基于神经网络的负荷预测方法及装置制造方法及图纸

本发明专利技术提供了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；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；使用所述神经网络模型预测在所述时间段的能源负荷值。通过本发明专利技术，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。

Load forecasting method and device based on Neural Network

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：其中，Xi＝(xi1,xi2,........xiD)表示含有D维的一个种群粒子，Vi＝(vi1,vi2,.....viD)表示含有D维的一个种群粒子的速度，Pi＝(pi1,pi2,.......piD)表示含有D维的个体粒子极值，Pg＝(pg1,pg2,......pgD)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，Vid为粒子的速度，c1，c2是非负的常数，为加速度因子，r1，r2是分布在[0,1]的随机数。根据本专利技术的另一个实施例，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。根据本专利技术的又一个实施例，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。根据本专利技术的又一个实施例，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。通过本专利技术，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专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是本专利技术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是根据本专利技术实施例的基于神经网络的负荷预测方法的流程图；图3是根据本专利技术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
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。需要说明的是，本专利技术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，以便这里描述的本专利技术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是本专利技术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，如本专利技术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本文档来自技高网...

【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