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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims description 43
- 238000013528 artificial neural network Methods 0.000 title claims description 33
- 239000002245 particle Substances 0.000 claims description 77
- 238000003062 neural network model Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- -1 electricity Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- 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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。)
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。
表1
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。
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。
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。
実施例3
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。
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。
Claims (10)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。) - 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。 - 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。 - 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。
- 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。
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)
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)
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)
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 |
-
2018
- 2018-10-22 CN CN201811227348.9A patent/CN109255498A/zh active Pending
-
2019
- 2019-09-25 JP JP2021514399A patent/JP7412423B2/ja active Active
- 2019-09-25 US US17/256,235 patent/US20210133536A1/en active Pending
- 2019-09-25 SG SG11202102669PA patent/SG11202102669PA/en unknown
- 2019-09-25 WO PCT/CN2019/107945 patent/WO2020082973A1/zh active Application Filing
- 2019-09-25 EP EP19877422.6A patent/EP3822880A4/en not_active Ceased
Patent Citations (1)
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)
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 |