精準的需求預測對于高效、綠色地使用多種類型能源具有十分重要的作用,值得開展深入研究。結合當前人工智能的研究熱點,提出了一種基于卷積神經網絡（convolutional neural network,CNN）和深度置信網絡（deep belief network,DBN）的多類型能源需求預測方法。首先,通過CNN進行自動特征提取,并將其中間層的更有效特征抽取出來。然后,將抽取到的特征輸入給DBN網絡,從而進行無監(jiān)督和有監(jiān)督方式相結合的訓練學習,最終得到能源需求預測結果。最后,仿真實驗表明,所提模型能夠有效提取數據樣本特征,挖掘各類型能源需求的演變規(guī)律,驗證了所提模型的有效性和適用性。 

【文章來源】：供用電. 2020,37(10)

【文章頁數】：6 頁

【部分圖文】：

單個受限玻爾茲曼機結構

對DBN進行網絡結構的訓練，可以得到連接權值以及神經元偏置。而DBN的訓練過程又包含2個步驟：無監(jiān)督預訓練和有監(jiān)督反向微調[21]。DBN網絡的訓練過程如圖2所示。DBN模型首先采用貪婪算法非監(jiān)督地自底向上單獨訓練每一個RBM[22]。底層的RBM訓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，從而學習更高層的特征。此預訓練過程確定了整個DBN網絡的初始值。然后，為保證每層的RBM都能對整個DBN特征向量映射最優(yōu)，使DBN網絡收斂至最優(yōu)點，采用類BP神經網絡的監(jiān)督學習方法對整個DBN網絡進行自頂向下的微調。

基于CNN-DBN的多類型能源需求預測模型流程


本文編號：3223304