，包括发现概率P。、最大迭代次数itermax和生成的 行向量个数cnt ;
[0088] S3022、根据行向量个数cnt和个体神经网络个数n生成cnt Xn矩阵，矩阵元素取 值范围在化1);
[0089] 确定元素值大于元素阔值的元素所对应的个体神经网络的适应度函数值。
[0090] 矩阵中各元素值范围在（0, 1)，假设元素阔值为0. 5,若元素值小于0. 5则无需确 定该行向量的适应度函数，大于或等于则求取该行向量的适应度函数值；根据所述适应度 函数值寻找最优行向量；
[0091] 由于个体神经网络不变，此处适应度函数值的求取只需在S301中获得的各行向 量的适应度函数中直接寻找即可。
[0092] S3023、根据所述行向量按下式生成行向量一：
[0093] xf-" = X;') +?@王6^(义)+ (!' =1,?...:，舟）
[0094] 式中，#表示在第t次迭代时的第i个行向量；a为动态步长调节因子，a = I s-best I I，S为任意行向量，best为所述最优行向量；Lev;y( A )为Levy飞行随机路径， Levy (入）~U = t I (1 < A《扣，k为化1)之间的随机数，^服从柯西分布；
[0095] S3024、确定所述行向量一的适应度函数值，若所述行向量一的适应度函数值大于 原所述行向量的适应度函数值，则所述行向量一替换原行向量及对应的适应度函数值，在 替换后的行向量中根据适应度函数值确定最优行向量；
[0096] S3025、随机生成cntXn的矩阵二，将所述矩阵元素与所述发现概率P。对比，保留 所述发现概率较小的分量，将其他分量按下式加入随机扰动，获得行向量二：
[0097] X;+i = X; + r(x三' -X;-')
[009引其中，r为化1)区间的均匀分布随机数；吟和的表示第t次迭代次数的两个随 机解。
[0099] S3026、判断行向量二的适应度函数值是否大于所述步骤S4024中最优行向量的 适应度函数值，若大于则用行向量二替换对应的行向量，重新寻找最优行向量并记录最优 适应度函数值；
[0100] S3027、判断迭代次数是否到达所述最大迭代次数，若未到达则回到步骤S4023,否 则停止搜索，确定最优行向量为权值输出。
[0101] 步骤四、根据所述权值系数判断是否保留所述个体神经网络，生成神经网络组合 模型；根据测试样本集测试所述神经网络组合模型，根据阔值调整所述神经网络组合模型； 结合图3进行说明，图3为本实施例中动态阔值调整流程图；
[0102] 步骤四具体包括W下步骤：
[0103] S401、比较所述最优行向量的权值和阔值，若最优行向量的权值大于所述阔值，贝U 保留权值大于阔值的个体神经网络，删除其余神经网络不予考虑；
[0104] S402、根据保留的个体神经网络构成神经网络组合模型；
[0105] S403、将所述测试样本集输入所述神经网络组合模型中，根据相对多数投票原则 确定分类结果，计算分类准确率；
[0106] 如图4所示，图4为本实施例中神经网络模型分类流程图；确定个体神经网络I-N 后，采用相对多数投票原则确定分类结果。
[0107] S404、若所述分类准确率低于预期目标，则对阔值进行修正，按下式在原有阔值基 础上引入修正量5调整：
[0108] th (i+1) = th (i) + 5
[0109] S405、初始阔值大小为生成个体神经网络个数的倒数，返回步骤S401。
[0110] 步骤五、输出最优神经网络组合模型和分类结果。
[0111] 最后应当说明的是：W上实施例仅用于说明本申请的技术方案而非对其保护范 围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应 当理解：本领域技术人员阅读本申请后依然可对申请的【具体实施方式】进行种种变更、修改 或者等同替换，但送些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
【主权项】
1. 一种基于神经网络的电网业务分类方法，其特征在于；所述方法包括W下步骤：1. 预处理数据集； II、 根据个体网络训练集训练并生成η个体神经网络，5《η《12 ; III、 根据网络选择训练集确定所述个体神经网络的权值系数； IV、 根据所述权值系数判断是否保留所述个体神经网络，生成神经网络组合模型；根据 测试样本集测试所述神经网络组合模型，根据阔值调整所述神经网络组合模型； V、 输出最优神经网络组合模型和分类结果。2. 如权利要求1所述的一种基于神经网络的电网业务分类方法，其特征在于；所述步 骤I中，获取电网业务中的数据作为待处理数据，剔除所述待处理数据中有误数据，将剩余 所述划分为个体网络训练集、网络选择训练集和测试样本集； 所述网络选择训练集和所述测试样本集的数据个数相等，所述个体网络训练集的个数 是所述网络选择训练集或所述测试样本集个数的3至5倍。3. 如权利要求1所述的一种基于神经网络的电网业务分类方法，其特征在于；所述步 骤III包括W下步骤： 5301、 所述网络选择训练集输入训练后的所述个体神经网络，计算并保存各个体神经 网络的适应度函数值； 5302、 运用改进的CS算法确定所述个体神经网络的权值系数。4. 如权利要求3所述的一种基于神经网络的电网业务分类方法，其特征在于；所述步 骤S302包括W下步骤： 53021、 初始化所述CS算法的参数，包括发现概率Ρ。、最大迭代次数itermax和生成的 行向量个数cnt ; 53022、 根据所述行向量个数cnt和所述个体神经网络确定行向量个数η随机生成 cntXn的矩阵，确定所述行向量中大于元素阔值的元素所对应个体神经网络的适应度函数 值，根据所述适应度函数值寻找最优行向量； 53023、 根据所述行向量按下式生成行向量一：式中，表示在第t次迭代时的第i个行向量；α为动态步长调节因子，α = I s-best II，S为任意行向量皆，best为所述最优行向量；Lev5K λ )为Levy飞行随机路 径，LevyU)~u = t 1(1 < λ《^，k为化1)之间的随机数，f服从柯西分布； 53024、 确定所述行向量一的适应度函数值，若所述行向量一的适应度函数值大于原所 述行向量的适应度函数值，则所述行向量一替换原行向量及对应的适应度函数值，在替换 后的行向量中根据适应度函数值确定最优行向量； 53025、 随机生成cntXn的矩阵二，所述矩阵二的元素与所述发现概率P。对比，保留所 述发现概率较小的分量，将其他分量加入随机扰动，获得行向量二； 53026、 判断所述行向量二的适应度函数值是否大于所述步骤S4024中最优行向量的 适应度函数值，若大于则用行向量二替换对应的行向量，重新寻找最优行向量并记录最优 适应度函数值； S3027、判断迭代次数是否到达所述最大迭代次数，若未到达则回到步骤S3023,否则停 止搜索，确定最优行向量为所述个体神经网络的权值系数。5.如权利要求1所述的一种基于神经网络的电网业务分类方法，其特征在于；所述步 骤IV包括W下步骤： 5401、 比较所述权值系数和阔值，若所述权值系数大于所述阔值，则保留权值大于阔值 的个体神经网络，删除其余神经网络不予考虑； 5402、 根据保留的个体神经网络构成神经网络组合模型； 5403、 将所述测试样本集输入所述神经网络组合模型中，根据相对多数投票原则确定 分类结果，计算分类准确率； 5404、 若所述分类准确率低于预期目标，按下式调整所述阔值th(i): th (i+1) = th (i) + δ 式中，δ为修正量，th(i)为原阔值，所述阔值的初始大小为所述个体神经网络个数的 倒数； 5405、 返回步骤S401。
【专利摘要】本发明提供了一种基于神经网络的电网业务分类方法，该方法包括以下步骤：I、数据集预处理及分类；II、用个体网络训练集训练并生成指定数量的个体神经网络；III、用网络选择训练集确定所述个体神经网络的权值系数；IV、根据所述权值系数判断是否保留所述个体神经网络，生成神经网络组合模型；V、用测试样本集对模型进行测试，结合阈值调整神经网络组合，VI、输出最优神经网络组合模型及分类结果。该方法基于一种改进的CS算法对个体神经网络进行选择，并结合神经网络特点，生成神经网络组合模型，提高了选择的效率和准确度，从而在处理电网业务数据和识别业务类型的时候更精确、高效。
【IPC分类】G06N3/02, G06Q10/06, G06Q50/06
【公开号】CN105701591
【申请号】CN201410713214
【发明人】胡静, 华俊, 宋铁成, 刘世栋, 王瑶, 郭云飞, 王文革, 缪巍巍, 何金陵, 李伟
【申请人】国家电网公司, 中国电力科学研究院, 国网河南省电力公司, 江苏省电力公司信息通信分公司, 东南大学
【公开日】2016年6月22日
【申请日】2014年11月28日