CN108182490A - 一种大数据环境下的短期负荷预测方法 - Google Patents
一种大数据环境下的短期负荷预测方法 Download PDFInfo
- Publication number
- CN108182490A CN108182490A CN201711442212.5A CN201711442212A CN108182490A CN 108182490 A CN108182490 A CN 108182490A CN 201711442212 A CN201711442212 A CN 201711442212A CN 108182490 A CN108182490 A CN 108182490A
- Authority
- CN
- China
- Prior art keywords
- neural network
- weights
- threshold value
- particle
- value
- 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.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005194 fractionation Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000002407 reforming Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本发明公开了一种大数据环境下的短期负荷预测方法,采用Hadoop架构对海量数据进行分布式存储和处理,提高了负荷预测速度。本发明用改进后的粒子群算法优化传统BP神经网络,提高了负荷预测精度。
Description
技术领域
本发明涉及短期负荷预测技术,特别是涉及一种大数据环境下的短期负荷预测方法。
背景技术
电力***负荷预测水平成为衡量电力***管理现代化的标志之一。短期负荷预测是电力负荷预测的重要组成部分。随着电力市场不断改革,电力***短期负荷预测的精度直接影响电网及发电厂的经济效益。
现有预测方法仍具有一定的局限性。传统的BP神经网络学习过程收敛速度慢、容易陷入局部极小点,鲁棒性不好。同时,随着智能电网的大力发展,发电、输电、调度等环节涌现出海量数据,大数据的环境下对预测速度和精度提出了更高的要求,传统的BP神经网络预测方法在海量数据的情况下,由于需要为每个测试点寻找近邻,运算量很大,单机运算的时间很长。
发明内容
发明目的:本发明的目的是提供一种大数据环境下的短期负荷预测方法,能够有效解决大数据环境下负荷预测的精度和运算速度问题。
技术方案:本发明所述的大数据环境下的短期负荷预测方法,包括以下步骤:
S1:获取历史负荷数据集;
S2:利用基于Hadoop架构的MapReduce数据处理***,将负荷数据集拆分为小型数据集,存储在分布式文件***的各个数据节点中;
S3:构建BP神经网络,初始化BP神经网络参数;
S4:利用粒子群算法对BP神经网络的初始参数进行优化,得到权值和阈值上传到分布式文件***中;
S5:在Map阶段,读取分布式文件***中的参数,包括权值、阈值,在每个子任务开始时,还原BP神经网络;依据子任务所分配数据进行BP神经网络的输入信号的正向传递和误差信号的反向传播,获取BP神经网络的权值、阈值在当前数据集下的修正量,并依据键值对形式作为Reduce阶段的输入参数;
S6:在Reduce阶段,BP神经网络对所有数据集训练后,依据输入层、隐含层以及输出层神经元相应的键值对<key,value>中的key值,统计全体负荷数据样本训练结束后对各神经元权值、阈值的影响量,将结果输出至分布式文件***中;
S7:判断当前迭代任务下,是否达到收敛精度或达到预先设定的迭代次数;若是,依据BP神经网络的输入层、隐含层和输出层的层数,及其分布式文件***中权值、阈值参数,建立分布式BP神经网络模型;若不是,进行BP神经网络权值、阈值参数的修正;
S8:依据分布式BP神经网络模型,输入预测日数据进行预测,得到预测日的负荷功率数据。
进一步,所述步骤S4中,利用粒子群算法对BP神经网络的初始参数进行优化的具体过程为:将BP神经网络的初始权值和阈值集合映射为粒子群,即设粒子群的位置元素是BP神经网络的所有节点之间的连接权值和阈值,每次迭代求出粒子群最优的权值和阈值,最终得到全局最优的权值和阈值,赋予BP神经网络;粒子群的速度和位置更新方程为:
式(1)中,ω(t)为第t次迭代的惯性权重因子;c1和c2同为学习因子或同为加速常数;r1和r2同为[0,1]范围内的均匀随机数;vid为第i个粒子第d维的速度,xid为第i个粒子第d维的位置,pid为第i个粒子经历过的最优位置,pgd为整个粒子群经历过的最优位置。
进一步,所述步骤S5中,获取BP神经网络的权值、阈值在当前数据集下的修正量的过程为:
设误差指标函数为:
式(2)中,Yi为第i个样本期望的网络输出向量;Yi′为第i个样本实际的网络输出向量;p为样本数目;w为网络权值和阈值所组成的向量;ei(w)为第i个样本的误差;
设wk表示第k次迭代的权值和阈值所组成的向量,新的权值和阈值所组成的向量wk +1=wk+Δw;权值增量Δw计算公式如下:
Δw=[JT(w)J(w)+μI]-1JT(w)e(w) (3)
式(3)中,I为单位矩阵;λ为用户定义的学习率;e(w)为误差;J(w)为Jacobian矩阵,即:
式(4)中,wn为第n次迭代权值和阈值所组成的向量。
进一步,所述ω(t)通过下式得到:
ω(t)=μω(t-1)(1-ω(t-1)) (5)
式(5)中,μ为混沌理论参数;
进一步,所述步骤S4具体包括以下步骤:
S4.1:设置粒子群参数,包括粒子数、最大迭代次数,适应度误差限、惯性权重和学习因子;
S4.2:初始化所有粒子的速度和位置;
S4.3:以均方误差为适应度函数计算各粒子的适应度函数值,并进行步骤S4.4和步骤S4.5的判断;
S4.4:如果粒子的当前适应度函数值比其历史最优值好,则用当前位置替代历史最优位置;
S4.5:如果粒子的历史最优值比全局最优值好,则用该粒子的历史最优值替代全局最优值;
S4.6:对每个粒子进行速度和位置的更新;
S4.7:检查粒子的速度和位置是否超出设置的范围:如果超出范围,则用边界值作为粒子的速度和位置;
S4.8:迭代次数加1,检查是否达到结束条件:如果达到,则停止迭代,输出权值和阈值;否则,转到步骤S4.3;
S4.9:用得到的权值和阈值构建BP神经网络模型。
进一步,所述步骤S4.8中,结束条件为:达到最大迭代次数或者达到最小误差要求。
有益效果:本发明公开了一种大数据环境下的短期负荷预测方法,采用Hadoop架构对海量数据进行分布式存储和处理,提高了负荷预测速度;用改进后的粒子群算法优化传统BP神经网络,提高了负荷预测精度。
附图说明
图1为本发明具体实施方式中BP神经网络的结构图;
图2为本发明具体实施方式中MapReduce的工作流程图;
图3为本发明具体实施方式中S4的流程图。
具体实施方式
下面结合具体实施方式和附图,对本发明的技术方案做进一步的介绍。
本具体实施方式公开了一种大数据环境下的短期负荷预测方法,包括以下步骤:
S1:获取历史负荷数据集。
S2:利用基于Hadoop架构的MapReduce数据处理***,将负荷数据集拆分为小型数据集,存储在分布式文件***的各个数据节点中。
S3:构建如图1所示的BP神经网络,初始化BP神经网络参数。
S4:利用粒子群算法对BP神经网络的初始参数进行优化,得到权值和阈值。
S5:Hadoop的工作流程如图2所示,首先将S4中的权值和阈值存储在分布式文件***中,根据工作节点的数量进行数据拆分。
S6:在Map阶段,读取分布式文件***中的参数,包括权值、阈值,在每个子任务开始时,还原BP神经网络;依据子任务所分配数据进行BP神经网络的输入信号的正向传递和误差信号的反向传播,获取BP神经网络的权值、阈值在当前数据集下的修正量,并依据键值对形式作为Reduce阶段的输入参数。
S7:在Reduce阶段,BP神经网络对所有数据集训练后,依据输入层、隐含层以及输出层神经元相应的键值对<key,value>中的key值,统计全体负荷数据样本训练结束后对各神经元权值、阈值的影响量,将结果输出至分布式文件***中。
S8:判断当前迭代任务下,是否达到收敛精度或达到预先设定的迭代次数;若是,依据BP神经网络的输入层、隐含层和输出层的层数,及其分布式文件***中权值、阈值参数,建立分布式BP神经网络模型;若不是,进行BP神经网络权值、阈值参数的修正。
S9:依据分布式BP神经网络模型,输入预测日数据进行预测,得到预测日的负荷功率数据。
图1为一个典型的三层BP神经网络的结构图,假设输入神经元个数为M,隐含层神经元个数为I,输出层神经元个数为J。输入层第m个神经元记为am,隐含层第i个神经元记为ki输出层第j个神经元记为yj。从am到ki的连接权值为wmi,从ki到yj的连接权值为wij。
(1)输入信号的正向传递过程
依据图1中BP神经网络的结构图,输入层的输出等于网络的输入信号:
vm M(n)=a(n).
隐含层第i个神经元的输入等于vm M(n)的加权和:
假设f(·)为隐含层函数,则隐含层第i个神经元的输出等于:
vi I(n)=f(ui I(n))
输出层第j个神经元的输入等于vi I(n)的加权和:
假设g(·)为输出层函数,输出层第j个神经元的输出等于:
vj J(n)=g((uj J(n))
输出层第j个神经元的误差:
ej(n)=dj(n)-vj J(n)
网络的总误差:
(2)误差信号的反向传播过程
首先由输出层开始逐层计算各层神经元的输出误差,然后根据误差水平采用Levenberg-Marquardt(LM)算法调节各层的权值和阈值,使调节后网络映射的最终输出能接近期望值。
步骤S5中,LM法获取BP神经网络的权值、阈值在当前数据集下的修正量的过程为:
设误差指标函数为:
式(2)中,Yi为第i个样本期望的网络输出向量;Yi′为第i个样本实际的网络输出向量;p为样本数目;w为网络权值和阈值所组成的向量;ei(w)为第i个样本的误差;
设wk表示第k次迭代的权值和阈值所组成的向量,新的权值和阈值所组成的向量wk +1=wk+Δw;权值增量Δw计算公式如下:
Δw=[JT(w)J(w)+λI]-1JT(w)e(w) (3)
式(3)中,I为单位矩阵;λ为用户定义的学习率;e(w)为误差;J(w)为Jacobian矩阵,即:
式(4)中,wn为第n次迭代权值和阈值所组成的向量。
步骤S4中,利用粒子群算法对BP神经网络的初始参数进行优化的具体过程为:将BP神经网络的初始权值和阈值集合映射为粒子群,即设粒子群的位置元素是BP神经网络的所有节点之间的连接权值和阈值,每次迭代求出粒子群最优的权值和阈值,最终得到全局最优的权值和阈值,赋予BP神经网络;粒子群的速度和位置更新方程为:
式(1)中,ω(t)为第t次迭代的惯性权重因子;c1和c2同为学习因子或同为加速常数;r1和r2同为[0,1]范围内的均匀随机数;vid为第i个粒子第d维的速度,xid为第i个粒子第d维的位置,pid为第i个粒子经历过的最优位置,pgd为整个粒子群经历过的最优位置。
ω(t)通过下式得到:
ω(t)=μω(t-1)(1-ω(t-1)) (5)
式(5)中,μ为混沌理论参数。
如图3所示,步骤S4具体包括以下步骤:
S4.1:设置粒子群参数,包括粒子数、最大迭代次数,适应度误差限、惯性权重和学习因子;
S4.2:初始化所有粒子的速度和位置;
S4.3:以均方误差为适应度函数计算各粒子的适应度函数值,并进行步骤S4.4和步骤S4.5的判断;
S4.4:如果粒子的当前适应度函数值比其历史最优值好,则用当前位置替代历史最优位置;
S4.5:如果粒子的历史最优值比全局最优值好,则用该粒子的历史最优值替代全局最优值;
S4.6:对每个粒子进行速度和位置的更新;
S4.7:检查粒子的速度和位置是否超出设置的范围:如果超出范围,则用边界值作为粒子的速度和位置;
S4.8:迭代次数加1,检查是否达到结束条件:如果达到,则停止迭代,输出权值和阈值;否则,转到步骤S4.3;
S4.9:用得到的权值和阈值构建BP神经网络模型。
步骤S4.8中,结束条件为:达到最大迭代次数或者达到最小误差要求。
Claims (6)
1.一种大数据环境下的短期负荷预测方法,其特征在于:包括以下步骤:
S1:获取历史负荷数据集;
S2:利用基于Hadoop架构的MapReduce数据处理***,将负荷数据集拆分为小型数据集,存储在分布式文件***的各个数据节点中;
S3:构建BP神经网络,初始化BP神经网络参数;
S4:利用粒子群算法对BP神经网络的初始参数进行优化,得到权值和阈值上传到分布式文件***中;
S5:在Map阶段,读取分布式文件***中的参数,包括权值、阈值,在每个子任务开始时,还原BP神经网络;依据子任务所分配数据进行BP神经网络的输入信号的正向传递和误差信号的反向传播,获取BP神经网络的权值、阈值在当前数据集下的修正量,并依据键值对形式作为Reduce阶段的输入参数;
S6:在Reduce阶段,BP神经网络对所有数据集训练后,依据输入层、隐含层以及输出层神经元相应的键值对<key,value>中的key值,统计全体负荷数据样本训练结束后对各神经元权值、阈值的影响量,将结果输出至分布式文件***中;
S7:判断当前迭代任务下,是否达到收敛精度或达到预先设定的迭代次数;若是,依据BP神经网络的输入层、隐含层和输出层的层数,及其分布式文件***中权值、阈值参数,建立分布式BP神经网络模型;若不是,进行BP神经网络权值、阈值参数的修正;
S8:依据分布式BP神经网络模型,输入预测日数据进行预测,得到预测日的负荷功率数据。
2.根据权利要求1所述的大数据环境下的短期负荷预测方法,其特征在于:所述步骤S4中,利用粒子群算法对BP神经网络的初始参数进行优化的具体过程为:将BP神经网络的初始权值和阈值集合映射为粒子群,即设粒子群的位置元素是BP神经网络的所有节点之间的连接权值和阈值,每次迭代求出粒子群最优的权值和阈值,最终得到全局最优的权值和阈值,赋予BP神经网络;粒子群的速度和位置更新方程为:
式(1)中,ω(t)为第t次迭代的惯性权重因子;c1和c2同为学习因子或同为加速常数;r1和r2同为[0,1]范围内的均匀随机数;vid为第i个粒子第d维的速度,xid为第i个粒子第d维的位置,pid为第i个粒子经历过的最优位置,pgd为整个粒子群经历过的最优位置。
3.根据权利要求1所述的大数据环境下的短期负荷预测方法,其特征在于:所述步骤S5中,获取BP神经网络的权值、阈值在当前数据集下的修正量的过程为:
设误差指标函数为:
式(2)中,Yi为第i个样本期望的网络输出向量;Yi′为第i个样本实际的网络输出向量;p为样本数目;w为网络权值和阈值所组成的向量;ei(w)为第i个样本的误差;
设wk表示第k次迭代的权值和阈值所组成的向量,新的权值和阈值所组成的向量wk+1=wk+Δw;权值增量Δw计算公式如下:
Δw=[JT(w)J(w)+μI]-1JT(w)e(w) (3)
式(3)中,I为单位矩阵;μ为用户定义的学习率;e(w)为误差;J(w)为Jacobian矩阵,即:
式(4)中,wu为第n次迭代权值和阈值所组成的向量,1≤u≤n。
4.根据权利要求2所述的大数据环境下的短期负荷预测方法,其特征在于:所述ω(t)通过下式得到:
ω(t)=μω(t-1)(1-ω(t-1)) (5)
式(5)中,μ为混沌理论参数。
5.根据权利要求1所述的大数据环境下的短期负荷预测方法,其特征在于:所述步骤S4具体包括以下步骤:
S4.1:设置粒子群参数,包括粒子数、最大迭代次数,适应度误差限、惯性权重和学习因子;
S4.2:初始化所有粒子的速度和位置;
S4.3:以均方误差为适应度函数计算各粒子的适应度函数值,并进行步骤S4.4和步骤S4.5的判断;
S4.4:如果粒子的当前适应度函数值比其历史最优值好,则用当前位置替代历史最优位置;
S4.5:如果粒子的历史最优值比全局最优值好,则用该粒子的历史最优值替代全局最优值;
S4.6:对每个粒子进行速度和位置的更新;
S4.7:检查粒子的速度和位置是否超出设置的范围:如果超出范围,则用边界值作为粒子的速度和位置;
S4.8:迭代次数加1,检查是否达到结束条件:如果达到,则停止迭代,输出权值和阈值;否则,转到步骤S4.3;
S4.9:用得到的权值和阈值构建BP神经网络模型。
6.根据权利要求5所述的大数据环境下的短期负荷预测方法,其特征在于:所述步骤S4.8中,结束条件为:达到最大迭代次数或者达到最小误差要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711442212.5A CN108182490A (zh) | 2017-12-27 | 2017-12-27 | 一种大数据环境下的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711442212.5A CN108182490A (zh) | 2017-12-27 | 2017-12-27 | 一种大数据环境下的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108182490A true CN108182490A (zh) | 2018-06-19 |
Family
ID=62547567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711442212.5A Pending CN108182490A (zh) | 2017-12-27 | 2017-12-27 | 一种大数据环境下的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182490A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068759A (zh) * | 2019-05-22 | 2019-07-30 | 四川华雁信息产业股份有限公司 | 一种故障类型获得方法及装置 |
CN110262897A (zh) * | 2019-06-13 | 2019-09-20 | 东北大学 | 一种基于负载预测的Hadoop计算任务初始分配方法 |
CN111353582A (zh) * | 2020-02-19 | 2020-06-30 | 四川大学 | 一种基于粒子群算法的分布式深度学习参数更新方法 |
CN111695667A (zh) * | 2020-05-27 | 2020-09-22 | 江苏信息职业技术学院 | 基于MapReduce的分布式粒子群分簇算法 |
CN112231489A (zh) * | 2020-10-19 | 2021-01-15 | 中国科学技术大学 | 防疫机器人知识学习与迁移方法和*** |
CN113065693A (zh) * | 2021-03-22 | 2021-07-02 | 哈尔滨工程大学 | 一种基于径向基神经网络的车流量预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN104715282A (zh) * | 2015-02-13 | 2015-06-17 | 浙江工业大学 | 一种基于改进pso-bp神经网络的数据预测方法 |
CN106022521A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
CN106372756A (zh) * | 2016-09-07 | 2017-02-01 | 南京工程学院 | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 |
CN106777449A (zh) * | 2016-10-26 | 2017-05-31 | 南京工程学院 | 基于二进制粒子群算法的配电网络重构方法 |
CN106779177A (zh) * | 2016-11-28 | 2017-05-31 | 国网冀北电力有限公司唐山供电公司 | 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 |
CN107301475A (zh) * | 2017-06-21 | 2017-10-27 | 南京信息工程大学 | 基于连续功率谱分析的电力负荷预测优化方法 |
CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
-
2017
- 2017-12-27 CN CN201711442212.5A patent/CN108182490A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103164742A (zh) * | 2013-04-02 | 2013-06-19 | 南京邮电大学 | 一种基于粒子群优化神经网络的服务器性能预测方法 |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN104715282A (zh) * | 2015-02-13 | 2015-06-17 | 浙江工业大学 | 一种基于改进pso-bp神经网络的数据预测方法 |
CN106022521A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 |
CN106229964A (zh) * | 2016-07-22 | 2016-12-14 | 南京工程学院 | 一种基于改进二进制粒子群算法的配电网故障定位方法 |
CN106372756A (zh) * | 2016-09-07 | 2017-02-01 | 南京工程学院 | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 |
CN106777449A (zh) * | 2016-10-26 | 2017-05-31 | 南京工程学院 | 基于二进制粒子群算法的配电网络重构方法 |
CN106779177A (zh) * | 2016-11-28 | 2017-05-31 | 国网冀北电力有限公司唐山供电公司 | 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 |
CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
CN107301475A (zh) * | 2017-06-21 | 2017-10-27 | 南京信息工程大学 | 基于连续功率谱分析的电力负荷预测优化方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110068759A (zh) * | 2019-05-22 | 2019-07-30 | 四川华雁信息产业股份有限公司 | 一种故障类型获得方法及装置 |
CN110068759B (zh) * | 2019-05-22 | 2021-11-09 | 华雁智能科技(集团)股份有限公司 | 一种故障类型获得方法及装置 |
CN110262897A (zh) * | 2019-06-13 | 2019-09-20 | 东北大学 | 一种基于负载预测的Hadoop计算任务初始分配方法 |
WO2020248226A1 (zh) * | 2019-06-13 | 2020-12-17 | 东北大学 | 一种基于负载预测的Hadoop计算任务初始分配方法 |
CN110262897B (zh) * | 2019-06-13 | 2023-01-31 | 东北大学 | 一种基于负载预测的Hadoop计算任务初始分配方法 |
CN111353582A (zh) * | 2020-02-19 | 2020-06-30 | 四川大学 | 一种基于粒子群算法的分布式深度学习参数更新方法 |
CN111695667A (zh) * | 2020-05-27 | 2020-09-22 | 江苏信息职业技术学院 | 基于MapReduce的分布式粒子群分簇算法 |
CN112231489A (zh) * | 2020-10-19 | 2021-01-15 | 中国科学技术大学 | 防疫机器人知识学习与迁移方法和*** |
CN112231489B (zh) * | 2020-10-19 | 2021-11-02 | 中国科学技术大学 | 防疫机器人知识学习与迁移方法和*** |
CN113065693A (zh) * | 2021-03-22 | 2021-07-02 | 哈尔滨工程大学 | 一种基于径向基神经网络的车流量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182490A (zh) | 一种大数据环境下的短期负荷预测方法 | |
CN109102126B (zh) | 一种基于深度迁移学习的理论线损率预测模型 | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN108694467B (zh) | 一种对配电网线损率进行预测的方法及*** | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
Gill et al. | Training back propagation neural networks with genetic algorithm for weather forecasting | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN107704875A (zh) | 基于改进ihcmac神经网络的建筑负荷预测方法和装置 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
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 | |
CN109445935A (zh) | 云计算环境下一种高性能大数据分析***自适应配置方法 | |
CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测***及其方法 | |
CN111723839B (zh) | 一种基于边缘计算的台区线损率预测方法 | |
CN106296044B (zh) | 电力***风险调度方法和*** | |
CN109614580A (zh) | 基于在线Xgboost算法的抗震混合试验模型更新方法 | |
CN108171319A (zh) | 网络连接自适应深度卷积模型的构建方法 | |
CN112633577A (zh) | 一种短期家庭用电负荷预测方法、***、存储介质及设备 | |
CN108805346A (zh) | 一种基于多隐层极限学习机的热连轧轧制力预报方法 | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域***负荷预测方法 | |
CN116340006A (zh) | 一种基于深度学习的算力资源空闲预测方法和存储介质 | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和*** | |
CN110163419A (zh) | 一种中小河流流域洪水预报的方法 | |
CN109190749A (zh) | 一种用于智能电表寿命的预测方法及装置 | |
Showkati et al. | Short term load forecasting using echo state networks | |
CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180619 |