TW200924343A - Reactive power demand forecasting using feed-forward neural network technique and method thereof - Google Patents
Reactive power demand forecasting using feed-forward neural network technique and method thereof Download PDFInfo
- Publication number
- TW200924343A TW200924343A TW096145077A TW96145077A TW200924343A TW 200924343 A TW200924343 A TW 200924343A TW 096145077 A TW096145077 A TW 096145077A TW 96145077 A TW96145077 A TW 96145077A TW 200924343 A TW200924343 A TW 200924343A
- Authority
- TW
- Taiwan
- Prior art keywords
- value
- weight
- neural network
- power
- values
- Prior art date
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/30—Reactive power compensation
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Description
200924343 九、發明說明: 【發明所屬之技術領域】 本發明涉及-種酬級電力之裝置,尤妓—種在電 釋晶片上雜綱無效電力值之__神經_與其酬 無效電力值的方法。 【先前技術】 近年來隨著經濟的發展以及人民生活水準的提昇,台灣 舰的電力需求大幅增加,很多大型用戶加人電力系統,因為 这些大型用戶所需的耗電量極大,因此其負載特性對電力系統 的供電品質以及能源效轉有重A的影響,許多用戶以為只有 用電量消耗極大的工廠才需要專門配置電力監控纽,但事實 上’電力對任何-家工廠都非常重要,穩定的電力系統才足以 維持生產線的正常運行’而一套完整的電力監控系統除了能 在仏電狀況下本握電力系統之外,最重要的是能在電力異 常時確切掌釘摘顧、财齡轉,轴大幅提昇供電品 質,因此電力貞_測不論是在電力輸送作業、儲存能源調 配、線上調控或緊急事故處理中均扮演著極為重要的角色。所 以,許多專家學者曾使用不同的方法,以致力於電力負載預測 此4題諸如時間序列法、專家系統、灰色理論和類神經網 ^Artifieml Neuml NetWQ1<ks)。細,由於進行電力負载預測 200924343 時,所需考慮的相關影 然能利用相關影響變數建立神經網路雖 個相網路訓練資料,卻不能對各 實功车t 職進行調整。此相往錢_皆著重於 革的雜,反觀域辨的_卩未❹臟,而目前電 對触功率的預測大多依照功率因素的經驗值。根據 效功率預·結果來對系統的提前分析或控制,對於系統 的穩定度來說非常重要。 【發明内容】 、、馨於上述之發明背景巾,為了符合產業上某些利益之需 、'本Ug、種在電驛晶片上架構預測無效電力值之前饋 式類神經網路與其預測無效電力值的方法。 本發明之一目的係提供一種利用類神經網路來預測無效 電力之電釋晶片。本發明在電驛晶片上雜出前饋式類神經網 路之架構’用明難_之無效t力值,所使用之活化函數 為S-字型函數,包含應用比較、判斷、四捨五入以及查表之四 大模組。主要是針對歷史的無效電力資料(分為預測前之3小 時、4小時以及5小時的輸入量當作輸入資料)來預測未來的無 效電力。 200924343 【實施方式】 本發月在此所探拍方向為—種利用類神經網路來預測 無效電力之鱗晶片。為了能徹底地瞭解本發明嘴在下列的 描述中提出詳盡的步驟及其組成。軸地,本發_施行並未 限定於無效電力_之技藝者所熟料特殊細節。另一方面, 眾所周知敝成或步驟並未描述於崎巾,㈣免造成本發明 不必要之_。本發_難實__細減如下,然而除 了這些詳細贿之外,本發明射叫泛地騎在其他的實施 例中,且本發日㈣範圍林限定,如之後的專娜圍為準。 本發明姻_晶料構㈣餽式_、_路,主要架 構机程本I明包含—2個輪人,—層隱藏層(包含3個隱藏神 經元)以及1個輸出的前媿式類神經網路做為解說之例子,而 設計步驟大致分為以下幾個: 立⑻參考第-圖所示,其係為一電驛晶片之權重值設定示 忍圖。本發明將離線所算得的輸入層22與隱藏層Μ間的第一 權重值2奶輸入類神經網路,在本例中,輸入層a具有兩個 輸入值222。接著再同時加入第一加法器2421與第一權重乘 法器2423加以計算,而因此例子中有3個隱 藏層神經元242, 因此會有3個隱藏神經元之輸&。因此,各輸入值222會分別 &過第-權絲法n 2421與減的第—權重值逝相乘以產 生—第一加權值。接下來,每一個神經元242的各個第一加權 200924343 值會被第一加法器加總以產生一第一加總值。 (b) 參考第二圖所示’其係為一電釋晶片之偏權值2424 設定示意圖。在設定完輸入層22與隱藏層24間的第一權重值 2222後,接著設定第一偏權重值2424。因此,各第一加總值 會分別被一第一偏權加法器2425與相應的第一偏權重值2424 相加以產生一第一偏權值。 (c) 參考第三圖所示,其係為一電驛晶片之活化函數設計 示意圖。本發明利用功能方塊設計一個活化函數器2427,此 活化函數器2427中包含四個功能方塊,稍後會另外對這四個 功能方塊說明其設計流程以及用途。 (d) 參考第四圖所示,其係為一電驛晶片之穩藏層24之 活化函數器2427之連接示賴。因此,各第-偏權值會被-活化函數H 2427接收,各活化函數器期絲職收的第一 偏權值產生一輸出值。 (e) 參考第五圖所示,其係為一電驛晶片之隱藏層%與 輸出層26間的第二權重值262設定示意圖。因此,活化函數 器所輸出的輸出值會被一第二權重乘法器Ml以一第二權重 值262相乘以產生一第二加權值。 〇 /考第’、圖所示’其係為-完整之前饋式類神經網路 ’構丁思圖。各第二加權值會被—第二加法器加加總以產生 〜值接下來第二加總值會被一第二偏權力口法器265 200924343 以-第二偏權重值264相加以產生一第二偏權值,該第二偏權 值即為該前饋式類神經網路的輸出。 在此前饋式類神經網路之設計當中,活化函數部分的設 計是屬於比較複雜的。因此以下本發明將對步驟(c)中活化函數 方塊做一個比較仔細的介紹。參考第七圖所示,其係為一電驛 晶片之活化函數設計示意圖。由第七圖中可以發現,本發明中 之活化函數巾有比較(第-魏方塊24272)、_(第二功能方 塊勘句、四捨五入(第王功能方塊勘6)以及查表(第四功能 方塊24278)之四大魏方塊’以下再進—步對這_功能方塊 分別做介紹。當輸入的數值進到活化函數之中時,首先判斷是 否在範圍當中。而本發明❹的活化函數為§_字型函數 (sigmoid — )。參考第八圖所示,其係為一活化函數為 s-字型函數(sigm〇idfunction)公式示意圖。由第八圖中之公式 我們可以得知,不論輸人數值n為多少,a的細均在〇到】 之間。換言之,隱藏層24之神經元242具有一活化函數,此 活化函數為=——1__。 1 + exp(-A) 而本發明所設定的範圍在7到-7之間,其原因為當輸入 數值大於7以上時,經過活化函數的轉換後,數值將非常接近 1,而當輸入值小於-7時,轉換後的執會相當靠近〇,因此本 發明將範®設定在7到·7之間。而小數點本發明採關小數點 以下2位,所以共有1400點。由第七圖可得知,由輸入至輸 200924343 出只有2條路徑可以走’為第一功能方塊24272—第四功能方 塊24278或是第一功能方塊24272-^第二功能方塊24274--^•第 三功能方塊24276—第四功能方塊24278。若η在範圍之外, 其路徑即為第一功能方塊24272->第四功能方塊24278,反 之,若η在範圍之内,其路徑即為第一功能方塊24272->第二 功能方塊24274—第三功能方塊24276—第四功能方塊 24278。以下就四種功能方塊做詳細解釋: 第一功能方塊24272:參考第九圖所示,其係為一極大以 及極小值比較方塊之設計圖。首先,當輸入值進到活化函數當 中時,電驛晶片設計將由第一功能方塊24272判斷η是大於7、 小於-7或者是介於7至-7之間,輸入值要乘上1〇〇的原因是 比較方塊無法比較小數點,因此本發明將輸入值乘上1〇〇,而 極大值與極小值亦同時乘上100,其判斷結果直接輸入第四功 能方塊24278。 第二功能方塊24274:參考第十圖所示,其係為一判斷方 塊設計圖。當收到第一功能方塊24272的訊號時,第四功能方 塊24278將會判斷輸入值是否在範圍之中,如果在範圍中,則 改走第二條路徑(第一功能方塊24272—第二功能方塊24274— 第三功能方塊24276^第四功能方塊24278)。若大於上限或是 小於下限’走的路徑即為(第一功能方塊24272—第四功能方塊 24278) ’大於上限的輸出值將為1,而小於下限的,輸出值將 11 200924343 為〇。 第三功能方塊期6:參考第十一圖所示,其係為一四检 五入方塊之設計圖。若η在範圍内,走的路徑即為第一功能方 塊24272ϋ能方塊24274—第三功能方塊2427“第四 功能方塊24278,而第二功能方塊24274的作用是將小數點以 下第3個位數做四捨五入的動作。由第十一圖之中可看出大致 上分為上下2個部份,上面的部份處理小數點以下第3個位 數,判斷其值大於5或是小於4,而下面的部份則是保留小數 點以下第2個位數以上之數值,並判斷是否進位。因此在本範 例中’第二多工ϋ的選擇訊號有上面部份的電路所提供,為一 2位元的集成總線,當第0位元為丄且第}位元為〇時,數值 為1,輸出進位的值,相反地,當第丨位元為丨且第〇位元為 0時’數值為2,輸出未進位的值。 … 第四功能方塊24278 :參考第十二圖所示,其係為一杳表 方塊設計圖。在此本發明絲的方法來料触函數^因 此本發明建立-個表格,分耽_輸人與輪出(a)對應 值,而方塊三24276即有如此之功能。經過四捨五入後的數值 進入第三魏视期6,觀贿_的以,將數轉換 成對應個數’將值輸入N1之中,而N1即為本發明中所建立 之表格。最後再進入第四功能方塊24278, 塊2僵雜_。 雜將紅功能方 12 200924343 一在本範例中,第一功能方塊24272的輸出結果i可以是 個一位元的集成總線,因此當第〇位元為!且其他位元為〇 時’數值為1,第一多工器以常數值1輸出;當第1位元為1 且其,位7L為0時,數值為2,第—多工器以常數值〇輸出; T及當第2位元為丨且其他位元為G時,數值為4,第一多工 器輸出第三功能方塊24270的輸出。 熟知相關技術者可推知,前饋式類神經網路可包含:一 輸入層隱藏層與-輸出層。輸入層可包含複數個輸入值, 而隱藏層可包含複數個神經元,每—倾經元接收該複數個輸 入值,並且每—㈣經元輸出—輸出值,最後輸出層依據這些 輸出值輸出一結果。此外,在隱藏層中的每一個神經元可包含 一活化函數(或稱為轉換函數)。 據此,本發明之一具體實施例係一種預測無效電力值之 刖饋式類神經網路,參考第六圖所示,包含··一輸入層22、 一隱藏層24與一輸出層26。輸入層22可包含複數個輸入值 222。此外,隱藏層24,包含複數個神經元242,每一個神經 元242接收該複數個輸入值,並且每一個神經元242包含:複 數個第一權重乘法器2421、一第一加法器2423、一第一偏權 加法2425、一活化函數器2427。每一個第一權重乘法器2421 分別包含一第一權重值2422,並且每一個第一權重乘法器 2421分別接收該複數個輸入值222中的一個輸入值222,其中 13 200924343 每一個第一權重乘法器2421分別將第一權重值2222與輸入值 222相乘後產生一第一加權值。同一神經元的所有第一加權值 由第一加法器2423所接收’第一加法器2423將所有第一權重 值加總產生一第一加總值。另外,該第一偏權加法器2425包 含一第一偏權重值2424,並且接收第一加總值,其中第一偏 權加法器2425將第一偏權重值2424與第一加總值相加後產生 一第一偏權值,之後,活化函數器2427依據第一偏權值產生 一輸出值。此外,輸出層26包含複數個第二權重乘法器261、 第一加法器263、一第一偏權加法器265。,每一個第二權 重乘法器261分別包含一第二權重值262,並且每一個第二權 重乘法器261分別接收上述複數個輸出值中的一個輸出值,其 中每一個第二權重乘法器261分別將第二權重值262與輸出值 相乘後產生一第二加權值。第二加權值由第二加法器263所接 收,第二加法器263將所有第二加權值加總產生一第二加總 值最後,第一偏權加法器265接收第二加總值,並且第二偏 權加法器265包含一第二偏權重值264,其中第二偏權加法器 將第二偏權重值264與第二加總值相加後產生一第二偏權 值’此第二偏權值為本預測無效電力值之前饋式類神經網路之 輸出。 另外’上述之活化函數器2427依據第一加總值以一活化 函數產生輸出值,此活化函數為/(功。據此,在本發 14 200924343 明之一較佳範例中,上述之活化函數器包含:一判斷器(如上 述第一功能方塊24272) ’該判斷器依據一範圍判斷該第一加總 值以產生一判斷值;一索引值產生器(如上述第二功能方塊 24274),該索引值產生器依據該第一加總值產生一索引值;一 查表檢索器(如上述第三功能方塊24276),該查表檢索器包含 一查表,该查表檢索器依據該檢索值檢索該查表以產生一檢索 值,其中該檢索值介於該範圍;一選擇器(如上述第四功能方 塊24278) ’該選擇器依據該判斷值由丨、該檢索值與〇中選出 一值作為該輸出值。其中上述之範圍係介於7至_7之間,因此 當判斷值表示第-加總值介於7至_7之間時,該選擇器依據該 判斷值以該檢索值作為該輸出值,#躺值表示第-加總值大 於7日夺’該選擇H依據該躺似丨作為該輸出值,並且當判 斷值表不第—加總值小於_7時,該麵驗據制斷值以〇 作為該輸出值。此外,上述之索引值產生器可岐將該第一加 …值四捨五人至小數點以下第2位以產生該索引值。 因此,上述之複數個輸入值為相應於連續複數個時間區 :的複數筆電力值,而上述之第二加總值係—預測區間的一預 ’則值,該預測區間與該連續複數個時間區間相鄰。所以當時間 ,間以小時為單位時,上述複數筆電力值的筆數可以是3筆、 筆5筆、7筆...等等,而預測值為上述複數筆電力值所相 應之連續複數個小時之後的下—小時的預測值。 15 200924343 4口上述,本發明之另-具體實施例係—種以前饋式類 神經網路酬無效電力㈣方法,如軒三騎示。首先,如 i. 步驟所示,提供-電力錄列,該電力值數列包含連續 複數筆電力值,其中每—筆電力值與—時間晴目應,並且該 連續複數筆電力值依據相應的時間區晴序。接下來,如步驟 1320所示’依據電力值數舰生複數筆訓練資料,每-筆訓 練資料包含電力值數列中的連續複數筆第—電力值與一訓練 結果。例如,一筆訓練資料可以包含3筆、4筆、5筆、7筆 等等的電力值,以及類神經網路經過訓練後所應該輸出的訓練 結果。之後,如步驟1330與步驟134〇所示,提供一前饋式類 神_路,並且依據該複數筆訓練資料訓練前饋式類神經網路 以產生前饋式類神經網路的複數個權重值,該前饋式類神經網 路在經過_數筆訓練資料訓練後成為—預測無效電力值的 前饋式類神經網路’其中每—筆訓練資料的連續複數筆第一電 無效電力值的前饋式類神經網路時,預測無效電 _路會輸㈣筆靖_的該訓練結 签楚雪Γ ’如步驟1350與步驟1360所示,提供連續複數 筆第-電力值,社叫概料二電力 效電力值的前饋式類神經網路以產生一預測值。預貝L、 、…細技*者可輕易推知,_鋼路可透過訓練資 料(如本發财的連續複數個第—電力值)加·丨練,藉以調整 200924343 各神經元的權重值,使得類神經網路的輪出能趨近預期的訓練 結果’相關細節係習知之公開技術,本發明在此不加以資述。 在本發明之—範例中,上述之前饋式類神經網路至少包 含一隱藏層,此隱藏層包含複數個神經元,每一個神經元具有 -活化函數。在本發狀—範财,此活化函數為—&字型函 數(sigmoid function),如 /(a) = 。 l + exp(-A·) 〇 此外’其巾上述之連續複數筆第1力值分別相應於複 數個連續的時間區間,並且該訓練結果為相應—預測時間區間 的預測值,此__區間為與上述魏個連續的時間區間所 相鄰的下-個時間區間。例如,上述之時間區間為一小時,因 此上述之連魏數筆第-電力值f力值為連 續複數個小時的電力值,而前饋式類神經網路所輸出的結果為 下一小時的預測值。 例如,前饋式類神經網路為上述預測無效電力值之前饋 式類神經網路’因此,上述之複數個輸入值為該連續複數筆第 電力值並且該第一加總值為該訓練結果。同樣地,上述之 複數個輸人值為該連續複數筆第二電力值,並且該第二加總值 為該預測值。 顯然地’健上面實施例巾的描述,本發明可能有許多 的修正與差異。因此需要在其附加的_要求項之範圍内加以 理解’除了上述詳細的描述外’本發明還可以廣泛地在其他的 17 200924343 實施例中施行。上述僅為本發明之較佳實施例而已,並非用以 限定本發明之申請專利範圍;凡其它未脫離本發明所揭示之精 =所完成的等效改變或修飾,均應包含在下述申請專利範圍 200924343 【圖式簡單說明】 第一圖係為一電驛晶片之權重值設定示意圖; 第二圖係為一電驛晶片之偏權值設定示意圖; 第三圖係為一電驛晶片之活化函數設計示意圖; 第四圖係為一電釋晶片之穩藏層與活化函數之連接示意圖; 第五圖係為一電驛晶片之隱藏層與輸出層間權重值設定示 意圖; 第六圖係為一完整之前饋式類神經網路架構示意圖; 第七圖係為一電驛晶片之活化函數設計示意圖; 第八圖係為一活化函數為s-字型函數(sigmoid function ) 公式示意圖; 第九圖係為一極大以及極小值比較方塊之設計圖; 第十圖係為一判斷方塊設計圖; 第十一圖係為一四捨五入方塊之設計圖;以及 第十二圖係為一查表方塊設計圖。 第十三圖係為本發明之以前饋式類神經網路預測無效電力 值的流程示意圖。 200924343 【主要元件符號說明】 22 輸入層 222 輸入值 24 隱藏層 242 神經元 2421 第一加權乘法器 2422 第一權重值 2423 第一加法器 2424 第一偏權重值 2425 第一偏權加法器 2427 活化函數器 24272 第一功能方塊 24274 第二功能方塊 24276 第三功能方塊 24278 第四功能方塊 26 輸出層 261 第二加權乘法器 262 第二加權值 263 第二加法器 264 第二偏權值重值 265 第二偏權加法器 20
Claims (1)
- 200924343 十、申請專利範圍: 1.一種以前饋式類神經網路預測無效電力值的方法,包含·· 提供一電力值數列,該電力值數列包含連續複數筆電力值, 中每筆電力值與一時間區間相應,並且該連續複數筆電力值 依據該時間區間排序; 依據該電力值數列產生複數筆訓練資料’每一筆訓練資料包 含該電力值數列中的連續複數筆第一電力值與一訓練結果; 提供一前饋式類神經網路; 依據該複數筆訓練資料訓練該前饋式類神經網路以產生該 月'j饋式類神經網路的複數個權重值,該前饋式類神經網路在經過 該複數筆訓練負料訓練後成為一預測無效電力值的前饋式類神 經網路,其中每—筆訓練資料的該連續複數筆第—電力值輸入該 制無效電力值的前饋式類神細料,該删無效電力值的前 饋式類神經網路輸出該筆訓練資料的該訓練結果; 提供連續複數筆第二電力值; u該連續複姆帛二電力錄人該賴纽冑力值的前饋 式類神經網路以產生一預測值。 2.根據申凊專利範圍第1項之以前饋式類神經網路預測無效電力 值的方法,其中上述之前饋式類神經網路至少包含一隱藏層, 該隱藏層包含複數個神經元,每一個神經元具有一活化函數, 該活化函數為一 s-字型函數(sigm〇idfUnetiQn)。 21 200924343 3. 根據申請專利範園第〗 值的方法,其中上述之啦^=_、_路_效電力 4. 根據申請專利範圍第丨項 — 。 值_,μ 触鱗綱無效電力 -個連續的時間區間,並且該繼2 —電力值分別相應於複數 該預測值’該預測時間區間為盥:為相應-預測時間剛 鄰的下-個時間區間。該複數個連續的時間區間所相 5.根據申請專利範圊篦 值的方法,其中上述之^類神經網路預測無效電力 個連續的時間區間,並日弟一電力值分別相應於複數 區間。 區間所相鄰的下一個時間 '^:::^ 7. 根據申請 值的方法,其中上述之連續複:1神經網路預測無效電力 /复數筆第二電力值的筆數相同。電力值的筆數與該連續 8. 列之一:3筆、4筆、5筆、7 第電力值的筆數係選自下 22 200924343 9.根射π專概㈣丨項之以__神酬賴測無效電力 值的方法’其中上述之前饋式類神經網路包含: 一輸入層’包含複數個輸入值; 藏層包含複數個神經元,每一個神經元接收該複數個輪 、入值,並且每一個神經元包含: 纟數個第—權重乘法器,每-個第-權重絲ϋ分別包含— 第-權重值’並且每—個第—權重乘法器分別接收該複數個輪 入值中的一個輸入值’其中每-個第-權重乘法器分別將該第 -權_與該輪人值相乘後產生—第—加權值; 一第一加法器,該第一加法器將該複數個第一權重值加總產 生一第一加總值; 一第一偏權加法器,該第一偏權加法器包含一第一偏權重 值,並且接收該第一加總值,其中該第一偏權加法器將該第一 偏權重值與該第-加總值相加後產生__第—偏權值;以及 • 一活化函數器,該活化函數器依據該第一偏權值產生一輸出 值;以及 一輸出層’接收該複數個神經元的該輸出值,包含: 複數個第二權重乘法器,每一個第二權重乘法器分別包含一 第一權重值,並且每一個第二權重乘法器分別接收該複數個輸 出值中的—個輸出值,其中每—個第二權重乘法器分別將該第 二權重值與該輸出值相乘後產生一第二加權值; 23 200924343 一第二加法器,該第二加法器將該複數個第二加權值加總產 生一第二加總值;以及 第一偏權加法器,該第二偏權加法器包—第二偏權重 值,並且该第一偏權加法器接收該第二加總值,其中該第二偏 權加法器將該第二偏權重值與該第二加總值相加後產生一第二 偏權值。 10. 根據申請專利範圍第9項之以前饋式類神經網路預測無效電 力值的方法,其中上述之活化函數器,該活化函數器依據該第 一加總值以一活化函數產生該輸出值,該活化函數為 八为=---〇 1 + exp(-A) 11. 根據申請專利範圍第9項之以前饋式類神經網路預測無效電 力值的方法’其中上述之活化函數器包含: 一判斷器,該判斷器依據一範圍判斷該第一加總值以產 生一判斷值; 一索引值產生器,該索引值產生器依據該第一加總值產 生一索引值; 一查表檢索器,該查表檢索器包含一查表,該查表檢索 器依據該檢索值檢索該查表以產生一檢索值,其中該檢索值 介於該範圍;以及 選擇器,該選擇器依據該判斷值由1、該檢索值與〇 中選出一值作為該輸出值。 24 200924343 12.根據申請專利範圍第u項之以前饋式類神經網路預測無效電 力值的方法’其巾上述之查表係依據—活化函數所產生,該活 化函數為= 。 1 + exp(-A) 康申月專利範圍第η項之以前饋式類神經網路預測無效電 力值的方法,其中上述之範難介於7至-7之間。 據申π專利範圍第U項之以前饋式類神經網路預測無效電 力_方法,當判斷值表示第一加總值介於7至_7之間時,該 選擇器依據該判斷值以該檢索值作為該輸出值。 康申明專利範圍第13項之以前饋式類神經網路預測無效電 力值的方法’當判斷絲示第一加總值大於7時,該選擇器依 據該判斷值以1作為該輸出值。 。 16. 根據中請專利範圍第13項之以前饋式類神經網路預測無效電 的方法田判斷值表不第一加總值小於_7時,該選擇器依 據該判斷值以〇作為該輸出值。 17. f料請專利範圍第9項之以前饋式類神經網路預測無效電 值的方法,其中上述之索引值產生器將該第—加總值四捨五 入至小數點以下第2位以產生該索引值。 18. 根據申請專利範圍第9項之以前饋式 力值的方法,射上述之魏墙域為該_複數筆第-Ϊ 力值,並且該第二加總值為該訓練結果。 25 200924343 根據U她圍第9項之以前觀簡纟蝴路細無效電 力值的方去其中上述之複數個輸入值為該連續複數筆第二電 力值,並且該第二加總值為該預測值。 20. —種預測無效電力值之前饋式類神經網路,包含: ' 一輸入層,包含複數個輸入值; - 一隱藏層,包含複數個神經元’每一個神經元接收該複數 個輸入值,並且每一個神經元包含: ' 複數個第—觀乘法11,每H權重絲器分別包含 一第一權重值,並且每一個第一權重乘法器分別接收該複數個 輸入值中的一個輸入值,其中每一個第一權重乘法器分別將該 第一權重值與該輸入值相乘後產生一第一加權值; 一第一加法器,該第一加法器將該複數個第一權重值加總 產生一第一加總值; 一第一偏權加法器,該第一偏權加法器包含一第一偏權重 / . 值’並且接收該第一加總值’其中該第一偏權加法器將該第一 偏權重值與該第一加總值相加後產生一第一偏權值;以及 一活化函數器’該活化函數ι§依據該第一偏權值產生一輸 出值;以及 一輸出層,接收該複數個神經元的該輸出值,包含: 複數個第二權重乘法器,每一個第二權重乘法器分別包含一第 二權重值,並且每一個第二權重乘法器分別接收該複數個輸出 26 200924343 值中的-個輸出值’其中每-個第二權重乘法器分別將該第二 權重值與該輸出值相乘後產生一第二加權值; 一第二加法器’該第二加法器將該複數個第二加權值加總產 生一第二加總值;以及 ' 一第二偏權加法器,該第二偏權加法器包含一第二偏權重 值,並且S亥第二偏權加法器接收該第二加總值,其中該第二偏 P 權加法器將該第二偏權重值與該第二加總值相加後產生一第二 偏權值。 21.根據申凊專利範圍第20項之預測無效電力值之前饋式類神經 網路’其中上述之活化函數器依據該第一加總值以一活化函數 產生該輸出值,該活化函數為f(v)— 1 。 1 + exp(-A) 22·根據申凊專利範圍第20項之預測無效電力值之前饋式類神經 網路,其中上述之活化函數器包含: ^ 一判斷器,該判斷器依據一範圍判斷該第一加總值以產 . 生一判斷值; 一索引值產生器,該索引值產生器依據該第一加總值產 生一索引值; 一查表檢索器,該查表檢索器包含一查表,該查表檢索 器依據該檢索值檢索該查表以產生一檢索值,其中該檢索值 介於該範圍;以及 選擇器,5亥選擇器依據該判斷值由1、該檢索值與〇 27 200924343 中選出一值作為該輸出值。 23_根射請專魏圍第22項之酬無效電力值之前饋式類神經 網路,其中上述之查表係依據一活化函數所產生,該活化函數 為 /(功=--____ 1 + expd 24. 根射料概目帛22狀酬無效電力值之前航類神經 網路,其中上述之範圍係介於7至_7之間。 25. 根據申請專利範圍第22項之預測無效電力值之前饋式類神經 、罔路’虽该判斷值表示第一加總值介於7至-7之間時,該選擇 器依據該判斷值以該檢索值作為該輸出值。 •根據申請專利範圍第22項之預測無效電力值之前饋式類神經 網路,當該判斷值表示第一加總值大於7時,該選擇器依據該 判斷值以1作為該輸出值。 .根據申請專利範圍第22項之預測無效電力值之前饋式類神經 網路’當該判斷值表示第一加總值小於-7時,該選擇器依據該 判斷值以0作為該輸出值。 28·根據申請專利範圍第2〇項之删無效電力值之前饋式類神經 網路,其中上述之索引值產生器將該第一加總值四捨五入至小 數點以下第2位以產生該索引值。 •根據申請專利範圍第20項之預測無效電力值之前饋式類神經 網路,其中上述之複數個輸入值係相應於連續複數個時間區間 的複數筆電力值。 28 200924343 30.根據申請專利範圍第29項之預測無效電力值之前饋式類神經 網路,其中上述之第二加總值係一預測區間的一預測值,該預 測區間與該連續複數個時間區間相鄰。 f29
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW096145077A TW200924343A (en) | 2007-11-28 | 2007-11-28 | Reactive power demand forecasting using feed-forward neural network technique and method thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW096145077A TW200924343A (en) | 2007-11-28 | 2007-11-28 | Reactive power demand forecasting using feed-forward neural network technique and method thereof |
Publications (1)
Publication Number | Publication Date |
---|---|
TW200924343A true TW200924343A (en) | 2009-06-01 |
Family
ID=44728970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW096145077A TW200924343A (en) | 2007-11-28 | 2007-11-28 | Reactive power demand forecasting using feed-forward neural network technique and method thereof |
Country Status (1)
Country | Link |
---|---|
TW (1) | TW200924343A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657788A (zh) * | 2018-12-18 | 2019-04-19 | 北京中科寒武纪科技有限公司 | 数据处理方法、装置及相关产品 |
TWI823720B (zh) * | 2022-12-19 | 2023-11-21 | 龍華科技大學 | 精確之負載預測系統與其訓練方法 |
-
2007
- 2007-11-28 TW TW096145077A patent/TW200924343A/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657788A (zh) * | 2018-12-18 | 2019-04-19 | 北京中科寒武纪科技有限公司 | 数据处理方法、装置及相关产品 |
TWI823720B (zh) * | 2022-12-19 | 2023-11-21 | 龍華科技大學 | 精確之負載預測系統與其訓練方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Niknam | A new fuzzy adaptive hybrid particle swarm optimization algorithm for non-linear, non-smooth and non-convex economic dispatch problem | |
Kümmel | The impact of energy on industrial growth | |
Wang et al. | A Hybrid Neural Network and ARIMA Model for Energy Consumption Forcasting. | |
CN106096788B (zh) | 基于pso_elm神经网络的转炉炼钢工艺成本控制方法及*** | |
Li et al. | A differential evolution algorithm based on multi-population for economic dispatch problems with valve-point effects | |
Yang et al. | A novel strategy of pareto-optimal solution searching in multi-objective particle swarm optimization (MOPSO) | |
CN105204333B (zh) | 一种提高钢铁企业能源利用率的能耗预测方法 | |
Jadoun et al. | Optimal fuzzy based economic emission dispatch of combined heat and power units using dynamically controlled Whale Optimization Algorithm | |
CN113629723B (zh) | 考虑dg和apf参与电压治理的svg优化配置方法 | |
Sharma et al. | Optimal power flow analysis using lévy flight spider monkey optimisation algorithm | |
Panda | Modelling and optimization of multiple process attributes of electrodischarge machining process by using a new hybrid approach of neuro–grey modeling | |
Jiang et al. | Forecasting electrical energy consumption of equipment maintenance using neural network and particle swarm optimization | |
Ferland et al. | Application of a particle swarm algorithm to the capacitated open pit mining problem | |
Alasali et al. | An analysis of optimal power flow strategies for a power network incorporating stochastic renewable energy resources | |
Guo et al. | An alternative learning-based approach for economic dispatch in smart grid | |
Matino et al. | Application of echo state neural networks to forecast blast furnace gas production: pave the way to off-gas optimized management | |
TW200924343A (en) | Reactive power demand forecasting using feed-forward neural network technique and method thereof | |
Liu et al. | Hybridizing gaining–sharing knowledge and differential evolution for large-scale power system economic dispatch problems | |
Mihály et al. | Improvement of air flowrate distribution in the nitrification reactor of the waste water treatment plant by effluent quality, energy and greenhouse gas emissions optimization via artificial neural networks models | |
Ridzuan et al. | A new meta heuristic evolutionary programming (NMEP) in optimizing economic energy dispatch | |
Bin Khamis et al. | A hybrid model of artificial neural network and genetic algorithm in forecasting gold price | |
Liu | The convergent results about approximating fuzzy random minimum risk problems | |
Cui et al. | [Retracted] Prediction Model of Hot Metal Silicon Content Based on Improved GA‐BPNN | |
Tian et al. | Prediction models of the number of end-of-life vehicles in China | |
Sen et al. | Optimal selection of machining conditions in the electrojet drilling process using hybrid NN-DF-GA approach |