针对Elman神经网络，初始权值阈值盲目随机性的缺点。采用天鹰算法对ELman的阈值和权值进行优化。利用电力负荷预测模型进行测试，结果表明改进后的神经网络预测性能更佳。
利用人工神经网络对电力系统负荷进行预测，实际上是利用人工神经网络可以以任意精度逼近任一非线性函数的特性及通过学习历史数据建模的优点。而在各种人工神经网络中， 反馈式神经网络又因为其具有输入延迟，进而适合应用于电力系统负荷预测。根据负荷的历史数据，选定反馈神经网络的输入、输出节点，来反映电力系统负荷运行的内在规律，从而达到预测未来时段负荷的目的。因此，用人工神经网络对电力系统负荷进行预测 ，首要的问题是确定神经网络的输入、输出节点，使其能反映电力负荷的运行规律。
一般来说，电力系统的负荷高峰通常出现在每天的 9～ 19 时之间 ，本案对每天上午的逐时负荷进行预测 ，即预测每天 9 ～ 11 时共 3 小时的负荷数据。电力系统负荷数据如下表所列，表中数据为真实数据，已经经过归 一化 。
| 时间 | 负荷数据 | 负荷数据 | 负荷数据 |
| ---------- | -------- | -------- | -------- |
| 2008.10.10 | 0.1291 | 0.4842 | 0.7976 |
| 2008.10.11 | 0.1084 | 0.4579 | 0.8187 |
| 2008.10.12 | 0.1828 | 0.7977 | 0.743 |
| 2008.10.13 | 0.122 | 0.5468 | 0.8048 |
| 2008.10.14 | 0.113 | 0.3636 | 0.814 |
| 2008.10.15 | 0.1719 | 0.6011 | 0.754 |
| 2008.10.16 | 0.1237 | 0.4425 | 0.8031 |
| 2008.10.17 | 0.1721 | 0.6152 | 0.7626 |
| 2008.10.18 | 0.1432 | 0.5845 | 0.7942 |
利用前 8 天的数据作为网络的训练样本，每 3 天的负荷作为输入向量，第 4 天的负荷作为目标向量。这样可以得到 5 组训练样本。第 9 天的数据作为网络的测试样本，验证网络能否合理地预测出当天的负荷数据 。
适应度函数设计为测试集的绝对误差和
结果来看，3个时刻点，改进-Elman均比原始结果Elman好，误差更小。
3.代码获取
