WO2020082973A1 - 基于神经网络的负荷预测方法及装置 - Google Patents

基于神经网络的负荷预测方法及装置 Download PDF

Info

Publication number
WO2020082973A1
WO2020082973A1 PCT/CN2019/107945 CN2019107945W WO2020082973A1 WO 2020082973 A1 WO2020082973 A1 WO 2020082973A1 CN 2019107945 W CN2019107945 W CN 2019107945W WO 2020082973 A1 WO2020082973 A1 WO 2020082973A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
network model
population
initial
particles
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.)
Ceased
Application number
PCT/CN2019/107945
Other languages
English (en)
French (fr)
Inventor
黄信
刘胜伟
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
Priority to JP2021514399A priority Critical patent/JP7412423B2/ja
Priority to SG11202102669PA priority patent/SG11202102669PA/en
Priority to US17/256,235 priority patent/US20210133536A1/en
Priority to EP19877422.6A priority patent/EP3822880A4/en
Publication of WO2020082973A1 publication Critical patent/WO2020082973A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning

Definitions

  • the present invention relates to the field of communications, and in particular, to a load prediction method and device based on a neural network.
  • energy such as steam
  • the steam load, load level, and load characteristics of different users are different.
  • the accuracy of load prediction is related to optimal scheduling and Operational strategy. Predicting energy in advance can ensure the actual user of the user, while reducing energy waste.
  • the embodiments of the present invention provide a load prediction method and device based on a neural network.
  • a load prediction method based on a neural network including:
  • the neural network model is used to predict the energy load value during the time period.
  • the method before inputting the time period to a neural network model for predicting energy load, the method further includes:
  • using sample data to train to obtain the neural network model includes:
  • the topology structure includes: an input layer, a hidden layer, and an output layer;
  • the parameters include: the center parameter of the radial basis function, the variance parameter, the weight parameter of the hidden layer, and the weight parameter of the output layer, each parameter is A particle
  • the RBF network model is optimized using training samples and test samples.
  • optimizing the RBF network model using training samples and test samples includes:
  • the fitness value is used to update the particles in the population.
  • updating the particles in the population using the fitness value includes:
  • updating the speed and position of particles in the population includes:
  • X i (x i1 , x i2 ,... X iD ) represents a population particle containing D dimension
  • V i (v i1 , v i2 , ... v iD )
  • P i (p i1 , p i2 ,... P iD ) represents the extreme value of individual particle containing D dimension
  • P g (p g1 , p g2 , ... p gD ) represents the group extremum with D dimension
  • w is the inertia weight
  • d 1, 2, ... D
  • i 1, 2, ... n
  • k is the current iteration number
  • c 1 and c 2 are non-negative constants
  • acceleration factors and r 1 and r 2 are random numbers distributed in [0,1].
  • a load prediction device based on a neural network including:
  • the receiving module is used to receive the time period to be predicted
  • An input module for inputting the time period to a neural network model for predicting energy load, wherein the neural network model is a radial basis neural network RBF trained based on a hybrid particle swarm optimization algorithm;
  • the prediction module is used to predict the energy load value in the time period using the neural network model.
  • the device further includes:
  • the determining module is used to determine the topology structure of the initial model before the input module inputs the time period to the neural network model for predicting energy load, wherein the topology structure includes: an input layer, a hidden layer, and an output Floor;
  • An encoding module for encoding the parameters of the initial model to obtain an initial particle population, wherein the parameters include: a central parameter of the radial basis function, a variance parameter, a weight parameter of the hidden layer, and a weight parameter of the output layer , Each parameter is a particle;
  • a decoding module for decoding the initial particle population to obtain the initial parameters of the initial model
  • An assignment module configured to assign the initial parameter to the initial model to obtain an RBF network model
  • the optimization module is used to optimize the RBF network model using training samples and test samples.
  • a storage medium in which a computer program is stored, wherein the computer program is configured to execute the steps in any one of the above method embodiments during runtime.
  • an electronic device including a memory and a processor, the memory stores a computer program, the processor is configured to run the computer program to perform any of the above The steps in the method embodiment.
  • the radial basis neural network trained based on the hybrid particle swarm algorithm is used to predict the energy load value, and the neural network is optimized by introducing the advantages of the hybrid particle swarm and the radial basis neural network such as strong generalization ability and high network approximation accuracy
  • the optimal initial weights and offsets of the network model solve the technical problem of low accuracy when using a single load prediction algorithm to predict energy load in the prior art, reduce the prediction deviation, and improve the accuracy of predicting energy load.
  • FIG. 1 is a block diagram of a hardware structure of a load prediction network terminal based on a neural network according to an embodiment of the present invention
  • FIG. 2 is a flowchart of a neural network-based load prediction method according to an embodiment of the present invention
  • FIG. 3 is a structural block diagram of a load prediction device based on a neural network according to an embodiment of the present invention.
  • FIG. 1 is a block diagram of a hardware structure of a load prediction network terminal based on a neural network according to an embodiment of the present invention.
  • the network terminal 10 may include one or more (only one is shown in FIG. 1) processor 102 (the processor 102 may include but is not limited to a processing device such as a microprocessor MCU or a programmable logic device FPGA, etc. ) And a memory 104 for storing data.
  • the above network terminal may further include a transmission device 106 for communication functions and an input / output device 108.
  • a transmission device 106 for communication functions may further include a transmission device 106 for communication functions and an input / output device 108.
  • FIG. 1 is merely an illustration, which does not limit the structure of the network terminal described above.
  • the network terminal 10 may also include more or fewer components than those shown in FIG. 1, or have a configuration different from that shown in FIG.
  • the memory 104 can be used to store computer programs, for example, software programs and modules of application software, such as the computer program corresponding to the neural network-based load prediction method in the embodiment of the present invention, and the processor 102 runs the computer program stored in the memory 104 In order to perform various functional applications and data processing, that is, to achieve the above method.
  • the memory 104 may include a high-speed random access memory, and may also include a non-volatile memory, such as one or more magnetic storage devices, flash memory, or other non-volatile solid-state memory.
  • the memory 104 may further include memories remotely provided with respect to the processor 102, and these remote memories may be connected to the network terminal 10 through a network. Examples of the above network include but are not limited to the Internet, intranet, local area network, mobile communication network, and combinations thereof.
  • the transmission device 106 is used to receive or send data via a network.
  • the above specific example of the network may include a wireless network provided by a communication provider of the network terminal 10.
  • the transmission device 106 includes a network adapter (Network Interface Controller, referred to as NIC for short), which can be connected to other network devices through the base station to communicate with the Internet.
  • the transmission device 106 may be a radio frequency (Radio Frequency, RF for short) module, which is used to communicate with the Internet in a wireless manner.
  • RF Radio Frequency
  • FIG. 2 is a flowchart of a neural network-based load prediction method according to an embodiment of the present invention. As shown in FIG. 2, the process includes the following steps:
  • Step S202 receiving a time period to be predicted
  • Step S204 the time period is input to a neural network model for predicting energy load, wherein the neural network model is a radial basis neural network (Radial Basis Function, RBF) trained based on a hybrid particle swarm algorithm;
  • RBF Radial Basis Function
  • step S206 the neural network model is used to predict the energy load value during the time period.
  • the radial basis neural network trained based on the hybrid particle swarm algorithm is used to predict the energy load value, and the neural network is optimized by introducing the advantages of the hybrid particle swarm and the radial basis neural network, such as strong generalization ability and high network approximation accuracy.
  • the optimal initial weights and offsets of the network model solve the technical problem of low accuracy when using a single load prediction algorithm to predict energy load in the prior art, reduce the prediction deviation, and improve the accuracy of predicting energy load.
  • the execution body of the above steps may be a data processing device, a server, a terminal, etc., and may specifically be a processor, an algorithm module, etc., but is not limited thereto.
  • the application scenario of this embodiment may be applied in artificial intelligence scenarios such as energy prediction and flow prediction.
  • the energy may specifically be thermal energy or consumable energy such as water, electricity, and gas.
  • the model assumptions of this embodiment are as follows:
  • the load data is a time series, variable 1 is time (input), and variable 2 is load value (output).
  • the neural network model before inputting the time period to the neural network model used to predict the energy load, the neural network model also needs to be set, including: obtaining the neural network model from a third party, such as purchasing from a supplier; using sample data Train to get a neural network model.
  • using sample data to train to obtain a neural network model includes:
  • each parameter is a particle , Represented by 8bit binary code, and initialized with a random value in [-0.5,0.5].
  • the parameters of the initial model are also called learning parameters.
  • the RBF network model at this time is a preliminary network model, which can be further trained and optimized;
  • the weights and offsets of the neural network algorithm are initialized by random numbers in the interval [-0.5,0.5].
  • This initialization parameter has a great influence on the network training. How to obtain or set these parameters properly and accurately is this embodiment.
  • This embodiment has the advantages of strong generalization ability and high network approximation accuracy by introducing mixed particle swarm and radial basis neural network, thereby optimizing the optimal initial weight and offset.
  • using training samples and test samples to optimize the RBF network model includes: inputting the training samples and test samples into the RBF network model to obtain test values and expected values; selecting the norm of the error matrix composed of predicted values and expected values as the adaptation Degree value; Use the fitness value to update the particles in the population.
  • the parameters involved in the particle algorithm update are: speed, position, individual extremum, population extremum of the population, etc.
  • Using fitness values to update particles in a population includes:
  • updating the speed and position of particles in the population includes: iteratively updating the speed and position of particles in the population using the following formula:
  • X i (x i1 , x i2 ,... X iD ) represents a population particle containing D dimension
  • V i (v i1 , v i2 , ... v iD )
  • P i (p i1 , p i2 ,... P iD ) represents the extreme value of individual particle containing D dimension
  • P g (p g1 , p g2 , ... p gD ) represents the group extremum with D dimension
  • w is the inertia weight
  • d 1, 2, ... D
  • i 1, 2, ... n
  • k is the current iteration number
  • c 1 and c 2 are non-negative constants
  • acceleration factors and r 1 and r 2 are random numbers distributed in [0,1].
  • Optimal crossover of individuals in the population Individual particles are cross-updated with individual extreme-value particles.
  • the crossover method uses the integer crossover method. First, two crossover positions are selected. The individual adopts the strategy of retaining excellent individuals, and only updates the particles when the fitness value of the new particles is greater than the fitness value of the old particles. On the other hand, when the fitness value is used to update the population extreme value of the particles in the population, the population is optimally crossed. This step is similar to the eighth operation, except that the individual extreme value is replaced with the population extreme value.
  • the mutation operation is performed on the particle operations in the population.
  • the mutation operation uses the internal two-bit interchange method. First, randomly select the mutation positions pos1 and pos2, and then interchange the two mutation positions. The strategy of keeping excellent individuals is adopted for the new individuals obtained, and the particles are updated only when the fitness value of the new particles is better than the old particles.
  • the termination condition for example, whether the maximum number of iterations is reached, and the error less than the limit is satisfied.
  • a 30-day heat load prediction value 24 hours a day, corresponding to a heat load value every hour, a total of 720 points as experimental data, including 20 days of data as The training set data, the data of the last 10 days are used as the test data set.
  • the average relative error MAPE the root mean square error RMSE and the deviation rate DR (deviation)
  • y t represents the true value
  • y d represents the predicted value
  • n represents the number of samples.
  • the method according to the above embodiments can be implemented by means of software plus a necessary general hardware platform, and of course, it can also be implemented by hardware, but in many cases the former is Better implementation.
  • the technical solution of the present invention can be embodied in the form of a software product in essence or part that contributes to the existing technology, and the computer software product is stored in a storage medium (such as ROM / RAM, magnetic disk,
  • the CD-ROM includes several instructions to enable a terminal device (which may be a mobile phone, computer, server, or network device, etc.) to execute the methods of the various embodiments of the present invention.
  • a load prediction device based on a neural network is also provided.
  • the device is used to implement the above-mentioned embodiments and preferred implementation modes, and those that have already been described will not be repeated.
  • the term "module” may implement a combination of software and / or hardware that performs predetermined functions.
  • the devices described in the following embodiments are preferably implemented in software, implementation of hardware or a combination of software and hardware is also possible and conceived.
  • FIG. 3 is a structural block diagram of a load prediction device based on a neural network according to an embodiment of the present invention. As shown in FIG. 3, the device includes:
  • the receiving module 30 is used to receive the time period to be predicted
  • the input module 32 is used to input the time period to a neural network model for predicting energy load, wherein the neural network model is a radial basis neural network RBF trained based on a hybrid particle swarm algorithm;
  • the prediction module 34 is configured to use the neural network model to predict the energy load value in the time period.
  • the device further includes a determination module for determining the topology structure of the initial model before the input module inputs the time period to the neural network model for predicting energy load, wherein the topology
  • the structure includes: an input layer, a hidden layer, and an output layer; an encoding module for encoding the parameters of the initial model to obtain an initial particle population, wherein the parameters include: a central parameter of the radial basis function, a variance parameter, The weight parameters of the hidden layer and the weight parameters of the output layer, each parameter is a particle; a decoding module, used to decode the initial particle population, to obtain the initial parameters of the initial model; an assignment module, used to assign the initial parameters For the initial model, an RBF network model is obtained; an optimization module is used to optimize the RBF network model using training samples and test samples.
  • the above modules can be implemented by software or hardware, and the latter can be implemented by the following methods, but not limited to this: the above modules are all located in the same processor; or, the above modules can be combined in any combination The forms are located in different processors.
  • An embodiment of the present invention further provides a storage medium in which a computer program is stored, wherein the computer program is set to execute any of the steps in the above method embodiments during runtime.
  • the above storage medium may be set to store a computer program for performing the following steps:
  • the neural network model is a radial basis neural network RBF trained based on a hybrid particle swarm algorithm
  • the above storage medium may include, but is not limited to: a USB flash drive, a read-only memory (Read-Only Memory, ROM for short), a random access memory (Random Access Memory, RAM for short), Various media that can store computer programs, such as removable hard disks, magnetic disks, or optical disks.
  • An embodiment of the present invention also provides an electronic device, including a memory and a processor, where the computer program is stored in the memory, and the processor is configured to run the computer program to perform any of the steps in the above method embodiments.
  • the electronic device may further include a transmission device and an input-output device, wherein the transmission device is connected to the processor, and the input-output device is connected to the processor.
  • the above processor may be configured to perform the following steps through a computer program:
  • the neural network model is a radial basis neural network RBF trained based on a hybrid particle swarm algorithm
  • modules or steps of the present invention can be implemented by a general-purpose computing device, they can be concentrated on a single computing device, or distributed in a network composed of multiple computing devices Above, optionally, they can be implemented with program code executable by the computing device, so that they can be stored in the storage device to be executed by the computing device, and in some cases, can be in a different order than here
  • the steps shown or described are performed, or they are made into individual integrated circuit modules respectively, or multiple modules or steps among them are made into a single integrated circuit module for implementation. In this way, the present invention is not limited to any specific combination of hardware and software.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (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)

Abstract

一种基于神经网络的负荷预测方法及装置，其中，该方法包括：接收待预测的时间段(S202)；将所述时间段输入至用于预测能源负荷的神经网络模型，其中，所述神经网络模型是基于混合粒子群算法训练得到的径向基神经网络(S204)；使用所述神经网络模型预测在所述时间段的能源负荷值(S206)。该方法解决了现有技术中采用单一的负荷预测算法预测能源负荷时准确率低的技术问题。

Description

基于神经网络的负荷预测方法及装置 技术领域
本发明涉及通信领域，具体而言，涉及一种基于神经网络的负荷预测方法及装置。
背景技术
现有技术中，能源(如蒸汽)供应用户分为工业、商业、居民、办公等，不同用户的蒸汽负荷、负荷量级、负荷特点都不尽相同，负荷预测的准确性关乎优化调度、关乎运营策略。提前进行能源预测可以保证用户的实际用户，同时减少能源的浪费。
现有技术中负荷预测的方法很多，比如指数平滑、Arima、神经网络等，但是单一的负荷预测算法预测准确性欠佳，预测偏差较大，不利于后期调度优化。
针对现有技术中存在的上述问题，目前尚未发现有效的解决方案。
发明内容
本发明实施例提供了一种基于神经网络的负荷预测方法及装置。
根据本发明的一个实施例，提供了一种基于神经网络的负荷预测方法，包括：
接收待预测的时间段；
将所述时间段输入至用于预测能源负荷的神经网络模型，其中，所述神经网络模型是基于混合粒子群算法训练得到的径向基神经网络RBF；
使用所述神经网络模型预测在所述时间段的能源负荷值。
可选地，在将所述时间段输入至用于预测能源负荷的神经网络模型之前，所述方法还包括：
从第三方获取所述神经网络模型；
使用样本数据训练得到所述神经网络模型。
可选地，使用样本数据训练得到所述神经网络模型包括：
确定初始模型的拓扑结构，其中，所述拓扑结构包括：输入层，隐藏层，输出层；
对所述初始模型的参数进行编码，得到初始粒子种群，其中，所述参数包括：径向基函数的中心参数，方差参数，隐藏层的权重参数，以及输出层的权重参数，每个参数为一个粒子；
解码初始粒子种群，得到所述初始模型的初始参数；
将所述初始参数赋值给所述初始模型，得到RBF网络模型；
使用训练样本和测试样本优化所述RBF网络模型。
可选地，使用训练样本和测试样本优化所述RBF网络模型包括：
将训练样本和测试样本分别输入至所述RBF网络模型，得到测试值和期望值；
选择由所述预测值和所述期望值组成的误差矩阵的范数作为适应度值；
使用所述适应度值对种群中的粒子进行更新。
可选地，使用所述适应度值对种群中的粒子进行更新包括：
对种群中的粒子的速度和位置进行更新；
使用所述适应度值对种群中的粒子的个体极值进行更新，使用所述适应度值对种群中的粒子的群体极值进行更新；
对种群中的粒子进行变异操作，当新粒子的适应度值好于旧粒子时才更新粒子时，对粒子进行更新。
可选地，对种群中的粒子的速度和位置进行更新包括：
使用以下公式对种群中的粒子的速度和位置进行迭代更新：
Figure PCTCN2019107945-appb-000001
Figure PCTCN2019107945-appb-000002
其中，X i＝(x i1,x i2,........x iD)表示含有D维的一个种群粒子，V i＝(v i1,v i2,.....v iD)表示含有D维的一个种群粒子的速度，P i＝(p i1,p i2,.......p iD)表示含有D维的个体粒子极值，P g＝(p g1,p g2,......p gD)表示含有D维的群体极值，w为惯性权重，d＝1，2，…D,i＝1,2,…n,k为当前迭代次数，V id为粒子的速度，c 1，c 2是非负的常数，为加速度因子，r 1，r 2是分布在[0,1]的随机数。
根据本发明的另一个实施例，提供了一种基于神经网络的负荷预测装置，包括：
接收模块，用于接收待预测的时间段；
输入模块，用于将所述时间段输入至用于预测能源负荷的神经网络模型，其中，所述神经网络模型是基于混合粒子群算法训练得到的径向基神经网络RBF；
预测模块，用于使用所述神经网络模型预测在所述时间段的能源负荷值。
可选地，所述装置还包括：
确定模块，用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前，确定初始模型的拓扑结构，其中，所述拓扑结构包括：输入层，隐藏层，输出层；
编码模块，用于对所述初始模型的参数进行编码，得到初始粒子种群，其中，所述参数包括：径向基函数的中心参数，方差参数，隐藏层的权重参数，以及输出层的权重参数，每个参数为一个粒子；
解码模块，用于解码初始粒子种群，得到所述初始模型的初始参数；
赋值模块，用于将所述初始参数赋值给所述初始模型，得到RBF网络模型；
优化模块，用于使用训练样本和测试样本优化所述RBF网络模型。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，采用基于混合粒子群算法训练得到的径向基神经网络预测能源负荷值，通过引入混合粒子群和径向基神经网络的泛化能力强和网络逼近精度高等优点，从而优化出神经网络模型最佳的初始权值和偏置，解决了现有技术中采用单一的负荷预测算法预测能源负荷时准确率低的技术问题，缩小了预测偏差，提高了预测能源负荷的准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例的一种基于神经网络的负荷预测网络终端的硬件结构框图；
图2是根据本发明实施例的基于神经网络的负荷预测方法的流程图；
图3是根据本发明实施例的基于神经网络的负荷预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本申请实施例一所提供的方法实施例可以在服务器，网络终端、计算机终端或者类似的运算装置中执行。以运行在网络终端上为例，图1是本发明实施例的一种基于神经网络的负荷预测网络终端的硬件结构框图。如图1所示，网络终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述网络终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述网络终端的结构造成限定。例如，网络终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的基于神经网络的负荷预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至网络终端10。上述网络的实例包括但不限于互联网、企业内部网、 局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括网络终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于神经网络的负荷预测方法，图2是根据本发明实施例的基于神经网络的负荷预测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，接收待预测的时间段；
步骤S204，将时间段输入至用于预测能源负荷的神经网络模型，其中，神经网络模型是基于混合粒子群算法训练得到的径向基神经网络(Radial Basis Function，RBF)；
步骤S206，使用神经网络模型预测在时间段的能源负荷值。
通过上述步骤，采用基于混合粒子群算法训练得到的径向基神经网络预测能源负荷值，通过引入混合粒子群和径向基神经网络的泛化能力强和网络逼近精度高等优点，从而优化出神经网络模型最佳的初始权值和偏置，解决了现有技术中采用单一的负荷预测算法预测能源负荷时准确率低的技术问题，缩小了预测偏差，提高了预测能源负荷的准确率。
可选地，上述步骤的执行主体可以为数据处理设备，服务器，终端等，具体可以是处理器，算法模块等，但不限于此。
本实施例的应用场景，可以应用在能源预测、流量预测等人工智能的场景中，能源具体可以是热能源，也可以是水、电、气等消耗性能源。本实施例的模型假设如下：
不考虑天气、温度、启停状态等对负荷的影响；
负荷数据为时间序列，变量1为时间(输入)，变量2为负荷值(输出)。
在本实施例中，在将时间段输入至用于预测能源负荷的神经网络模型之前，还需要设置该神经网络模型，包括：从第三方获取神经网络模型，如从供应商购买；使用样本数据训练得到神经网络模型。
在本实施例的一个可选实施方式，使用样本数据训练得到神经网络模型包括：
S11，确定初始模型的拓扑结构，其中，拓扑结构包括：输入层，隐藏层，输出层；
S12，对初始模型的参数进行编码，得到初始粒子种群，其中，参数包括：径向基函数的中心参数，方差参数，隐藏层的权重参数，以及输出层的权重参数，每个参数为一个粒子，用8bit二进制码表示，并初始一个在[-0.5,0.5]的随机值。初始模型的参数也叫学习参数。
S13，解码初始粒子种群，得到初始模型的初始参数；
S14，将初始参数赋值给初始模型，得到RBF网络模型；
此时的RBF网络模型是初级的网络模型，可以进一步训练和优化；
S15，使用训练样本和测试样本优化RBF网络模型。先使用训练样本训练RBF网络模型，再使用测试样本测试RBF网络模型。
神经网络算法的权值和偏置是通过随机初始化[-0.5,0.5]区间的随机数，这个初始化参数对网络训练的影响很大，如何恰当而又准确的获得或设置这些参数是本实施例的一个实施方式。本实施例通过引入混合粒子群和径向基神经网络，具有泛化能力强、网络逼近精度高等优点，从而优化出最佳的初始权值和偏置。
可选的，使用训练样本和测试样本优化RBF网络模型包括：将训练样本和测试样本分别输入至RBF网络模型，得到测试值和期望值；选择由预测值和期望值组成的误差矩阵的范数作为适应度值；使用适应度值对 种群中的粒子进行更新。
在本实施例中，粒子算法更新涉及到的参数为：速度，位置，个体极值，种群的群体极值等。使用适应度值对种群中的粒子进行更新包括：
S21，对种群中的粒子的速度和位置进行更新；
在一个可选的实施方案中，对种群中的粒子的速度和位置进行更新包括：使用以下公式对种群中的粒子的速度和位置进行迭代更新：
Figure PCTCN2019107945-appb-000003
Figure PCTCN2019107945-appb-000004
其中，X i＝(x i1,x i2,........x iD)表示含有D维的一个种群粒子，V i＝(v i1,v i2,.....v iD)表示含有D维的一个种群粒子的速度，P i＝(p i1,p i2,.......p iD)表示含有D维的个体粒子极值，P g＝(p g1,p g2,......p gD)表示含有D维的群体极值，w为惯性权重，d＝1，2，…D,i＝1,2,…n,k为当前迭代次数，V id为粒子的速度，c 1，c 2是非负的常数，为加速度因子，r 1，r 2是分布在[0,1]的随机数。
S22，使用适应度值对种群中的粒子的个体极值进行更新，使用适应度值对种群中的粒子的群体极值进行更新；
对种群中个体进行最优交叉，个体粒子通过和个体极值粒子进行交叉更新，交叉方法采用整数交叉法，首先选定两个交叉位置，然后把个体和个体极值进行交叉，对得到的新个体采用了保留优秀个体策略，只有当新粒子适应度值大于旧粒子适应度值时才更新粒子。在另一方面，使用适应度值对种群中的粒子的群体极值进行更新时，对种群进行最优交叉，此步骤和第八操作相似，只是将个体极值换成群体极值。
S23，对种群中的粒子进行变异操作，当新粒子的适应度值好于旧粒子时才更新粒子时，对粒子进行更新。
对种群中的粒子操作进行变异操作，变异操作采用个体内部两位互换方法，首先随机选择变异位置pos1和pos2，然后把两个变异位置互换。对得到的新个体采用了保留优秀个体策略，只有当新粒子适应度值好于旧 粒子时才更新粒子。
在得到新种群后，判断是否满足终止条件，如，是否达到最大迭代次数，满足小于限定的误差。
在实际作业中，为了验证本实施例的能源预测模型，选取30天的热负荷预测值(一天24小时，每小时对应一个热负荷值，共计720个点作为实验数据，其中20天的数据作为训练集数据，后10天的数据作为测试数据集。实验效果的衡量指标我们选取了平均相对误差MAPE，均方根误差RMSE和偏差率DR(deviation rate)
平均相对误差MAPE:
Figure PCTCN2019107945-appb-000005
均方根误差RMSE:
Figure PCTCN2019107945-appb-000006
偏差率DR：
Figure PCTCN2019107945-appb-000007
其中，y t代表真实值，y d代表预测值，n代表样本数。
得到的指标数据如表1所示：
表1
Figure PCTCN2019107945-appb-000008
从上面数据指标可以看出，本实施例的算法模型的效果明显，优于仅采用径向基神经网络算法的方案。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
实施例2
在本实施例中还提供了一种基于神经网络的负荷预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的基于神经网络的负荷预测装置的结构框图，如图3所示，该装置包括：
接收模块30，用于接收待预测的时间段；
输入模块32，用于将所述时间段输入至用于预测能源负荷的神经网络模型，其中，所述神经网络模型是基于混合粒子群算法训练得到的径向基神经网络RBF；
预测模块34，用于使用所述神经网络模型预测在所述时间段的能源负 荷值。
可选的，所述装置还包括：确定模块，用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前，确定初始模型的拓扑结构，其中，所述拓扑结构包括：输入层，隐藏层，输出层；编码模块，用于对所述初始模型的参数进行编码，得到初始粒子种群，其中，所述参数包括：径向基函数的中心参数，方差参数，隐藏层的权重参数，以及输出层的权重参数，每个参数为一个粒子；解码模块，用于解码初始粒子种群，得到所述初始模型的初始参数；赋值模块，用于将所述初始参数赋值给所述初始模型，得到RBF网络模型；优化模块，用于使用训练样本和测试样本优化所述RBF网络模型。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本发明的实施例还提供了一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的计算机程序：
S1，接收待预测的时间段；
S2，将所述时间段输入至用于预测能源负荷的神经网络模型，其中，所述神经网络模型是基于混合粒子群算法训练得到的径向基神经网络RBF；
S3，使用所述神经网络模型预测在所述时间段的能源负荷值。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存 储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，接收待预测的时间段；
S2，将所述时间段输入至用于预测能源负荷的神经网络模型，其中，所述神经网络模型是基于混合粒子群算法训练得到的径向基神经网络RBF；
S3，使用所述神经网络模型预测在所述时间段的能源负荷值。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

  1. 一种基于神经网络的负荷预测方法，其特征在于，包括：
    接收待预测的时间段；
    将所述时间段输入至用于预测能源负荷的神经网络模型，其中，所述神经网络模型是基于混合粒子群算法训练得到的径向基神经网络RBF；
    使用所述神经网络模型预测在所述时间段的能源负荷值。
  2. 根据权利要求1所述的方法，其特征在于，在将所述时间段输入至用于预测能源负荷的神经网络模型之前，所述方法还包括：
    从第三方获取所述神经网络模型；
    使用样本数据训练得到所述神经网络模型。
  3. 根据权利要求2所述的方法，其特征在于，使用样本数据训练得到所述神经网络模型包括：
    确定初始模型的拓扑结构，其中，所述拓扑结构包括：输入层，隐藏层，输出层；
    对所述初始模型的参数进行编码，得到初始粒子种群，其中，所述参数包括：径向基函数的中心参数，方差参数，隐藏层的权重参数，以及输出层的权重参数，每个参数为一个粒子；
    解码初始粒子种群，得到所述初始模型的初始参数；
    将所述初始参数赋值给所述初始模型，得到RBF网络模型；
    使用训练样本和测试样本优化所述RBF网络模型。
  4. 根据权利要求3所述的方法，其特征在于，使用训练样本和测试样本优化所述RBF网络模型包括：
    将训练样本和测试样本分别输入至所述RBF网络模型，得到测试值和期望值；
    选择由所述预测值和所述期望值组成的误差矩阵的范数作为适应度值；
    使用所述适应度值对种群中的粒子进行更新。
  5. 根据权利要求4所述的方法，其特征在于，使用所述适应度值对种群中的粒子进行更新包括：
    对种群中的粒子的速度和位置进行更新；
    使用所述适应度值对种群中的粒子的个体极值进行更新，使用所述适应度值对种群中的粒子的群体极值进行更新；
    对种群中的粒子进行变异操作，当新粒子的适应度值好于旧粒子时才更新粒子时，对粒子进行更新。
  6. 根据权利要求5所述的方法，其特征在于，对种群中的粒子的速度和位置进行更新包括：
    使用以下公式对种群中的粒子的速度和位置进行迭代更新：
    Figure PCTCN2019107945-appb-100001
    Figure PCTCN2019107945-appb-100002
    其中，X i＝(x i1,x i2,........x iD)表示含有D维的一个种群粒子，V i＝(v i1,v i2,.....v iD)表示含有D维的一个种群粒子的速度，P i＝(p i1,p i2,.......p iD)表示含有D维的个体粒子极值，P g＝(p g1,p g2,......p gD)表示含有D维的群体极值，w为惯性权重，d＝1，2，…D,i＝1,2,…n,k为当前迭代次数，V id为粒子的速度，c 1，c 2是非负的常数，为加速度因子，r 1，r 2是分布在[0,1]的随机数。
  7. 一种基于神经网络的负荷预测装置，其特征在于，包括：
    接收模块，用于接收待预测的时间段；
    输入模块，用于将所述时间段输入至用于预测能源负荷的神经网络模型，其中，所述神经网络模型是基于混合粒子群算法训练得到的径向基神经网络RBF；
    预测模块，用于使用所述神经网络模型预测在所述时间段的能源负荷值。
  8. 根据权利要求7所述的装置，其特征在于，所述装置还包括：
    确定模块，用于在所述输入模块将所述时间段输入至用于预测能源负荷的神经网络模型之前，确定初始模型的拓扑结构，其中，所述拓扑结构包括：输入层，隐藏层，输出层；
    编码模块，用于对所述初始模型的参数进行编码，得到初始粒子种群，其中，所述参数包括：径向基函数的中心参数，方差参数，隐藏层的权重参数，以及输出层的权重参数，每个参数为一个粒子；
    解码模块，用于解码初始粒子种群，得到所述初始模型的初始参数；
    赋值模块，用于将所述初始参数赋值给所述初始模型，得到RBF网络模型；
    优化模块，用于使用训练样本和测试样本优化所述RBF网络模型。
  9. 一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
  10. 一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
PCT/CN2019/107945 2018-10-22 2019-09-25 基于神经网络的负荷预测方法及装置 Ceased WO2020082973A1 (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2021514399A 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
SG11202102669PA SG11202102669PA (en) 2018-10-22 2019-09-25 Load prediction method and apparatus based on neural network
US17/256,235 US20210133536A1 (en) 2018-10-22 2019-09-25 Load prediction method and apparatus based on neural network
EP19877422.6A EP3822880A4 (en) 2018-10-22 2019-09-25 LOAD PREDICTION PROCESS AND APPARATUS BASED ON A NEURONAL NETWORK

Applications Claiming Priority (2)

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

Publications (1)

Publication Number Publication Date
WO2020082973A1 true WO2020082973A1 (zh) 2020-04-30

Family

ID=65045713

Family Applications (1)

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

Country Status (6)

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

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112149903A (zh) * 2020-09-22 2020-12-29 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
CN113240161A (zh) * 2021-04-27 2021-08-10 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
CN113486933A (zh) * 2021-06-22 2021-10-08 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
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
CN114189475A (zh) * 2021-12-15 2022-03-15 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
CN114298091A (zh) * 2021-12-13 2022-04-08 国网湖北省电力有限公司电力科学研究院 Sf6气体流量计量值修正方法、装置、设备及存储介质
CN115099142A (zh) * 2022-06-22 2022-09-23 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

Families Citing this family (33)

* 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
CN114065987A (zh) * 2020-07-31 2022-02-18 北京国电智深控制技术有限公司 一种不良数据的修复方法、存储介质和电子装置
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 园区综合能源系统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系统
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
CN113946790B (zh) * 2021-10-20 2024-07-26 安徽理工大学 一种导水裂隙带高度预测方法、系统、设备及终端
CN113987931A (zh) * 2021-10-25 2022-01-28 国网山东省电力公司青岛供电公司 一种微电网群负荷预测方法、系统、介质及电子设备
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
CN114154690A (zh) * 2021-11-18 2022-03-08 南方科技大学 交通速度预测模型构建方法、交通速度预测方法及装置
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
CN114548350A (zh) * 2022-02-28 2022-05-27 上海电机学院 一种基于樽海鞘群和bp神经网络的电力负荷预测方法
CN114580785A (zh) * 2022-03-30 2022-06-03 Tcl家用电器（合肥）有限公司 一种电器耗电量预测方法、装置、设备和存储介质
KR102880658B1 (ko) * 2022-05-03 2025-11-03 세메스 주식회사 변경된 RBF(Radial basis function) 뉴럴 네트워크를 포함하는 프로세서 및 이를 제공하는 방법
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
CN115034474B (zh) * 2022-06-10 2025-09-12 国网四川省电力公司营销服务中心 一种短期电力负荷预测方法及预测系统
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
CN115049038B (zh) * 2022-07-01 2024-08-20 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系统、设备及可读存储介质
CN115481788B (zh) * 2022-08-31 2023-08-25 北京建筑大学 相变储能系统负荷预测方法及系统
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系统
CN115879043A (zh) * 2022-11-24 2023-03-31 中国工商银行股份有限公司 分类模型的训练方法、装置、计算机设备和存储介质
CN116167523B (zh) * 2023-03-06 2026-04-07 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 一种融合多神经网络的sncr脱硝预测方法
CN118690156B (zh) * 2024-07-04 2025-04-29 中铁十九局集团矿业投资有限公司 一种基于神经网络优化算法的爆破块度预测方法及装置
CN118915473A (zh) * 2024-10-10 2024-11-08 青岛海青汽车股份有限公司 应用于移动式变压器的智能控制调节系统
CN119419761B (zh) * 2024-10-24 2025-11-18 西安热工研究院有限公司 联合循环发电系统的负荷预测调节方法及装置
CN119089157A (zh) * 2024-11-08 2024-12-06 北京理工大学 一种基于改进粒子群的rbf网络非线性温度误差补偿方法
CN119510325A (zh) * 2025-01-16 2025-02-25 北京北控悦慧环境科技有限公司 一种基于光谱数据分析的水环境质量检测方法及系统
CN120237640B (zh) * 2025-05-29 2025-08-22 北京京能科技有限公司 分布式光伏储能系统优化配置方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498457A (zh) * 2009-03-02 2009-08-05 杭州电子科技大学 一种锅炉燃烧优化的方法
US20130110756A1 (en) * 2011-10-31 2013-05-02 Siemens Corporation Short-term Load Forecast Using Support Vector Regression and Feature Learning
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
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
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10325150B2 (en) * 2012-08-29 2019-06-18 Eaton Intelligent Power Limited System and method for electric load identification and classification employing support vector machine
WO2014075108A2 (en) * 2012-11-09 2014-05-15 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
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
US9778639B2 (en) * 2014-12-22 2017-10-03 Johnson Controls Technology Company Systems and methods for adaptively updating equipment models
US10534328B2 (en) * 2016-06-21 2020-01-14 General Electric Company Methods and systems for enhancing control of power plant generating units
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498457A (zh) * 2009-03-02 2009-08-05 杭州电子科技大学 一种锅炉燃烧优化的方法
US20130110756A1 (en) * 2011-10-31 2013-05-02 Siemens Corporation Short-term Load Forecast Using Support Vector Regression and Feature Learning
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
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
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3822880A4 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112149903A (zh) * 2020-09-22 2020-12-29 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
CN113240161A (zh) * 2021-04-27 2021-08-10 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
CN113486933A (zh) * 2021-06-22 2021-10-08 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
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
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
CN114298091A (zh) * 2021-12-13 2022-04-08 国网湖北省电力有限公司电力科学研究院 Sf6气体流量计量值修正方法、装置、设备及存储介质
CN114189475A (zh) * 2021-12-15 2022-03-15 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
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
CN115099142A (zh) * 2022-06-22 2022-09-23 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

Also Published As

Publication number Publication date
EP3822880A1 (en) 2021-05-19
EP3822880A4 (en) 2021-09-08
JP2022502735A (ja) 2022-01-11
CN109255498A (zh) 2019-01-22
US20210133536A1 (en) 2021-05-06
SG11202102669PA (en) 2021-04-29
JP7412423B2 (ja) 2024-01-12

Similar Documents

Publication Publication Date Title
WO2020082973A1 (zh) 基于神经网络的负荷预测方法及装置
CN113469325B (zh) 一种边缘聚合间隔自适应控制的分层联邦学习方法、计算机设备、存储介质
CN107995039B (zh) 面向云软件服务的资源自学习与自适应分配方法
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
WO2016165392A1 (zh) 一种基于遗传算法的云计算资源调度方法
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN108416465B (zh) 一种移动云环境下的工作流优化方法
CN112287990B (zh) 一种基于在线学习的边云协同支持向量机的模型优化方法
CN113240226A (zh) 一种卫星地面站间的资源分配方法及装置
CN111158912B (zh) 云雾协同计算环境下一种基于深度学习的任务卸载决策方法
CN110968426A (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
Yang et al. Multi-objective deep reinforcement learning for mobile edge computing
CN113239639A (zh) 策略信息生成方法、装置、电子装置和存储介质
Tang et al. Budget‐constraint stochastic task scheduling on heterogeneous cloud systems
CN116647455B (zh) 一种基于深度强化学习的虚拟网络映射方法
CN116436013B (zh) 配电系统功率分配方法、系统、计算机设备及存储介质
CN110233763B (zh) 一种基于时序差分学习的虚拟网络嵌入算法
CN110008023A (zh) 基于遗传算法的云计算系统预算约束随机任务调度方法
CN104199870A (zh) 基于混沌搜索的ls-svm预测模型的建立方法
CN115933380A (zh) 发电过程的策略预测模型的训练方法及相关设备
Wu et al. A genetic-ant-colony hybrid algorithm for task scheduling in cloud system
CN119765285A (zh) 一种能源调度方法、设备、存储介质及程序产品
CN117648174B (zh) 基于人工智能的云计算异构任务调度和容器管理方法
CN117371768B (zh) 一种城市用电的供电调度方法、系统与介质
CN115185655B (zh) 基于基因频次改进的云计算平台任务调度方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19877422

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 19877422.6

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2021514399

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE