JP7412423B2 - ニューラルネットワークによる負荷予測方法及び装置 - Google Patents

ニューラルネットワークによる負荷予測方法及び装置 Download PDF

Info

Publication number
JP7412423B2
JP7412423B2 JP2021514399A JP2021514399A JP7412423B2 JP 7412423 B2 JP7412423 B2 JP 7412423B2 JP 2021514399 A JP2021514399 A JP 2021514399A JP 2021514399 A JP2021514399 A JP 2021514399A JP 7412423 B2 JP7412423 B2 JP 7412423B2
Authority
JP
Japan
Prior art keywords
neural network
network model
initial
swarm
model
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.)
Active
Application number
JP2021514399A
Other languages
English (en)
Other versions
JP2022502735A (ja
Inventor
信 黄
勝偉 劉
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.)
Ennew Digital Technology Co Ltd
Original Assignee
Ennew Digital Technology Co Ltd
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 Ennew Digital Technology Co Ltd filed Critical Ennew Digital Technology Co Ltd
Publication of JP2022502735A publication Critical patent/JP2022502735A/ja
Application granted granted Critical
Publication of JP7412423B2 publication Critical patent/JP7412423B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Description

本発明は、通信分野に関し、特に、ニューラルネットワークによる負荷予測方法及び装置に関する。
現在の技術では、エネルギー（例えば蒸気）の供給需要家は工業、商業、住民、事務などに分けられ、異なる需要家の蒸気負荷、負荷レベル、負荷の特徴がすべて異なる。負荷予測の正確性は、スケジューリングの最適化、運用戦略に関わる。エネルギー予測を事前に行うことで、ユーザーの実ユーザーを保証するとともに、エネルギーの無駄を減らすことができる。
従来技術において、負荷予測の方法は多く、例えば指数平滑化、Ａｒｉｍａ、ニューラルネットワークなどであるが、単一の負荷予測アルゴリズムは予測の正確性がよくなく、予測の偏差が大きく、後期のスケジューリングの最適化に不利である。
上記のような従来技術の問題について、有効な解決策は見出されていないのが現状である。
本発明の実施例はニューラルネットワークによる負荷予測方法及び装置を提供する。
本発明の一実施例によれば、ニューラルネットワークによる負荷予測方法を提供し、
予測すべき時間帯を受信するステップと、
前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力するステップであって、前記ニューラルネットワークモデルは、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ取得されたラジアルベースニューラルネットワークＲＢＦであるステップと、
前記ニューラルネットワークモデルを用いて、前記時間帯におけるエネルギー負荷値を予測するステップと、
を含む。
前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力する前に、前記方法は、
第三者から前記ニューラルネットワークモデルを取得するステップと、
サンプルデータを用いてトレーニングされ、ニューラルネットワークモデルを取得するステップと、をさらに含んでもよい。
サンプルデータを用いてトレーニングされ、ニューラルネットワークモデルを取得するステップは、
初期モデルのトポロジーを決定するステップであって、前記トポロジーが、入力層、隠れ層、出力層を含むステップと、
前記初期モデルのパラメータを符号化し、初期粒子群を得るステップであって、前記パラメータは、ラジアルベース関数の中心パラメータ、分散パラメータ、隠れ層の重みパラメータ、出力層の重みパラメータを含み、各パラメータが１つの粒子であるステップと、
初期粒子群を復号化し、前記初期モデルの初期パラメータを得るステップと、
前記初期パラメータを前記初期モデルに割り当て、ＲＢＦネットワークモデルを得るステップと、
トレーニングサンプルおよびテストサンプルを用いて前記ＲＢＦネットワークモデルを最適化するステップと、を含んでもよい。
トレーニングサンプルおよびテストサンプルを用いて前記ＲＢＦネットワークモデルを最適化するステップは、
トレーニングサンプルとテストサンプルをそれぞれ前記ＲＢＦネットワークモデルに入力し、テスト値と期待値を得るステップと、
前記予測値と前記期待値とからなる誤差行列のノルムを適応度値として選択するステップと、
群れ内の粒子を、適応度値を用いて更新するステップと、を含んでもよい。
前記適応度値を用いて前記群れ内の粒子を更新するステップは、
群れ中の粒子の速度及び位置を更新するステップと、
前記適応度値を用いて群れ中の粒子のＰｂｅｓｔを更新し、前記適応度値を用いて群れ中の粒子のＧｂｅｓｔを更新するステップと、
群れ中の粒子に対して変異操作を行い、新しい粒子の適応度値が古い粒子よりも良い場合に、粒子を更新するステップと、を含んでもよい。
群れ中の粒子の速度及び位置を更新するステップは、
下記の式により、群れ中の粒子の速度及び位置を反復更新するステップを含んでもよい。
ｄ＝ １，２，…Ｄ， ｉ＝１，２，…ｎ， ｋは現在の反復回数であり、Ｖｉｄは粒子の速度であり、ｃ１、ｃ２は非負の定数で、加速度係数であり、ｒ１、ｒ２は［０、１］に分布する乱数である。
本発明の他の実施例によれば、ニューラルネットワークによる負荷予測装置を提供し、
予測すべき時間帯を受信する受信モジュールと、
前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力するものであって、前記ニューラルネットワークモデルは、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ取得されたラジアルベースニューラルネットワークＲＢＦである入力モジュールと、
前記ニューラルネットワークモデルを用いて、前記時間帯におけるエネルギー負荷値を予測する予測モジュールと、を含む。
前記装置は、
前記時間帯を、エネルギー負荷を予測ためのニューラルネットワークモデルに前記入力モジュールで入力する前に、初期モデルのトポロジーを決定するためのものであって、前記トポロジーが、入力層、隠れ層、出力層を含む決定モジュールと、
前記初期モデルのパラメータを符号化し、初期粒子群を得るためのものであって、前記パラメータは、ラジアルベース関数の中心パラメータ、分散パラメータ、隠れ層の重みパラメータ、出力層の重みパラメータを含み、各パラメータが１つの粒子である符号化モジュールと、
初期粒子群を復号化し、前記初期モデルの初期パラメータを得るための復号化モジュールと、
前記初期パラメータを前記初期モデルに割り当て、ＲＢＦネットワークモデルを得るための割当モジュールと、
トレーニングサンプルおよびテストサンプルを用いて前記ＲＢＦネットワークモデルを最適化するための最適化モジュールと、をさらに含んでもよい。
本発明の他の実施例によれば、運転時に上記方法実施例のいずれかの一項におけるステップを実行するように設けられるコンピュータプログラムが記憶される記憶媒体をさらに提供する。
本発明の他の実施例によれば、メモリとプロセッサとを含む電子装置をさらに提供し、前記メモリには、コンピュータプログラムが記憶され、前記プロセッサは、上記方法実施例のいずれかの一項におけるステップを実行するように、前記コンピュータプログラムを実行するように設けられる。
本発明によれば、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ得られたラジアルベースニューラルネットワークを用いてエネルギー負荷値を予測し、ハイブリッド粒子群やラジアルベースニューラルネットワークの汎化能力が強く、ネットワーク近似精度が高いなどの利点を取り入れることで、ニューラルネットワークモデルの最適な初期重み及びバイアスを最適化し、従来技術において単一の負荷予測アルゴリズムを採用してエネルギー負荷を予測する際の精度が低いという技術問題を解決し、予測偏差を縮小し、エネルギー負荷を予測する精度を向上させる。
ここで説明される図面は、本発明のさらなる理解を提供するために使用され、本願の一部を構成し、本発明の例示的な実施形態およびその説明は、本発明を解釈するためのものであり、本発明を不当に限定するものを構成することではない。図面において、
本発明の実施例に係るニューラルネットワークによる負荷予測ネットワーク端末のハードウェア構成ブロック図である。 本発明の実施例に係るニューラルネットワークによる負荷予測方法のフローチャートである。 本発明の実施例に係るニューラルネットワークによる負荷予測装置の構成ブロック図である。
本発明の方案を当業者により良く理解させるために、以下、本発明の実施例における添付図面と合わせて、本発明の実施例における技術案を明確かつ完全に説明するが、明らかに、説明される実施例は、単に本発明の一部の実施例に過ぎなく、全ての実施例ではない。本発明の実施例により、当業者が創造的な労働を行うことなく得られる他の全ての実施例は、ともに本発明の範囲に属するものとする。
なお、本発明の明細書及び特許請求の範囲並びに上記図面中の「第一」、「第二」等の用語は、類似のものを区別するためのものであり、特定の順序又は前後の順序を記載するために用いられる必要がない。このように使用されるデータは、ここで説明される本発明の実施例が、ここで図示または説明されるもの以外の順序で実施され得るように、適宜に交換可能であることを理解されたい。さらに、用語「含む」および「有する」、ならびにそれらの任意の変形は、排他的でない包含をカバーすることを意図しており、例えば、一連のステップ又はユニットを含むプロセス、方法、システム、製品又は装置は、必ずしも明確に列挙されたステップ又はユニットに限定されるものではなく、むしろ、明確に記載されていないもの、またはこれらのプロセス、方法、製品や装置に固有の他のステップまたはユニットを含むことができる。
実施例１
本出願の実施例１によって提供される方法実施例は、サーバ、ネットワーク端末、コンピュータ端末、または同様の演算装置において実行されてもよい。図１は、ネットワーク端末上で稼働する例として、本発明の実施例に係るニューラルネットワークによる負荷予測ネットワーク端末のハードウェア構成ブロック図である。図１に示すように、ネットワーク端末１０は、１つ以上（図１で１つのみ図示）のプロセッサ１０２（プロセッサ１０２は、マイクロプロセッサＭＣＵまたはプログラマブル論理デバイスＦＰＧＡなどの処理装置を含むことができるが、これらに限定されない）と、データを格納するためのメモリ１０４とを含んでもよい。あるいは、上記ネットワーク端末は、通信機能のための伝送装置１０６および入出力装置１０８をさらに含むことができる。図１に示す構成は単なる例示であり、上述ネットワーク端末の構成を限定するものではないことは当業者に理解される。例えば、ネットワーク端末１０は、図１に示す構成よりも多くまたは少ない部材を含んでもよいし、図１に示す構成とは異なる構成を有してもよい。
メモリ１０４は、コンピュータプログラムを格納するために用いられ、例えば、本発明の実施例におけるニューラルネットワークによる負荷予測方法に対応するコンピュータプログラムのようなアプリケーションのソフトウェアプログラム及びモジュール等であり、プロセッサ１０２は、メモリ１０４に格納されたコンピュータプログラムを実行することにより、様々な機能アプリケーションおよびデータ処理を実行する。メモリ１０４は、高速ランダムメモリを含んでもよいし、１つ以上の磁気記憶装置、フラッシュメモリ、または他の不揮発性固体メモリなどの不揮発性メモリを含んでもよい。いくつかの例では、メモリ１０４は、プロセッサ１０２に対して遠隔的に設置されたメモリをさらに含むことができ、これらの遠隔メモリは、ネットワークを介してネットワーク端末１０に接続されることができる、。上記ネットワークの例としては、インターネット、イントラネット、ローカルエリアネットワーク、移動通信ネット、及びこれらの組み合わせが挙げられるが、これらに限定されない。
伝送装置１０６は、ネットワークを介してデータの送受信を行うために用いられる。上述ネットワークの具体例としては、ネットワーク端末１０の通信プロバイダによって提供される無線ネットワークを含んでもよい。一例では、伝送装置１０６は、基地局を介して他のネットワークデバイスと接続されることでインターネットと通信可能なネットワークアダプタ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｏｎｔｒｏｌｌｅｒ，ＮＩＣと略称する）を含む。一例では、伝送装置１０６は、無線でインターネットと通信するためのラジオ周波数（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ，ＲＦと略称する）モジュールであってもよい。
本実施例では、ニューラルネットワークによる負荷予測方法を提供し、図２は、本発明の実施例に係るニューラルネットワークによる負荷予測方法のフローチャートである。図２に示すように、この流れは、
予測すべき時間帯を受信するステッＳ２０２プと、
時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力するステップであって、ニューラルネットワークモデルは、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ取得されたラジアルベースニューラルネットワークＲＢＦ（Ｒａｄｉａｌ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ，ＲＢＦ）であるステップＳ２０４と、
ニューラルネットワークモデルを用いて、時間帯におけるエネルギー負荷値を予測するステップＳ２０６と、を含む。
以上の手順により、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ得られたラジアルベースニューラルネットワークを採用してエネルギー負荷値を予測し、ハイブリッド粒子群やラジアルベースニューラルネットワークの汎化能力が強く、ネットワーク近似精度が高いなどの利点を取り入れることで、ニューラルネットワークモデルの最適な初期重み及びバイアスを最適化し、従来技術において単一の負荷予測アルゴリズムを採用してエネルギー負荷を予測する際の精度が低いという技術問題を解決し、予測偏差を縮小し、エネルギー負荷を予測する精度を向上させる。
上記ステップの実行主体は、データ処理装置、サーバ、端末等であってもよく、具体的には、プロセッサ、アルゴリズムモジュール等であってもよいが、これらに限定されない。
本実施例の適用シーンとしては、エネルギー予測、流量予測等の人工知能のシーンに適用することができ、エネルギーは具体的に、熱エネルギーであってもよいし、水、電気、ガス等の消耗性エネルギーであってもよい。本実施例のモデルは、以下のように想定される。
天気や温度、発停状態などの負荷への影響を考慮せず、
負荷データは時系列、変数１は時間（入力）、変数２は負荷値（出力）である。
本実施例では、時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力する前に、このニューラルネットモデルを設置する必要があり、例えば、サプライヤーから購入するように、第三者からニューラルネットワークモデルを取得すること、サンプルデータを用いてトレーニングされ、ニューラルネットワークモデルを取得することと、を含む。
本実施例の他の実施形態では、サンプルデータを用いてトレーニングされ、ニューラルネットワークモデルを取得するステップは、
初期モデルのトポロジーを決定するステップであって、トポロジーが、入力層、隠れ層、出力層を含むステップＳ１１と、
初期モデルのパラメータを符号化し、初期粒子群を得るステップであって、パラメータは、ラジアルベース関数の中心パラメータ、分散パラメータ、隠れ層の重みパラメータ、出力層の重みパラメータを含み、各パラメータが１つの粒子であるステップＳ１２と、
初期粒子群を復号化し、初期モデルの初期パラメータを得るステップＳ１３と、
初期パラメータを初期モデルに割り当て、ＲＢＦネットワークモデルを得るステップＳ１４（この際のＲＢＦネットワークモデルは初級のネットワークモデルで、さらにトレーニング及び最適化が行われることができる）と、
トレーニングサンプルおよびテストサンプルを用いてＲＢＦネットワークモデルを最適化するステップＳ１５と、を含む。まずトレーニングサンプルを用いてＲＢＦネットワークモデルをトレーニングしてから、テストサンプルを用いてＲＢＦネットワークモデルをテストする。
ニューラルネットワークのアルゴリズムの重みとバイアスは、［－０．５，０．５］区間の乱数をランダムに初期化することである。このような初期化パラメータは、ネットワークトレーニングに与える影響が大きく、これらのパラメータを如何に適当かつ正確に取得または設定するのは、本実施例の一実施形態である。本実施例ではハイブリッド粒子群とラジアルベースニューラルネットワークを導入することにより、汎化能力が強く、ネットワーク近似精度が高いなどの利点を有し、それによって最適な初期重みとバイアスを最適化する。
トレーニングサンプルおよびテストサンプルを用いてＲＢＦネットワークモデルを最適化するステップは、トレーニングサンプルとテストサンプルをそれぞれＲＢＦネットワークモデルに入力し、テスト値と期待値を得るステップと、予測値と期待値とからなる誤差行列のノルムを適応度値として選択するステップと、群れ内の粒子を、適応度値を用いて更新するステップと、を含んでもよい。
本実施例において、パーティクルアルゴリズム更新に関わるパラメータは、速度、位置、Ｐｂｅｓｔ、群れのＧｂｅｓｔなどである。適応度値を用いて前記群れ内の粒子を更新するステップは、
群れ中の粒子の速度及び位置を更新するステップＳ２１と、
（一つの選択可能な実施案のうち、群れ中の粒子の速度及び位置を更新するステップは、
下記の式により、群れ中の粒子の速度及び位置を反復更新するステップを含む。
ｄ＝ １，２，…Ｄ， ｉ＝１，２，…ｎ， ｋは現在の反復回数であり、Ｖｉｄは粒子の速度であり、ｃ１、ｃ２は非負の定数で、加速度係数であり、ｒ１、ｒ２は［０、１］に分布する乱数である。）
適応度値を用いて群れ中の粒子のＰｂｅｓｔを更新し、適応度値を用いて群れ中の粒子のＧｂｅｓｔを更新するステップＳ２２と、
（群れの中の個体に対して最適なクロスオーバーを行い、個体粒子はＰｂｅｓｔ粒子とクロスオーバーを行うことで更新し、クロスオーバー方法として整数クロスオーバーが用いられ、まず２つのクロスオーバー位置を選定してから、個体とＰｂｅｓｔをクロスオーバーし、得られた新個体に対して優れた個体を保留する戦略を採用し、新粒子の適応度値が元粒子の適応度値よりも大きい場合のみに粒子を更新する。一方、適応度値を用いて群れ中の粒子のＧｂｅｓｔを更新する場合に、群れを最適にクロスオーバーする手順は、第８操作と類似するが、ただＰｂｅｓｔをＧｂｅｓｔに置き換える。）
群れ中の粒子に対して変異操作を行い、新しい粒子の適応度値が古い粒子よりも良い場合に、粒子を更新するステップＳ２３と、を含む。
（群れ中の粒子操作に対して変異操作を行い、変異操作として個体内の２桁入れ替え方法が用いられ、まず変異位置ｐｏｓ１とｐｏｓ２をランダムに選択してから、２つの変異位置を入れ替える。得られた新個体に対して優れた個体を保留する戦略を採用し、新粒子は元粒子よりも適応度値が良い場合のみに粒子を更新する。）
新たな群れが得られた後、例えば、最大反復回数に達し、限定未満の誤差を満たしたかどうかなどの終了条件を判断する。
実際の作業では、本実施例のエネルギー予測モデルを検証するために、３０日間の熱負荷予測値（１日２４時間、１時間あたり１つの熱負荷値に対応し、合計７２０点を実験データとし、このうち２０日間のデータをトレーニングセットデータとし、残りの１０日間のデータをテストデータセットとした。実験効果の評価指標として平均相対誤差ＭＡＰＥ、ルート平均二乗誤差ＲＭＳＥ、偏差率ＤＲ（ｄｅｖｉａｔｉｏｎｒａｔｅ）を選んだ。
平均相対誤差ＭＡＰＥ：
ルート平均二乗誤差ＲＭＳＥ：
偏差率ＤＲ：
ただし、ｙｔは真の値を表し、ｙｄは予測値を表し、ｎはサンプル数を表す。
得られた指標データを表１に示す。
表１
以上のデータ指標から、本実施例のアルゴリズムモデルの効果は明らかであり、ラジアルベースニューラルネットワークのみを用いたアルゴリズムの提案よりも優れていることがわかる。
なお、前述した各方法実施例については、説明を簡単にするため、一連の動作の組み合わせとして説明したが、当業者であれば、本発明によれば、特定のステップを他の順序で、または同時に実施することができるので、本発明は説明された動作順序に限定されない。次に、本明細書に記載されている実施例の全てが好ましい実施例に属し、関わる動作およびモジュールが本発明に必要であるとは限らないことも当業者には理解されるであろう。
以上の実施の形態の説明から当業者には明らかなように、上述した実施例の方法は、ソフトウェアに必要な汎用ハードウェアプラットフォームを付加して実現することも可能であるし、もちろん、ハードウェアによって実現してもよいが、前者の方がより好ましい実施形態である場合が多い。このような理解によれば、本発明の技術案は、本質的または先行技術に寄与する部分が、ソフトウェア製品として具現化することができる。このコンピュータソフトウェア製品は、記憶媒体（例えば、ＲＯＭ／ＲＡＭ、磁気ディスク、光ディスクなど）に格納され、いくつかの命令を含んで、１台の端末装置（携帯電話、コンピュータ、サーバ、またはネットワークデバイスなどであってもよい）が、本発明の様々な実施例の方法を実行する。
実施例２
本実施例では、上述した実施例および好適な実施形態を実現するためのニューラルネットワークによる負荷予測装置も提供されている。説明したのでここで省略する。以下で使用されるように、用語「モジュール」は、所定の機能のソフトウェアおよび／またはハードウェアの組み合わせを実現することができる。以下の実施例に記載される装置は、ソフトウェアでよく実現されるが、ハードウェア、またはソフトウェアとハードウェアとの組み合わせの実現も可能であり、想定される。
図３は、本発明の実施例に係るニューラルネットワークによる負荷予測装置の構成ブロック図であり、図３に示すように、この装置は、
予測すべき時間帯を受信する受信モジュール３０と、
前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力するものであって、前記ニューラルネットワークモデルは、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ取得されたラジアルベースニューラルネットワークＲＢＦである入力モジュール３２と、
前記ニューラルネットワークモデルを用いて、前記時間帯におけるエネルギー負荷値を予測する予測モジュール３４と、を含む。
前記装置は、前記時間帯を、エネルギー負荷を予測ためのニューラルネットワークモデルに前記入力モジュールで入力する前に、初期モデルのトポロジーを決定するためのものであって、前記トポロジーが、入力層、隠れ層、出力層を含む決定モジュールと、前記初期モデルのパラメータを符号化し、初期粒子群を得るためのものであって、前記パラメータは、ラジアルベース関数の中心パラメータ、分散パラメータ、隠れ層の重みパラメータ、出力層の重みパラメータを含み、各パラメータが１つの粒子である符号化モジュールと、初期粒子群を復号化し、前記初期モデルの初期パラメータを得るための復号化モジュールと、前記初期パラメータを前記初期モデルに割り当て、ＲＢＦネットワークモデルを得るための割当モジュールと、
トレーニングサンプルおよびテストサンプルを用いて前記ＲＢＦネットワークモデルを最適化するための最適化モジュールと、をさらに含んでもよい。
なお、上記各モジュールは、ソフトウェアまたはハードウェアにより実現することができ、後者については、以下のように実現することができるが、これらに限定されるものではない。上記モジュールは、いずれも同一のプロセッサに存在する。あるいは、上記各モジュールは、任意の組み合わせでそれぞれ異なるプロセッサに存在する。
実施例３
本発明の実施例は、運転時に上記方法実施例のいずれかの一項におけるステップを実行するように設けられるコンピュータプログラムが記憶される記憶媒体をさらに提供する。
本実施例において、上記記憶媒体は、
予測すべき時間帯を受信するステップＳ１と、
前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力するステップであって、前記ニューラルネットワークモデルは、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ取得されたラジアルベースニューラルネットワークＲＢＦであるステップＳ２と、
前記ニューラルネットワークモデルを用いて、前記時間帯におけるエネルギー負荷値を予測するステップＳ３と、
を実行するためのコンピュータプログラムが記憶されるように設置されてもよい。
本実施例において、上記記憶媒体は、限定するものではないが、Ｕディスク、読み取り専用メモリ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ，ＲＯＭと略称する）、ランダム・アクセス・メモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ，ＲＡＭと略称する）、リムーバブルハードディスク、磁気ディスク、または光ディスクなど、コンピュータプログラムを記憶可能な各種媒体であってもよい。
本発明の実施例は、メモリとプロセッサとを含む電子装置をさらに提供し、該メモリには、コンピュータプログラムが記憶され、該プロセッサは、上記方法実施例のいずれかの一項におけるステップを実行するように、前記コンピュータプログラムを実行するように設けられる。
上記電子機器は、上記プロセッサに接続された伝送装置と、上記プロセッサに接続された入出力装置とをさらに備えてもよい。
本実施例において、上記プロセッサは、
予測すべき時間帯を受信するステップＳ１と、
前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力するステップであって、前記ニューラルネットワークモデルは、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ取得されたラジアルベースニューラルネットワークＲＢＦであるステップＳ２と、
前記ニューラルネットワークモデルを用いて、前記時間帯におけるエネルギー負荷値を予測するステップＳ３と、
をコンピュータプログラムにより実行するように設置されてもよい。
本実施例における具体例については、上述した実施例および他の実施の形態において説明した例を参照してもよいので、ここで説明を省略する。
当業者には明らかなように、上述した本発明の各モジュールまたは各ステップは、汎用な演算装置で実施されることができ、単一の演算装置に集中してもよく、あるいは、複数の演算装置で構成されるネットワーク上に分散されてもよい。演算装置で実行可能なプログラムコードで実現されることができ、よって、記憶装置に記憶されて演算装置で実行されるようにしてもよい。また、図示または説明されたステップは、場合によって、本明細書とは異なる順序で実行されてもよいし、各集積回路モジュールとして個別に作製されてもよいし、それらうちの複数のモジュールまたはステップを単一の集積回路モジュールとして作製され実現されてもよい。このように、本発明は、何ら特定のハードウェアとソフトウェアの組み合わせに限定されない。
以上の説明は本発明の好ましい実施例に過ぎず、本発明を限定するものではなく、当業者には様々な変更及び変化が可能である。本発明の原理の範囲内であれば、行った何ら補正、同等置換、改良などが、いずれも本発明の保護範囲内であるべきである。

Claims (10)

  1. ニューラルネットワークによる負荷予測方法において、
    予測すべき時間帯を受信するステップと、
    前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力するステップであって、前記ニューラルネットワークモデルは、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ取得されたラジアルベースニューラルネットワークＲＢＦであるステップと、
    前記ニューラルネットワークモデルを用いて、前記時間帯におけるエネルギー負荷値を予測するステップと、
    を含むことを特徴とするニューラルネットワークによる負荷予測方法。
  2. 前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力する前に、前記方法は、
    第三者から前記ニューラルネットワークモデルを取得するステップと、
    サンプルデータを用いてトレーニングされ、ニューラルネットワークモデルを取得するステップと、
    をさらに含むことを特徴とする請求項１に記載の方法。
  3. サンプルデータを用いてトレーニングされ、ニューラルネットワークモデルを取得するステップは、
    初期モデルのトポロジーを決定するステップであって、前記トポロジーが、入力層、隠れ層、出力層を含むステップと、
    前記初期モデルのパラメータを符号化し、初期粒子群を得るステップであって、前記パラメータは、ラジアルベース関数の中心パラメータ、分散パラメータ、隠れ層の重みパラメータ、出力層の重みパラメータを含み、各パラメータが１つの粒子であるステップと、
    初期粒子群を復号化し、前記初期モデルの初期パラメータを得るステップと、
    前記初期パラメータを前記初期モデルに割り当て、ＲＢＦネットワークモデルを得るステップと、
    トレーニングサンプルおよびテストサンプルを用いて前記ＲＢＦネットワークモデルを最適化するステップと、
    を含むことを特徴とする請求項２に記載の方法。
  4. トレーニングサンプルおよびテストサンプルを用いて前記ＲＢＦネットワークモデルを最適化するステップは、
    トレーニングサンプルとテストサンプルをそれぞれ前記ＲＢＦネットワークモデルに入力し、テスト値と期待値を得るステップと、
    予測値と前記期待値とからなる誤差行列のノルムを適応度値として選択するステップと、
    群れ内の粒子を、適応度値を用いて更新するステップと、
    を含むことを特徴とする請求項３に記載の方法。
  5. 前記適応度値を用いて前記群れ内の粒子を更新するステップは、
    群れ中の粒子の速度及び位置を更新するステップと、
    前記適応度値を用いて群れ中の粒子のＰｂｅｓｔを更新し、前記適応度値を用いて群れ中の粒子のＧｂｅｓｔを更新するステップと、
    群れ中の粒子に対して変異操作を行い、新しい粒子の適応度値が古い粒子よりも良い場合に、粒子を更新するステップと、
    を含むことを特徴とする請求項４に記載の方法。
  6. 群れ中の粒子の速度及び位置を更新するステップは、
    下記の式により、群れ中の粒子の速度及び位置を反復更新するステップを含むことを特徴とする請求項５に記載の方法。
    ｄ＝ １，２，…Ｄ， ｉ＝１，２，…ｎ， ｋは現在の反復回数であり、Ｖｉｄは粒子の速度であり、ｃ１、ｃ２は非負の定数で、加速度係数であり、ｒ１、ｒ２は［０、１］に分布する乱数である。）
  7. ニューラルネットワークによる負荷予測装置であって、
    予測すべき時間帯を受信する受信モジュールと、
    前記時間帯を、エネルギー負荷を予測するためのニューラルネットワークモデルに入力するものであって、前記ニューラルネットワークモデルは、ハイブリッド粒子群アルゴリズムに基づいてトレーニングされ取得されたラジアルベースニューラルネットワークＲＢＦである入力モジュールと、
    前記ニューラルネットワークモデルを用いて、前記時間帯におけるエネルギー負荷値を予測する予測モジュールと、
    を含むことを特徴とする装置。
  8. 前記時間帯を、エネルギー負荷を予測ためのニューラルネットワークモデルに前記入力モジュールで入力する前に、初期モデルのトポロジーを決定するためのものであって、前記トポロジーが、入力層、隠れ層、出力層を含む決定モジュールと、
    前記初期モデルのパラメータを符号化し、初期粒子群を得るためのものであって、前記パラメータは、ラジアルベース関数の中心パラメータ、分散パラメータ、隠れ層の重みパラメータ、出力層の重みパラメータを含み、各パラメータが１つの粒子である符号化モジュールと、
    初期粒子群を復号化し、前記初期モデルの初期パラメータを得るための復号化モジュールと、
    前記初期パラメータを前記初期モデルに割り当て、ＲＢＦネットワークモデルを得るための割当モジュールと、
    トレーニングサンプルおよびテストサンプルを用いて前記ＲＢＦネットワークモデルを最適化するための最適化モジュールと、
    をさらに含むことを特徴とする請求項７に記載の装置。
  9. 前記請求項１から６のいずれか一項に記載の方法を実行するように設けられるコンピュータプログラムが記憶されることを特徴とする記憶媒体。
  10. メモリとプロセッサとを含む電子装置であって、前記メモリには、コンピュータプログラムが記憶され、前記プロセッサは、前記請求項１から６のいずれか一項に記載の方法を実行するように、前記コンピュータプログラムを実行するように設けられることを特徴とする電子装置。
JP2021514399A 2018-10-22 2019-09-25 ニューラルネットワークによる負荷予測方法及び装置 Active JP7412423B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201811227348.9 2018-10-22
CN201811227348.9A CN109255498A (zh) 2018-10-22 2018-10-22 基于神经网络的负荷预测方法及装置
PCT/CN2019/107945 WO2020082973A1 (zh) 2018-10-22 2019-09-25 基于神经网络的负荷预测方法及装置

Publications (2)

Publication Number Publication Date
JP2022502735A JP2022502735A (ja) 2022-01-11
JP7412423B2 true JP7412423B2 (ja) 2024-01-12

Family

ID=65045713

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021514399A Active JP7412423B2 (ja) 2018-10-22 2019-09-25 ニューラルネットワークによる負荷予測方法及び装置

Country Status (6)

Country Link
US (1) US20210133536A1 (ja)
EP (1) EP3822880A4 (ja)
JP (1) JP7412423B2 (ja)
CN (1) CN109255498A (ja)
SG (1) SG11202102669PA (ja)
WO (1) WO2020082973A1 (ja)

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255498A (zh) * 2018-10-22 2019-01-22 新智数字科技有限公司 基于神经网络的负荷预测方法及装置
CN110525592B (zh) * 2019-07-12 2021-03-02 深圳市人工智能与机器人研究院 一种能量管理方法及装置
CN110376879B (zh) * 2019-08-16 2022-05-10 哈尔滨工业大学（深圳） 一种基于神经网络的pid型迭代学习控制方法
CN111950696A (zh) * 2020-06-29 2020-11-17 燕山大学 一种基于降维和改进神经网络的短期电力负荷预测方法
CN112149903B (zh) * 2020-09-22 2022-04-08 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 基于bp神经网络算法的火电机组一次调频分析与优化方法
CN112613637A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 充电负荷的处理方法和装置
CN113240161B (zh) * 2021-04-27 2024-06-14 中国石油天然气股份有限公司 净现值预测模型建立方法、装置、存储介质及电子设备
CN113486933B (zh) * 2021-06-22 2023-06-27 中国联合网络通信集团有限公司 模型训练方法、用户身份信息预测方法及装置
CN113780517A (zh) * 2021-08-10 2021-12-10 北京自动化控制设备研究所 一种数据驱动的卫星接收机故障预测方法
CN113656890A (zh) * 2021-08-10 2021-11-16 北京理工大学 一种基于混合径向基函数神经网络的飞行器优化方法
CN113638305A (zh) * 2021-08-16 2021-11-12 福建九鼎建设集团有限公司 一种铅挤压复合旋叶式粘滞阻尼器及其应用方法
CN113688570B (zh) * 2021-08-25 2023-11-10 国网江苏省电力有限公司 园区综合能源***自动运行的实现方法、装置及设备
CN113723593B (zh) * 2021-08-26 2024-01-09 国网山东省电力公司济南供电公司 一种基于神经网络的切负荷预测方法及***
CN113657814B (zh) * 2021-09-03 2022-07-19 北京航空航天大学 一种航空网络风险预测方法及风险等级评估方法
CN113792845A (zh) * 2021-09-07 2021-12-14 未鲲(上海)科技服务有限公司 基于元学习的预测模型训练方法、装置、电子设备及介质
CN114118543A (zh) * 2021-11-11 2022-03-01 新智我来网络科技有限公司 基于联合学习的烟气含氧量负荷预测方法及装置
WO2023082788A1 (zh) * 2021-11-11 2023-05-19 新智我来网络科技有限公司 烟气含氧量负荷预测方法、预测模型选择方法、烟气排放预测方法及装置
CN114180023B (zh) * 2021-12-08 2023-09-01 中国船舶集团有限公司第七一六研究所 基于负荷预测算法的多能源船舶控制管理方法及装置
CN114189475B (zh) * 2021-12-15 2024-03-19 中国电信股份有限公司 网络负荷优化方法和装置、计算机存储介质、电子设备
CN115242428B (zh) * 2022-06-08 2024-05-31 大连大学 一种基于优化cw-rnn的网络安全态势预测方法
CN114896852B (zh) * 2022-06-13 2024-06-28 山东大学 基于pso-bp神经网络的换流变压器缩比模型振动参数预测方法
CN115099142B (zh) * 2022-06-22 2024-07-02 国网安徽省电力有限公司电力科学研究院 基于模型预测的碳控排企业能量优化调度方法
CN115049038A (zh) * 2022-07-01 2022-09-13 科大智能电气技术有限公司 园区负荷预测模型寻优方法及***、设备及可读存储介质
CN115481788B (zh) * 2022-08-31 2023-08-25 北京建筑大学 相变储能***负荷预测方法及***
CN115730701B (zh) * 2022-10-17 2023-08-22 淮阴工学院 一种适用于小型用能场所电力调度设备的负荷预测方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729685A (zh) 2013-12-02 2014-04-16 国电南瑞科技股份有限公司 基于改进rbf神经网络的光伏电站群区域功率预测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498457B (zh) * 2009-03-02 2010-08-25 杭州电子科技大学 一种锅炉燃烧优化的方法
US9020874B2 (en) * 2011-10-31 2015-04-28 Siemens Aktiengesellschaft Short-term load forecast using support vector regression and feature learning
CN104361393B (zh) * 2014-09-06 2018-02-27 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
CN106920008A (zh) * 2017-02-28 2017-07-04 山东大学 一种基于改进粒子群优化bp神经网络的风电功率预测方法
CN108416103A (zh) * 2018-02-05 2018-08-17 武汉大学 一种串联混合动力电动汽车交直流变换器的故障诊断方法
US11244195B2 (en) * 2018-05-01 2022-02-08 Adobe Inc. Iteratively applying neural networks to automatically identify pixels of salient objects portrayed in digital images
CN109255498A (zh) * 2018-10-22 2019-01-22 新智数字科技有限公司 基于神经网络的负荷预测方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729685A (zh) 2013-12-02 2014-04-16 国电南瑞科技股份有限公司 基于改进rbf神经网络的光伏电站群区域功率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LU, Ning et al.，"Particle Swarm Optimization-Based RBF Neural Network Load Forecasting Model"，2009 Asia-Pacific Power and Energy Engineering Conference [online]，IEEE，2009年03月，［2023年08月22日検索］，インターネット＜ＵＲＬ：https://ieeexplore.ieee.org/document/4918588＞，Electronic ISSN: 2157-4847，DOI: 10.1109/APPEEC.2009.4918588
RAZA, M. Q. et al.，"A review on short term load forecasting using hybrid neural network techniques"，2012 IEEE International Conference on Power and Energy (PECon) [online]，IEEE，2012年12月，p. 846-851，［2023年08月22日検索］，インターネット＜ＵＲＬ：https://ieeexplore.ieee.org/document/6450336＞，Electronic ISBN:978-1-4673-5019-8，DOI: 10.1109/PECon.2012.6450336
花田一磨，"ラジアル基底関数ネットワークを用いた八戸工業大学の毎時電力需要予測"，電気学会全国大会講演論文集，2010年03月05日，Vol. 6，p. 70

Also Published As

Publication number Publication date
WO2020082973A1 (zh) 2020-04-30
JP2022502735A (ja) 2022-01-11
EP3822880A1 (en) 2021-05-19
EP3822880A4 (en) 2021-09-08
CN109255498A (zh) 2019-01-22
US20210133536A1 (en) 2021-05-06
SG11202102669PA (en) 2021-04-29

Similar Documents

Publication Publication Date Title
JP7412423B2 (ja) ニューラルネットワークによる負荷予測方法及び装置
CN112882815B (zh) 基于深度强化学习的多用户边缘计算优化调度方法
Mao et al. Routing or computing? The paradigm shift towards intelligent computer network packet transmission based on deep learning
CN112286677B (zh) 一种面向资源受限边缘云的物联网应用优化部署方法
CN104158855B (zh) 基于遗传算法的移动服务组合计算卸载方法
CN107766135A (zh) 移动朵云中基于粒子群和模拟退火优化的任务分配方法
CN108416465B (zh) 一种移动云环境下的工作流优化方法
Park Structure optimization of BiLinear Recurrent Neural Networks and its application to Ethernet network traffic prediction
CN109447270A (zh) 一种用电设备智能控制方法及***、计算机设备及介质
Gupta et al. Wideband digital integrators and differentiators designed using particle swarm optimisation
CN106610867B (zh) 一种片上网络任务调度方法及装置
CN113239639B (zh) 策略信息生成方法、装置、电子装置和存储介质
Farooq et al. Intelligent energy prediction techniques for fog computing networks
CN111342458A (zh) 一种基于有序优化算法的配电网两级重构的方法和装置
CN106712050B (zh) 一种基于改进蛙跳算法的电网无功优化方法及装置
Anita et al. Solution of unit commitment problem using shuffled frog leaping algorithm
CN111126707A (zh) 能耗方程构建、能耗预测方法与装置
CN109543879A (zh) 基于神经网络的负荷预测方法及装置
WO2009059370A1 (en) Methods and apparatus for resource management
CN115102195B (zh) 一种基于农村电网的三相负荷不平衡治理方法及装置
Anita et al. Solution of emission constrained unit commitment problem using shuffled frog leaping algorithm
Saravanan et al. India's electricity demand estimation using Genetic Algorithm
Haroon et al. Short‐term hydrothermal coordination using water cycle algorithm with evaporation rate
Xue et al. Nonlinear system identification with modified differential evolution and RBF networks
Wena et al. Multistage human resource allocation for software development by multiobjective genetic algorithm

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220825

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230801

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230829

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231110

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231205

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231226

R150 Certificate of patent or registration of utility model

Ref document number: 7412423

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150