基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型.pdf

《基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、《电气自动化)2014年第36卷第1期控制理论及其应用ControITheory＆ltsApplications基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型王江荣(兰州石化职业技术学院信息处理与控制工程系，甘肃兰州730060l摘要：针对波动大且具有非平稳性的负荷序列预测问题，建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R．EKalman—G(1，1)一PSO—BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差，以获得逼近真实情况的有效信息的特点，对负荷测量序列进行滤波处理，根据GM(1，1)模型算法

2、对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正，得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1，1)模型及Kalman—G(1，1)模型的预测精度。因此，所建模型具有较高的使用价值。关键词：卡尔曼滤波；G(1，1)模型；预测；PSO算法；BP神经网络DOI：10．3969／j·issn．1000—3886．2014．01．010[中图分类号]TP18[文献标志码]A[文章编号]1000—3886(2014)01—0024—03GrayNeuraINetworkPrediction

3、ModelBasedOnKalmanFilteringandParticleSwarmOptimizationAlgorithmWANGJiang．rong(FacultyofInformationProcessingandControlEngineering，LanzhouPetrochemicalVocationafandTechnicalCollege．LanzhouGansu730060，China)Abstract：Withrespecttothepredictionofvolatileandnon—stationaryl

4、oadsequence，thispaperestablishedagrayneuralnetworkpredictionmodelbasedontheKalmanfilteringandparticleswarmoptimizationalgorithm(R．EKalman—G(1，1)一PSO—BP)．ThemodelusestheKalmanfilteringalgorithmtoeliminaterandomeITorsfromthenon—stationarysequenceandobtainusefulinformatio

5、nclosetotherealsituation，SOthattheloadmeasurementsequenceisfiltered．ThemeasurementsequenceaftersuchfilteringundergoesfittingpredictionaccordingtotheGM(1，1)modelalgorithm．TheresidualerroriscorrectedintheBPneuralnetworkalgorithmbasedontheparticleswainoptimizationtoobtain

6、anewpredictivevalue．PracticeshowsthattheoverallaccuracyofthenewpredictivevalueismuchhigherthanthatofGM(1，1)modelandKalman—G(1，1)mode1．Thus，themodelestablishedinthispaperhasahighvalueinuse．Keywords：Kahnanfiltering；G(1，1)model；prediction；PSOalgorithm；BPneuralnetwork0引言1卡

7、尔曼滤波算法GM(1，1)模型应用于平稳的测量数据列时，效果较好。如果卡尔曼滤波是由一系列递推数学公式描述。其信号模型是测量数据列因外界因素(人为或自然环境)干扰而出现异常数由离散的状态方程和观测方程组成的。。计算步骤是首先根据，使数据曲线发生波动，此时GM(1，1)模型的预测精度就会下据前一时刻的状态估计，由状态方程求出观测时刻的一步预测降。当数据出现异常波动时，一般可用滤波的方法使其平滑J。值。然后，根据当前时刻的实时观测值和验前信息，计算出预测卡尔曼滤波是一种能够从与被提取信号有关的观测量中估计出值的修正值，从而求出最优估计。

8、所需信号的滤波算法，不仅适用于平稳序列滤波，而且特别适用离散信号的状态方程和测量(观测)方程为：X=AkX+k-1一l(1)于非平稳序列的滤波。为了获取较好的预测效果，我们建立了基,Y=CX+(2)于卡尔曼滤波的G(1，1)模型，先对