CN107886160A - 一种bp神经网络区间需水预测方法 - Google Patents
一种bp神经网络区间需水预测方法 Download PDFInfo
- Publication number
- CN107886160A CN107886160A CN201711005684.4A CN201711005684A CN107886160A CN 107886160 A CN107886160 A CN 107886160A CN 201711005684 A CN201711005684 A CN 201711005684A CN 107886160 A CN107886160 A CN 107886160A
- Authority
- CN
- China
- Prior art keywords
- neural network
- water
- data
- prediction
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000004088 simulation Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于贝叶斯准则的BP神经网络区间需水预测方法,首先通过聚类算法对历史用水量样本数据进行合理化分类,得到用水样本数据多个不同的相似状态,然后通过基于贝叶斯准则的BP神经网络区间预测模型进行预测,输出多个预测值,再结合历史预测误差概率分布,得到需水量概率性区间预测结果,还可以根据输出的区间预测结果中预测值上下限求取区间中值进行点预测。与传统的预测方法相比,本发明的方法改善了局部极小化的问题,并且收敛速度更快,需水预测的结果更加准确,精度更高。
Description
技术领域
本发明涉及一种基于贝叶斯准则的反向传播(Back Propagation,BP)神经网络区间需水预测方法,属于水资源管理和通信网络技术领域。
背景技术
水是人类活动不可缺少的重要资源,随着社会经济的发展、人口的增加、人类对水资源需求的提高及水资源的日益短缺等,水资源供需矛盾更加突出,因此,进行合理有效的水资源需求预测已成了各个国家和地区进行水资源规划的主要任务。
基于恩格尔系数的需水预测方法把恩格尔定律运用到生活用水量预测上面,来反映城市生活用水的变化;基于时间序列法的需水预测方法以历史用水样本数据为基础,来反映未来用水的发展规律,进行引伸外推,预测其发展趋势;BP神经网络需水预测方法主要利用人工神经网络的特点进行预测,BP神经网络具有非线性映射能力,能预测非线性数据,自学习和自适应能力强,能够自动提取数据和输出数据,容错能力强,在局部或部分数据受到干扰后不会影响最后的需水预测结果。
经分析,发现现有技术存在如下缺点:基于恩格尔系数的需水预测方法所预测的个别年份的相对误差较大,对非线性数据预测不准确;基于时间序列法的需水预测方法不能定量反映诸多因素对需水量的定量影响,而且当遇到外界环境发生较大变化时,预测结果往往会有较大偏差;BP神经网络需水预测方法容易陷入局部极小化,神经网络算法的收敛速度比较慢,数据在传递过程中存在不确定性。而且上述水需求预测方法所得到的预测结果都是确定性的,只给出一个确定的数值,属于点预测,其共同的缺点是无法确定预测结果可能的波动范围。
发明内容
基于此,本发明提出一种具有较高的预测精度和预测鲁棒性的方法,即基于贝叶斯准则的BP神经网络区间需水预测方法,该方法先通过聚类算法对不同的用水样本数据进行归类,得到多个不同的相似状态数据,然后输入到BP神经网络预测模型中,输出得到多个预测值,再结合历史预测误差概率分布,最后得到需水量概率性区间预测结果。
本发明还将该方法与传统BP预测方法进行对比,结果显示本发明的需水预测方法更加有效,精确度更高,而且本发明的区间预测方法对应了一定程度的概率置信水平,能描述未来预测结果的可能范围。
本发明采用下述的技术方案:
一种基于贝叶斯准则的BP(Back Propagation,反向传播)神经网络区间需水预测方法,其特征在于该方法包括如下步骤:首先通过聚类算法对历史用水量样本数据进行合理化分类,得到用水样本数据多个不同的相似状态,然后通过基于贝叶斯准则的BP神经网络区间预测模型进行预测,输出多个预测值,再结合历史预测误差概率分布,得到需水量概率性区间预测结果。
所述基于贝叶斯准则的BP神经网络区间预测模型的工作步骤包括:
(1)将筛选后的若干个用水样本数据的相似状态进行归一化处理,初始化BP神经网络的结构和参数;
(2)BP神经网络初始化权值和阈值;
(3)选择和函数与核参数,构造似然函数;
(4)利用贝叶斯定理求得权值的高斯分布,得到最佳超参数,确定最优权值和阈值;
(5)对最优权值和阈值进行训练,然后仿真;
(6)对仿真输出的数据进行仿真精度要求的验证,满足仿真精度要求则进行模型验证;
(7)对于经过模型验证满足预测精度要求的预测数据进行误差校正;
(8)转化数据,输出用水数据的预测结果;
(9)若仿真结果不满足仿真精度要求或模型验证结果不满足预测精度要求,返回进行BP神经网络权值和阈值的初始化。
优选地,最佳超参数采用反复迭代的极大似然估计方法得到。
进一步地,根据输出的区间预测结果中预测值的上下限求取区间中值进行点预测。
当外界环境改变时,调整BP神经网络的迭代次数,然后再进行用水数据的训练和仿真。
附图说明
图1是本发明基于贝叶斯准则的BP神经网络区间需水预测方法的流程图;
图2表示基于贝叶斯准则的BP神经网络区间预测模型的具体实施步骤;
图3显示根据本发明的一个具体实施方式得到的预测曲线和实际用水曲线;以及
图4显示根据本发明的另一个具体实施方式得到的预测曲线、根据传统BP神经网络预测方法得到的预测曲线以及实际用水曲线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
本发明的区间需水预测方法的工作流程如图1所示,首先通过聚类算法对历史用水量样本数据进行合理化分类,找到用水样本数据的相似状态,然后通过基于贝叶斯准则的BP神经网络区间预测模型进行预测,输出预测值得到相应的区间预测结果,结合历史预测误差概率分布,得出最后的需水量概率性区间预测结果。
图1中基于贝叶斯准则的BP神经网络预测模型的工作步骤如图2所示:
1、将筛选后的若干个用水样本数据的相似状态进行归一化处理,并且初始化BP神经网络的结构和参数。
2、BP神经网络初始化权值和阈值。
3、选择和函数与核参数,构造似然函数。
4、利用贝叶斯定理求得权值的高斯分布,找到最佳超参数,确定最优权值和阈值。本发明的一个具体实施例采用反复迭代的极大似然估计方法得到最佳超参数,本领域技术人员也可以采用其他方法得到。
5、对最优权值和阈值进行训练,然后仿真。
6、对仿真输出的数据进行仿真精度要求的验证,满足仿真精度要求则进行模型验证。
7、对于经过模型验证满足预测精度要求的预测数据进行误差校正。
8、转化数据,输出用水数据的预测结果。
9、若仿真结果不满足仿真精度要求或模型验证结果不满足预测精度要求,返回进行BP神经网络权值和阈值的初始化。
本发明首先根据聚类算法,将用水样本数据相近的点进行归类筛选,将这些同类相点作为当前预测相点的相似状态,然后将这些相似状态数据输入到基于贝叶斯准则的BP神经网络区间预测模型中,输出的预测值结果经过汇聚得到需水区间预测值曲线。以河北工程大学2017年6月3日的用水量为例,预测结果如图3所示,一天24个时间点的用水实际值全部落在预测值区间内,与传统的点预测相比,本发明所述的需水预测方法有效地进行了区间预测。
本发明还可以根据输出的区间预测结果中预测值上下限求取区间中值进行点预测,并且和传统的BP神经网络预测方法进行了对比,传统的BP神经网络预测方法收敛速度较慢,本发明通过贝叶斯法则优化神经网络的权值和阈值来加快收敛速度。仍然以河北工程大学2017年6月3日的用水量为例,给出两种方法预测的对比图,如图4所示,从图中可以看出,传统的BP神经网络预测方法局部波动较为明显,容易陷入局部极小化,而本发明的预测方法改善了局部极小化的问题,并且经过优化后的基于贝叶斯的BP神经网络预测方法比传统的BP神经网络预测方法更加趋近实际值,收敛速度更快,需水预测的结果更加准确,精度更高。
对于用水样本数据的采集很关键,优选地,在本发明的一个具体实施方式中,采集的数据精确到了一天的24个时刻点;在BP神经网络的迭代过程中,通过贝叶斯法则优化它的权值和阈值来减小传统BP神经网络易陷入局部极小化的情况;通过校正后的区间中值预测来加快BP神经网络的收敛速度。
本发明的技术方法适用于需水区间预测,当外界环境改变时,可以适度调整BP神经网络的迭代次数,然后再进行用水数据的训练和仿真。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,包括但不限于,用水数据相似状态个数增多,区间长度的大小改变等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于贝叶斯准则的BP(Back Propagation,反向传播)神经网络区间需水预测方法,其特征在于该方法包括如下步骤:首先通过聚类算法对历史用水量样本数据进行合理化分类,得到用水样本数据多个不同的相似状态,然后通过基于贝叶斯准则的BP神经网络区间预测模型进行预测,输出多个预测值,再结合历史预测误差概率分布,得到需水量概率性区间预测结果。
2.根据权利要求1所述的方法,所述基于贝叶斯准则的BP神经网络区间预测模型的工作步骤包括:
(1)将筛选后的若干个用水样本数据的相似状态进行归一化处理,初始化BP神经网络的结构和参数;
(2)BP神经网络初始化权值和阈值;
(3)选择和函数与核参数,构造似然函数;
(4)利用贝叶斯定理求得权值的高斯分布,得到最佳超参数,确定最优权值和阈值;
(5)对最优权值和阈值进行训练,然后仿真;
(6)对仿真输出的数据进行仿真精度要求的验证,满足仿真精度要求则进行模型验证;
(7)对于经过模型验证满足预测精度要求的预测数据进行误差校正;
(8)转化数据,输出用水数据的预测结果。
3.根据权利要求2所述的方法,若仿真结果不满足仿真精度要求或模型验证结果不满足预测精度要求,返回进行BP神经网络权值和阈值的初始化。
4.根据权利要求3所述的方法,最佳超参数采用反复迭代的极大似然估计方法得到。
5.根据权利要求3或4所述的方法,进一步地,根据输出的区间预测结果中预测值的上下限求取区间中值进行点预测。
6.根据权利要求4所述的方法,当外界环境改变时,调整BP神经网络的迭代次数,然后再进行用水数据的训练和仿真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711005684.4A CN107886160B (zh) | 2017-10-25 | 2017-10-25 | 一种bp神经网络区间需水预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711005684.4A CN107886160B (zh) | 2017-10-25 | 2017-10-25 | 一种bp神经网络区间需水预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107886160A true CN107886160A (zh) | 2018-04-06 |
CN107886160B CN107886160B (zh) | 2021-03-26 |
Family
ID=61782130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711005684.4A Active CN107886160B (zh) | 2017-10-25 | 2017-10-25 | 一种bp神经网络区间需水预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107886160B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146196A (zh) * | 2018-09-07 | 2019-01-04 | 河北工程大学 | 一种居民社区时用水量预测方法 |
CN109242265A (zh) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109919356A (zh) * | 2019-01-27 | 2019-06-21 | 河北工程大学 | 一种基于bp神经网络区间需水预测方法 |
CN110135555A (zh) * | 2019-03-25 | 2019-08-16 | 东莞理工学院 | 一种水资源承载力的前向神经网络预测模型 |
CN110276700A (zh) * | 2019-06-24 | 2019-09-24 | 北京师范大学 | 水资源优化配置方法、装置、设备及存储介质 |
CN110411034A (zh) * | 2018-09-27 | 2019-11-05 | 深圳市磐石科技工程技术有限公司 | 基于物联网的智能热水出水方法及其*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102319883A (zh) * | 2011-10-09 | 2012-01-18 | 北京首钢自动化信息技术有限公司 | 一种连铸坯质量在线预报的控制方法 |
CN105301453A (zh) * | 2015-08-14 | 2016-02-03 | 许继集团有限公司 | 一种局部放电在线监测预警方法 |
CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
CN106991047A (zh) * | 2017-03-27 | 2017-07-28 | 中国电力科学研究院 | 一种用于对面向对象软件缺陷进行预测的方法及*** |
CN107451682A (zh) * | 2017-07-13 | 2017-12-08 | 中国水利水电科学研究院 | 一种基于神经网络的城市感潮河段生态需水量预测方法 |
-
2017
- 2017-10-25 CN CN201711005684.4A patent/CN107886160B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102319883A (zh) * | 2011-10-09 | 2012-01-18 | 北京首钢自动化信息技术有限公司 | 一种连铸坯质量在线预报的控制方法 |
CN105301453A (zh) * | 2015-08-14 | 2016-02-03 | 许继集团有限公司 | 一种局部放电在线监测预警方法 |
CN105512832A (zh) * | 2015-12-29 | 2016-04-20 | 杭州电子科技大学 | 基于时变权最小方差的城市需水量组合预测方法 |
CN106991047A (zh) * | 2017-03-27 | 2017-07-28 | 中国电力科学研究院 | 一种用于对面向对象软件缺陷进行预测的方法及*** |
CN107451682A (zh) * | 2017-07-13 | 2017-12-08 | 中国水利水电科学研究院 | 一种基于神经网络的城市感潮河段生态需水量预测方法 |
Non-Patent Citations (3)
Title |
---|
冯迎春等: ""基于贝叶斯神经网络的电网超载负荷预测模型优化"", 《电气技术》 * |
占敏等: ""贝叶斯神经网络在城市短期用水预测中的应用"", 《南水北调与水利科技》 * |
宗文婷: ""基于改进高斯过程回归模型的短期负荷区间预测"", 《电力***及其自动化学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242265A (zh) * | 2018-08-15 | 2019-01-18 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109242265B (zh) * | 2018-08-15 | 2022-03-01 | 杭州电子科技大学 | 基于误差平方和最小的城市需水量组合预测方法 |
CN109146196A (zh) * | 2018-09-07 | 2019-01-04 | 河北工程大学 | 一种居民社区时用水量预测方法 |
CN109146196B (zh) * | 2018-09-07 | 2021-07-23 | 河北工程大学 | 一种居民社区时用水量预测方法 |
CN110411034A (zh) * | 2018-09-27 | 2019-11-05 | 深圳市磐石科技工程技术有限公司 | 基于物联网的智能热水出水方法及其*** |
CN110411034B (zh) * | 2018-09-27 | 2022-01-11 | 深圳市磐石科技工程技术有限公司 | 基于物联网的智能热水出水方法及其*** |
CN109919356A (zh) * | 2019-01-27 | 2019-06-21 | 河北工程大学 | 一种基于bp神经网络区间需水预测方法 |
CN109919356B (zh) * | 2019-01-27 | 2023-07-21 | 河北工程大学 | 一种基于bp神经网络区间需水预测方法 |
CN110135555A (zh) * | 2019-03-25 | 2019-08-16 | 东莞理工学院 | 一种水资源承载力的前向神经网络预测模型 |
CN110135555B (zh) * | 2019-03-25 | 2021-02-26 | 东莞理工学院 | 一种水资源承载力的前向神经网络预测模型 |
CN110276700A (zh) * | 2019-06-24 | 2019-09-24 | 北京师范大学 | 水资源优化配置方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107886160B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886160A (zh) | 一种bp神经网络区间需水预测方法 | |
CN102629106B (zh) | 供水控制方法及*** | |
CN103577694B (zh) | 一种基于多尺度分析的水产养殖水质短期组合预测方法 | |
Papageorgiou et al. | Application of fuzzy cognitive maps to water demand prediction | |
CN103365727B (zh) | 一种云计算环境中的主机负载预测方法 | |
Feijóo et al. | Simulation of correlated wind speeds: A review | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
CN106845544A (zh) | 一种基于粒子群与支持向量机的小麦条锈病预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN104182474A (zh) | 一种预流失用户的识别方法 | |
CN107229693A (zh) | 基于深度学习的大数据***配置参数调优的方法和*** | |
CN103793887B (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN106933649A (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及*** | |
CN106779177A (zh) | 基于粒子群优化的多分辨率小波神经网络用电量预测方法 | |
CN106779219A (zh) | 一种用电量预测方法及*** | |
CN110135635A (zh) | 一种区域电力饱和负荷预测方法及*** | |
CN109685265A (zh) | 一种电力***短期电力负荷的预测方法 | |
CN105678397A (zh) | 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN109242169A (zh) | 一种面向电力大客户的短期负荷预测方法 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN107239850A (zh) | 一种基于***动力学模型的中长期电力负荷预测方法 | |
CN109325880A (zh) | 一种基于Verhulst-SVM的中长期负荷预测方法 | |
CN107194460A (zh) | 金融时间序列预测的量子粒子群优化递归神经网络方法 | |
CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |