[發明專利]一種大數據環境下的短期負荷預測方法

在審

• 申請號: 201711442212.5
• 申請日: 2017-12-27
• 公開（公告）號: CN108182490A
• 公開（公告）日: 2018-06-19
• 發明（設計）人: 李先允;朱一驕;王書征;唐昕杰;王建宇
• 申請（專利權）人: 南京工程學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08;G06N3/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 饒欣

1.一種大數據環境下的短期負荷預測方法，其特征在于：包括以下步驟：

S1：獲取歷史負荷數據集；

S2：利用基于Hadoop架構的MapReduce數據處理系統，將負荷數據集拆分為小型數據集，存儲在分布式文件系統的各個數據節點中；

S3：構建BP神經網絡，初始化BP神經網絡參數；

S4：利用粒子群算法對BP神經網絡的初始參數進行優化，得到權值和閾值上傳到分布式文件系統中；

S5：在Map階段，讀取分布式文件系統中的參數，包括權值、閾值，在每個子任務開始時，還原BP神經網絡；依據子任務所分配數據進行BP神經網絡的輸入信號的正向傳遞和誤差信號的反向傳播，獲取BP神經網絡的權值、閾值在當前數據集下的修正量，并依據鍵值對形式作為Reduce階段的輸入參數；

S6：在Reduce階段，BP神經網絡對所有數據集訓練后，依據輸入層、隱含層以及輸出層神經元相應的鍵值對<key,value>中的key值，統計全體負荷數據樣本訓練結束后對各神經元權值、閾值的影響量，將結果輸出至分布式文件系統中；

S7：判斷當前迭代任務下，是否達到收斂精度或達到預先設定的迭代次數；若是，依據BP神經網絡的輸入層、隱含層和輸出層的層數，及其分布式文件系統中權值、閾值參數，建立分布式BP神經網絡模型；若不是，進行BP神經網絡權值、閾值參數的修正；

S8：依據分布式BP神經網絡模型，輸入預測日數據進行預測，得到預測日的負荷功率數據。

2.根據權利要求1所述的大數據環境下的短期負荷預測方法，其特征在于：所述步驟S4中，利用粒子群算法對BP神經網絡的初始參數進行優化的具體過程為：將BP神經網絡的初始權值和閾值集合映射為粒子群，即設粒子群的位置元素是BP神經網絡的所有節點之間的連接權值和閾值，每次迭代求出粒子群最優的權值和閾值，最終得到全局最優的權值和閾值，賦予BP神經網絡；粒子群的速度和位置更新方程為：

式(1)中，ω_(t)為第t次迭代的慣性權重因子；c₁和c₂同為學習因子或同為加速常數；r₁和r₂同為[0,1]范圍內的均勻隨機數；v_id為第i個粒子第d維的速度，x_id為第i個粒子第d維的位置，p_id為第i個粒子經歷過的最優位置，p_gd為整個粒子群經歷過的最優位置。

3.根據權利要求1所述的大數據環境下的短期負荷預測方法，其特征在于：所述步驟S5中，獲取BP神經網絡的權值、閾值在當前數據集下的修正量的過程為：

設誤差指標函數為：

式(2)中，Y_i為第i個樣本期望的網絡輸出向量；Y_i′為第i個樣本實際的網絡輸出向量；p為樣本數目；w為網絡權值和閾值所組成的向量；e_i(w)為第i個樣本的誤差；

設w^k表示第k次迭代的權值和閾值所組成的向量，新的權值和閾值所組成的向量w^k+1＝w^k+Δw；權值增量Δw計算公式如下：

Δw＝[J^T(w)J(w)+μI]^-1J^T(w)e(w) (3)

式(3)中，I為單位矩陣；μ為用戶定義的學習率；e(w)為誤差；J(w)為Jacobian矩陣,即：

式(4)中，w_u為第n次迭代權值和閾值所組成的向量，1≤u≤n。

4.根據權利要求2所述的大數據環境下的短期負荷預測方法，其特征在于：所述ω_(t)通過下式得到：

ω_(t)＝μω_(t-1)(1-ω_(t-1)) (5)

式(5)中，μ為混沌理論參數。