基于卷积神经网络和深度置信网络的多类型能源需求预测方法

发布时间：2021-06-10 23:19

　　精准的需求预测对于高效、绿色地使用多种类型能源具有十分重要的作用,值得开展深入研究。结合当前人工智能的研究热点,提出了一种基于卷积神经网络（convolutional neural network,CNN）和深度置信网络（deep belief network,DBN）的多类型能源需求预测方法。首先,通过CNN进行自动特征提取,并将其中间层的更有效特征抽取出来。然后,将抽取到的特征输入给DBN网络,从而进行无监督和有监督方式相结合的训练学习,最终得到能源需求预测结果。最后,仿真实验表明,所提模型能够有效提取数据样本特征,挖掘各类型能源需求的演变规律,验证了所提模型的有效性和适用性。 

【文章来源】：供用电. 2020,37(10)

【文章页数】：6 页

【部分图文】：

单个受限玻尔兹曼机结构

对DBN进行网络结构的训练，可以得到连接权值以及神经元偏置。而DBN的训练过程又包含2个步骤：无监督预训练和有监督反向微调[21]。DBN网络的训练过程如图2所示。DBN模型首先采用贪婪算法非监督地自底向上单独训练每一个RBM[22]。底层的RBM训练完成后便将其隐藏层的输出传送给高层的RBM作为其输入，从而学习更高层的特征。此预训练过程确定了整个DBN网络的初始值。然后，为保证每层的RBM都能对整个DBN特征向量映射最优，使DBN网络收敛至最优点，采用类BP神经网络的监督学习方法对整个DBN网络进行自顶向下的微调。

基于CNN-DBN的多类型能源需求预测模型流程


本文编号：3223304