精準(zhǔn)的需求預(yù)測(cè)對(duì)于高效、綠色地使用多種類型能源具有十分重要的作用,值得開(kāi)展深入研究。結(jié)合當(dāng)前人工智能的研究熱點(diǎn),提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）和深度置信網(wǎng)絡(luò)（deep belief network,DBN）的多類型能源需求預(yù)測(cè)方法。首先,通過(guò)CNN進(jìn)行自動(dòng)特征提取,并將其中間層的更有效特征抽取出來(lái)。然后,將抽取到的特征輸入給DBN網(wǎng)絡(luò),從而進(jìn)行無(wú)監(jiān)督和有監(jiān)督方式相結(jié)合的訓(xùn)練學(xué)習(xí),最終得到能源需求預(yù)測(cè)結(jié)果。最后,仿真實(shí)驗(yàn)表明,所提模型能夠有效提取數(shù)據(jù)樣本特征,挖掘各類型能源需求的演變規(guī)律,驗(yàn)證了所提模型的有效性和適用性。 

【文章來(lái)源】：供用電. 2020,37(10)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

單個(gè)受限玻爾茲曼機(jī)結(jié)構(gòu)

對(duì)DBN進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練，可以得到連接權(quán)值以及神經(jīng)元偏置。而DBN的訓(xùn)練過(guò)程又包含2個(gè)步驟：無(wú)監(jiān)督預(yù)訓(xùn)練和有監(jiān)督反向微調(diào)[21]。DBN網(wǎng)絡(luò)的訓(xùn)練過(guò)程如圖2所示。DBN模型首先采用貪婪算法非監(jiān)督地自底向上單獨(dú)訓(xùn)練每一個(gè)RBM[22]。底層的RBM訓(xùn)練完成后便將其隱藏層的輸出傳送給高層的RBM作為其輸入，從而學(xué)習(xí)更高層的特征。此預(yù)訓(xùn)練過(guò)程確定了整個(gè)DBN網(wǎng)絡(luò)的初始值。然后，為保證每層的RBM都能對(duì)整個(gè)DBN特征向量映射最優(yōu)，使DBN網(wǎng)絡(luò)收斂至最優(yōu)點(diǎn)，采用類BP神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)方法對(duì)整個(gè)DBN網(wǎng)絡(luò)進(jìn)行自頂向下的微調(diào)。

基于CNN-DBN的多類型能源需求預(yù)測(cè)模型流程


本文編號(hào)：3223304