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 PDF

Info

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
Application number
CN201711442212.5A
Other languages
English (en)
Inventor
李先允
朱骄
朱一骄
王书征
唐昕杰
王建宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201711442212.5A priority Critical patent/CN108182490A/zh
Publication of CN108182490A publication Critical patent/CN108182490A/zh
Pending legal-status Critical Current

Links

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

一种大数据环境下的短期负荷预测方法
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。
CN201711442212.5A 2017-12-27 2017-12-27 一种大数据环境下的短期负荷预测方法 Pending CN108182490A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (11)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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