The invention provides a load forecasting method and device based on neural network, in which the method includes: receiving the time period to be predicted; inputting the time period into a neural network model for forecasting energy load, in which the neural network model is a radial basis function neural network trained by hybrid particle swarm optimization algorithm; and forecasting by using the neural network model. The energy load value of the time period. The invention solves the technical problem of low accuracy when single load forecasting algorithm is used to predict energy load in the prior art.
【技术实现步骤摘要】
基于神经网络的负荷预测方法及装置
本专利技术涉及通信领域,具体而言,涉及一种基于神经网络的负荷预测方法及装置。
技术介绍
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。
技术实现思路
本专利技术实施例提供了一种基于神经网络的负荷预测方法及装置。根据本专利技术的一个实施例,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 ...
【技术保护点】
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。
【技术特征摘要】
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:其中,Xi=(...
【专利技术属性】
技术研发人员:黄信,刘胜伟,
申请(专利权)人:新智数字科技有限公司,
类型:发明
国别省市:河北,13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。