[發(fā)明專利]分布式內(nèi)存并行計算優(yōu)化深度信念網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201811550794.3
• 申請日: 2018-12-18
• 公開（公告）號: CN109816144B
• 公開（公告）日: 2020-12-29
• 發(fā)明（設(shè)計）人: 廖衛(wèi)平;周銳;伍建煒;黃練棟;溫健鋒
• 申請（專利權(quán)）人: 廣東電網(wǎng)有限責(zé)任公司;廣東電網(wǎng)有限責(zé)任公司江門供電局
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08;G06N3/04
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 劉瑤云

1.一種分布式內(nèi)存并行計算優(yōu)化深度信念網(wǎng)絡(luò)的短期負(fù)荷預(yù)測方法，其特征在于，包括以下步驟：

S1.彈性分布式數(shù)據(jù)集RDD讀取負(fù)荷歷史數(shù)據(jù)；結(jié)合負(fù)荷的周期特性，從歷史負(fù)荷、氣象因素、日期類型角度讀取負(fù)荷預(yù)測輸入數(shù)據(jù)到Spark RDD集合；所述的S1步驟具體包括：

S11.將負(fù)荷數(shù)據(jù)從Hadoop HDFS輸入Spark，并轉(zhuǎn)換為RDD數(shù)據(jù)集；

S12.按照用戶編寫映射程序邏輯，經(jīng)過flatMap與Map操作后，映射成(key，value)鍵值對；

S13.經(jīng)過reduceByKey操作和join操作轉(zhuǎn)換為緩存數(shù)據(jù)；

S14.經(jīng)過Cache操作，將RDD緩存數(shù)據(jù)集緩存到內(nèi)存中；

S15.判斷數(shù)據(jù)讀取是否結(jié)束，若結(jié)束則通過函數(shù)saveAsSequenceFile輸出保存到HDFS或其它文件系統(tǒng)中；否則返回步驟S12，進(jìn)行下一輪操作；

S2.深度信念網(wǎng)絡(luò)DBN網(wǎng)絡(luò)權(quán)重值W和偏置值B優(yōu)化；采用改進(jìn)并行粒子群算法將其分為不同子群，并對慣性權(quán)重和加速因子進(jìn)行改進(jìn)計算；在分布式內(nèi)存計算Spark平臺上對深度信念網(wǎng)絡(luò)模型的權(quán)值參數(shù)W和偏置值B進(jìn)行優(yōu)化，選擇使得適應(yīng)度值最小的粒子坐標(biāo)向量值[W,B]作為改進(jìn)粒子群算法的輸出；所述的S2步驟具體包括：

S21.初始化粒子群，在取值范圍內(nèi)隨機(jī)生成一組粒子向量[W，B]；并引入平均粒距的概念，定義如下：

式中，L為搜索空間對角最大長度，n為解空間維數(shù)，m為粒子個數(shù)；p_id表示第i個粒子位置的第d維坐標(biāo)值，表示所有粒子位置的第d維坐標(biāo)值的均值；平均粒距表示種群中各個粒子彼此間分布的離散程度，D(t)越小，表示種群越集中；D(t)越大，表示種群越分散；訓(xùn)練一次DBN通過模型輸出預(yù)測結(jié)果，再按下式計算適應(yīng)度值：

式中，F(xiàn)_fit為粒子的當(dāng)前適應(yīng)度值，Y_i為真實結(jié)果；為預(yù)測結(jié)果；n為預(yù)測點個數(shù)；

S22.對IPPSO算法參數(shù)初始化，步驟S21中初始值作為粒子個體最佳位置；

S23.各子群搜索自身的最小適應(yīng)度值作為子群最佳適應(yīng)度值，對應(yīng)粒子作為子群最優(yōu)解，其計算公式為：

然后，根據(jù)各子群最佳適應(yīng)度值搜索最小值作為整個粒子群最佳適應(yīng)度值，對應(yīng)粒子作為整體最優(yōu)解，其計算公式為：

P_g(k)∈{P₀(k),P₁(k),...,P_m(k)}|f(P_g(k))＝min{f(P₀(k),f(P₁(k),...,f(P_m(k)}；

式中，f為改進(jìn)粒子群算法計算最優(yōu)適應(yīng)度值的函數(shù)，即：適應(yīng)度函數(shù)；

S24.根據(jù)IPPSO算法更新粒子速度和位置；將更新后粒子重新代入DBN訓(xùn)練，計算并更新各個粒子適應(yīng)度值；根據(jù)下式更新粒子速度和位置：

V_i(k+1)＝τ_nf(G₁+G₂+G₃)+τ_pfG₄

X_i(k+1)＝X_i(k)+V_i(k+1)

其中，

式中，G₂中的P_i不變，為粒子的歷史最優(yōu)位置，G₃中P_g變?yōu)榱Ｗ铀谧尤旱淖顑?yōu)位置，c₁、c₂的范圍調(diào)整為[0,2]區(qū)間，c₃在[0,2]區(qū)間，r₃～U(0,1)為相互獨立的隨機(jī)函數(shù)，P_u為全群的最優(yōu)粒子的位置；τ_nf為負(fù)反饋系數(shù)，τ_pf為正反饋系數(shù)；Pi＝(x_i1，x_i2，…，x_in)為粒子的歷史最優(yōu)位置；Vi為粒子的當(dāng)前速度；f為改進(jìn)粒子群算法計算最優(yōu)適應(yīng)度值的函數(shù)；

S25.分別更新子群最佳適應(yīng)度值、子群最優(yōu)解、整體最佳適應(yīng)度值、整體最優(yōu)解；

S26.達(dá)到迭代次數(shù)則終止，否則返回步驟S24；

S27.輸出[W，B]參數(shù)的整體最優(yōu)解；

S3.負(fù)荷預(yù)測；利用步驟S2中優(yōu)化得到的DBN參數(shù)[W，B]，使用優(yōu)化的DBN網(wǎng)絡(luò)對負(fù)荷序列建立負(fù)荷預(yù)測模型，進(jìn)行短期負(fù)荷預(yù)測。