益預(yù)測(cè)。
[0045] 2、具有聯(lián)想存儲(chǔ)功能。
[0046] 3、具有高速尋找優(yōu)化解的能力。尋找一個(gè)復(fù)雜問(wèn)題的優(yōu)化解，往往需要很大的計(jì) 算量，利用一個(gè)針對(duì)某問(wèn)題而設(shè)計(jì)的反饋型人工神經(jīng)網(wǎng)絡(luò)，發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，可 能很快找到優(yōu)化解。
[0047] 人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它是 在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過(guò)模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的 方式進(jìn)行信息處理。
[0048] 4、非線性 非線性關(guān)系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于 激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性關(guān)系。具有閾值的神經(jīng) 兀構(gòu)成的網(wǎng)絡(luò)具有更好的性能，可以提尚容錯(cuò)性和存儲(chǔ)容量。
[0049] 5、非局限性 一個(gè)神經(jīng)網(wǎng)絡(luò)通常由多個(gè)神經(jīng)元廣泛連接而成。一個(gè)系統(tǒng)的整體行為不僅取決于單個(gè) 神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過(guò)單元之間的大 量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。
[0050] 6、非常定性 人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)不但處理的信息可以有各種 變化，而且在處理信息的同時(shí)，非線性動(dòng)力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過(guò)程描寫 動(dòng)力系統(tǒng)的演化過(guò)程。
[0051] 7、非凸性 一個(gè)系統(tǒng)的演化方向，在一定條件下將取決于某個(gè)特定的狀態(tài)函數(shù)。例如能量函數(shù)，它 的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個(gè)極值，故系統(tǒng)具有多個(gè)較 穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。
[0052] 預(yù)測(cè)是根據(jù)歷史和現(xiàn)狀，事物的發(fā)展規(guī)律，對(duì)影響其變化的因素分析，投機(jī)的進(jìn)展 與趨勢(shì)的發(fā)展前景行的一種推測(cè)。在傳統(tǒng)的預(yù)測(cè)方法解決效果欠佳的領(lǐng)域，應(yīng)用神經(jīng)網(wǎng)絡(luò) 等智能預(yù)測(cè)方法往往能夠更有效。因?yàn)楝F(xiàn)實(shí)中大量存在的非線性、非平穩(wěn)的復(fù)雜動(dòng)力系統(tǒng) 問(wèn)題，如果以往的解決方法需要建立多向量時(shí)變非線性方程，這是比較困難的。
[0053] 神經(jīng)網(wǎng)絡(luò)中神經(jīng)元單元自組織復(fù)合使神經(jīng)網(wǎng)絡(luò)能夠重建任意的非線性連續(xù)函數(shù)。 以上說(shuō)明了神經(jīng)元具有簡(jiǎn)單的能夠反映非線性本質(zhì)特征的能力。通過(guò)神經(jīng)元單元?dú)w納過(guò) 程，可以對(duì)序列的變化進(jìn)行預(yù)測(cè)，也就是可以使網(wǎng)絡(luò)獲得序列的內(nèi)在規(guī)律。利用神經(jīng)網(wǎng)絡(luò)進(jìn) 行時(shí)問(wèn)序列預(yù)測(cè)的基本思路：用神經(jīng)網(wǎng)絡(luò)來(lái)擬合某個(gè)函數(shù)，然后預(yù)測(cè)未來(lái)值。以過(guò)去觀測(cè)值 作為輸入酬，以未來(lái)值作為輸出，假設(shè)以往觀測(cè)中過(guò)去值與未來(lái)值之間存在聯(lián)系，我們現(xiàn)在 需要做的事情就是找到這個(gè)函數(shù)。為一類高度非線性動(dòng)態(tài)關(guān)系的時(shí)間序列預(yù)測(cè)提供了一條 有效途徑，所以基于神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)方法是使用神經(jīng)網(wǎng)絡(luò)的方法之一。
[0054] 以下是本發(fā)明的具體應(yīng)用： 某地區(qū)的用電量數(shù)據(jù)的過(guò)往記錄情況如下。
[0055] 表1某地區(qū)的用電量
現(xiàn)在有二十三個(gè)月的統(tǒng)計(jì)數(shù)據(jù)，一共可以得到二十一組樣本進(jìn)行訓(xùn)練。利用本發(fā)明我 們把每三個(gè)月連續(xù)數(shù)據(jù)作為一組輸入，緊挨著的下一個(gè)月數(shù)據(jù)作為輸出。
[0056] 對(duì)原始數(shù)據(jù)對(duì)應(yīng)點(diǎn)和擬合數(shù)據(jù)的誤差的平方和進(jìn)行計(jì)算的叫和方差，簡(jiǎn)稱SSE。
模型選擇和擬合的成功率、數(shù)據(jù)預(yù)測(cè)的正確性和和方差的數(shù)值成反比，所以我們希望 和方差盡可能接近于零。我們所做預(yù)測(cè)的SSE非常接近0,見圖3。
[0058] 需要通過(guò)數(shù)據(jù)的變化來(lái)表征一個(gè)擬合的好壞，我們稱它為R。
原始數(shù)據(jù)和均值之差的平方和，也就是其中Totalsumofsquares，簡(jiǎn)稱SST。
通知計(jì)算我們可以知道確定系數(shù)R的正常取值范圍是在零和一之間，R離1越近，說(shuō)明 數(shù)學(xué)模型對(duì)數(shù)據(jù)擬合的也較好，方程的變量的解釋能力越強(qiáng)。我們所做預(yù)測(cè)的R=〇. 99997， 見圖4。
[0060] 以上兩個(gè)檢驗(yàn)結(jié)果從理論上說(shuō)明我們所做預(yù)測(cè)的準(zhǔn)確性非常高。用最后一組 [66. 5 61.3 63. 0]作為輸入，求得2015年2月份預(yù)測(cè)地區(qū)用電負(fù)荷是59. 5,而過(guò)后實(shí)際的 地區(qū)用電量是61. 8,誤差是3. 9%，證明本發(fā)明的方法是有效的。
[0061] 以上所述者，僅為本發(fā)明的較佳實(shí)施例而已，當(dāng)不能以此限定本發(fā)明實(shí)施的范圍， 即大凡依本發(fā)明申請(qǐng)專利范圍及發(fā)明說(shuō)明內(nèi)容所作的簡(jiǎn)單的等效變化與修飾，皆仍屬本發(fā) 明專利涵蓋的范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 基于大數(shù)據(jù)的用電負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于，該系統(tǒng)采用誤差反向傳播神經(jīng)網(wǎng)絡(luò) 方法對(duì)某一場(chǎng)所未來(lái)用電負(fù)荷量進(jìn)行預(yù)測(cè)，所述誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法包括輸入層、 隱層和輸出層，設(shè)定： 所述輸入層中的輸入向量為X ......，'巧，......，菊泉.:； 所述隱層輸出向量為'艱古每^.臘......，觸，......，觸; 所述輸出層輸出向量為留..=《毎觸......，嘴，......，曰;)f; 期望輸出向量為潘卻鴻……，4 ,……，磯'; 所述隱層到輸出層之間的權(quán)值矩陣用W表示，所述w= ……，孤'、，……，巧） ，其中列向量iFt為輸出層第k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量；所述輸入層到隱層之間的權(quán)值矩陣 用V表示，V……，:喀，……，??)，其中列向量為隱層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向 量； 對(duì)應(yīng)所述輸出層：所述式子（1)~ (4)中，轉(zhuǎn)移函數(shù)/(片為單極性Sigmoid函數(shù)(5) 所述式子（1)~（5)共同構(gòu)成了誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法的數(shù)學(xué)模型； 其中，所述輸入層信息對(duì)應(yīng)用電負(fù)荷量的歷史數(shù)據(jù)，所述輸出層信息對(duì)應(yīng)用電負(fù)荷量 的預(yù)測(cè)數(shù)據(jù)，所述隱層對(duì)應(yīng)預(yù)測(cè)數(shù)據(jù)與歷史數(shù)據(jù)之間的函數(shù)關(guān)系。2. 如權(quán)利要求1所述的基于大數(shù)據(jù)的用電負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于，設(shè)定輸出誤差 為E，輸出誤差為E是各層權(quán)值Wj*.，嘴的函數(shù)，調(diào)整權(quán)值可W改變誤差E，當(dāng)網(wǎng)絡(luò)輸出與期 望輸出不等時(shí)存在，所述輸出誤差為E的計(jì)算公式：擴(kuò)展到所述輸入層，得到所述輸出誤差為E的計(jì)算公式是：3. 如權(quán)利要求2所述的基于大數(shù)據(jù)的用電負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于，輸出誤差為E梯 度下降與權(quán)值的調(diào)整量成正比，并且其函數(shù)關(guān)系如下：其中，常數(shù)巧為比例系數(shù)，巧爸（〇，1);負(fù)號(hào)表示梯度下降； 由所述（8)、（9)可W推導(dǎo)出由上（8)、（9)可W得到所述誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法的數(shù)學(xué)模型中權(quán)值調(diào)整計(jì)算 公式為對(duì)于輸出層，設(shè)，則(13) 對(duì)于隱層，設(shè)則(14) 其中，?表示所述輸入層、隱層和輸出層任意一層的誤差信號(hào)，Y(或X)表示輸入層、隱 層和輸出層任意一層輸入信號(hào)；口表示學(xué)習(xí)率。4. 如權(quán)利要求3任意所述的基于大數(shù)據(jù)的用電負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于，所述誤差 反向傳播神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)步驟如下： 1) 初始化：對(duì)權(quán)值矩陣W、V賦隨機(jī)數(shù)，將樣本模式計(jì)算器Ρ和訓(xùn)練次數(shù)計(jì)算器q置為 壹，誤差E置零，學(xué)習(xí)率t設(shè)為壹到零之間的小數(shù)，網(wǎng)絡(luò)訓(xùn)練后達(dá)到的精度%;設(shè)為一個(gè)正 的小數(shù)； 2) 輸入訓(xùn)練樣本對(duì)，計(jì)算輸入層、隱層和輸出層任意一層輸出：用當(dāng)前樣本-與、對(duì) 向量數(shù)組X，d賦值，用式子（3)和（1)計(jì)算Y和0中各向量； 3) 計(jì)算網(wǎng)絡(luò)輸出誤差：采用均方根誤差作為網(wǎng)絡(luò)的總誤差，網(wǎng)絡(luò)對(duì)應(yīng) 不同的樣本具有不同的誤差設(shè)共有P對(duì)訓(xùn)練樣本； 4) 計(jì)算輸入層、隱層和輸出層任意一層誤差信號(hào)：應(yīng)用公式（10)、（11)計(jì)算和; 5) 計(jì)算輸入層、隱層和輸出層任意一層權(quán)值：應(yīng)用式子（12)計(jì)算W、V中各分量； 6) 檢查是否對(duì)所有樣本完成一次輪訓(xùn)，若^P，計(jì)算器p、q增加1，返回步驟2)，否則轉(zhuǎn) 到步驟7); 7) 是否達(dá)到精度要求，檢查網(wǎng)絡(luò)總誤差，當(dāng)&ME作為網(wǎng)絡(luò)總誤差時(shí)，若滿足% <鳥。。I，訓(xùn)練結(jié)束；否則E置0,P置1，則返回步驟2)。
【專利摘要】本發(fā)明公開了基于大數(shù)據(jù)的用電負(fù)荷預(yù)測(cè)系統(tǒng)，該系統(tǒng)采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法對(duì)某一場(chǎng)所未來(lái)用電負(fù)荷量進(jìn)行預(yù)測(cè)，所述誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法包括輸入層、隱層和輸出層，通過(guò)所述輸入層、隱層和輸出層之間的函數(shù)關(guān)系可建立所述誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法的數(shù)學(xué)模型；其中，所述輸入層信息對(duì)應(yīng)用電負(fù)荷量的歷史數(shù)據(jù)，所述輸出層信息對(duì)應(yīng)用電負(fù)荷量的預(yù)測(cè)數(shù)據(jù)，所述隱層對(duì)應(yīng)預(yù)測(cè)數(shù)據(jù)與歷史數(shù)據(jù)之間的函數(shù)關(guān)系。本發(fā)明采用誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法來(lái)對(duì)未來(lái)用電負(fù)荷量進(jìn)行預(yù)測(cè)，并建立了所述誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法的數(shù)學(xué)模型，使得預(yù)測(cè)結(jié)果更為準(zhǔn)確，并且可計(jì)算其準(zhǔn)確地誤差，給生活帶來(lái)了很大的方便。
【IPC分類】G06Q10/04, G06Q50/06
【公開號(hào)】CN105243454
【申請(qǐng)?zhí)枴緾N201510747336
【發(fā)明人】張曉煒
【申請(qǐng)人】廣州威沃電子有限公司
【公開日】2016年1月13日
【申請(qǐng)日】2015年11月6日