CN105719018A - 基于回声状态网络的用电预测方法和系统 - Google Patents
基于回声状态网络的用电预测方法和系统 Download PDFInfo
- Publication number
- CN105719018A CN105719018A CN201610039196.4A CN201610039196A CN105719018A CN 105719018 A CN105719018 A CN 105719018A CN 201610039196 A CN201610039196 A CN 201610039196A CN 105719018 A CN105719018 A CN 105719018A
- Authority
- CN
- China
- Prior art keywords
- echo state
- state network
- feed back
- line structure
- electricity consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 45
- 230000004913 activation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 12
- 230000008901 benefit Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000000714 time series forecasting Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种基于回声状态网络的用电预测方法和系统。其中,该方法可以包括:获取用电数据;利用训练后的所述回声状态网络的输出权值矩阵,计算用电的预测结果,其中,所述回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。优选地,所述方法还包括:获取训练样本;根据所述训练样本,以及基于所述自反馈延迟线结构或所述带反馈的自反馈延迟线结构的储备池权值矩阵,计算所述回声状态网络的所述输出权值矩阵。进一步优选地,在所述获取训练样本之前还包括:构建所述回声状态网络;选择所述储备池结构;初始化所述回声状态网络的网络参数。通过本发明实施例解决了如何准确地预测用电的技术问题。
Description
技术领域
本发明实施例涉及采用神经网络模型的计算机系统技术领域,尤其是涉及一种基于回声状态网络的用电预测方法和系统。
背景技术
随着经济的快速发展,人们对能源的需求不断增大。在现今的国际能源形势下,由于全球能源的日益紧张,节能管理得到了各国的高度关注,其中尤以建筑节能为甚,而办公建筑节能在其中具有至关重要的意义。
一般而言,办公建筑由若干个办公室组成,对各办公室用电进行准确预测能够为优化整个建筑的能源管理并提高用电效率提供参考。
有鉴于此,特提出本发明。
发明内容
本发明实施例的主要目的在于提供一种基于回声状态网络的用电预测方法,其至少部分地解决了如何准确地预测用电的技术问题。此外,还提供一种基于回声状态网络的用电预测系统。
为了实现上述目的,根据本发明的一个方面,提供了以下技术方案:
一种基于回声状态网络的用电预测方法,所述方法至少包括:
获取用电数据;
利用训练后的所述回声状态网络的输出权值矩阵,计算用电的预测结果,其中,所述回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。
根据本发明的另一个方面,还提供了一种基于回声状态网络的用电预测系统,所述系统至少包括:
第一获取单元,被配置为获取用电数据;
第一计算单元,被配置为利用训练后的所述回声状态网络的输出权值矩阵,计算用电的预测结果,其中,所述回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。
与现有技术相比,上述技术方案至少具有以下有益效果:
本发明实施例通过获取用电数据。然后,利用训练后的回声状态网络的输出权值矩阵,计算用电的预测结果,其中,回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。由此,解决了如何准确地预测用电的技术问题。实现了较高的用电预测准确性的有益效果,并能进一步为节能提供参考。
当然,实施本发明的任一产品不一定需要同时实现以上所述的所有优点。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其它优点可通过在所写的说明书、权利要求书以及附图中所特别指出的方法来实现和获得。
附图说明
附图作为本发明的一部分,用来提供对本发明的进一步的理解,本发明的示意性实施例及其说明用于解释本发明,但不构成对本发明的不当限定。显然,下面描述中的附图仅仅是一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。在附图中:
图1为根据一示例性实施例示出的基于回声状态网络的用电预测方法的流程示意图;
图2为根据一示例性实施例示出的回声状态网络的结构示意图;
图3为根据一示例性实施例示出的自反馈延迟线结构的储备池结构示意图;
图4为根据一示例性实施例示出的带反馈的自反馈延迟线结构的储备池结构示意图;
图5为根据一示例性实施例示出的办公室在5个工作日内的用电数据示意图;
图6为根据一示例性实施例示出的根据图5所示用电数据的基于自反馈延迟线结构和带反馈的自反馈延迟线结构两种储备池结构的预测结果以及实际测量结果的示意图;
图7为根据一示例性实施例示出的基于回声状态网络的用电预测系统的结构示意图。
这些附图和文字描述并不旨在以任何方式限制本发明的构思范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
下面结合附图以及具体实施例对本发明实施例解决的技术问题、所采用的技术方案以及实现的技术效果进行清楚、完整的描述。显然,所描述的实施例仅仅是本申请的一部分实施例,并不是全部实施例。基于本申请中的实施例,本领域普通技术人员在不付出创造性劳动的前提下,所获的所有其它等同或明显变型的实施例均落在本发明的保护范围内。本发明实施例可以按照权利要求中限定和涵盖的多种不同方式来具体化。
需要说明的是,在下面的描述中,为了方便理解,给出了许多具体细节。但是很明显,本发明的实现可以没有这些具体细节。
需要说明的是,在没有明确限定或不冲突的情况下,本发明中的各个实施例及其中的技术特征可以相互组合而形成技术方案。
本发明实施例的主要技术构思是利用回声状态网良好的时间序列预测性能对用电进行预测。尤其是对办公室用电的预测。
本发明实施例提供一种基于回声状态网络的用电预测方法。如图1所示,该方法可以包括步骤S100和步骤S110。
步骤S100:获取用电数据。
其中,用电数据可以通过电表采集获得。用电数据反映了不同时间的用电量。
优选地,获取用电数据之后还可以包括:对用电数据进行筛选、剔除和补充,以获得完整的用电数据。
具体地,在获取原始用电数据的基础上,根据一定的时间段对原始用电数据进行筛选,获取该时间段的用电数据。在此基础上,遍历全部用电数据,剔除其中的多余用电数据并补充缺失的用电数据,从而改善用电数据的质量,进而获取完整的用电数据。
步骤S110:利用训练后的回声状态网络的输出权值矩阵,计算用电的预测结果,其中,回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。
其中,回声状态网络是一种神经网络,其模仿大脑中递归连接的神经元(单元)电路结构,独特之处在于采用由随机稀疏连接的神经元组成的储备池作为隐层,用以对输入进行高维、非线性的表示。储备池的生成过程独立于回声状态网络的训练过程。储备池是随机生成的、大规模稀疏连接的递归结构。储备池中神经元之间的连接权值矩阵以及输入信号对于储备池中神经元的连接权值矩阵全部随机产生,而且产生后保持不变,不需要训练。因此,只需要采用线性方法训练储备池至输出层的权值,这简化了网络的训练过程,并保证了权值确定的全局最优性以及良好的网络训练能力和泛化能力,避免了传统神经网络中存在的训练算法复杂、易陷入局部最小等问题。
回声状态网络的典型结构如图2所示,其由输入层、储备池和输出层组成。当回声状态网络用于时间序列预测问题时,其输出变量和输入变量均为时间序列,这时,可以将回声状态网络看作为非线性滤波器,实现输入至输出的转换。由此,本发明实施例利用回声状态网络良好的时间序列预测性能来对用电进行预测。
优选地,储备池的结构可以为自反馈延迟线结构(self-feedbackdelaylinereservoir,SDLR),该结构如图3所示。
其中,储备池中各单元与下一单元及自身连接。
储备池权值矩阵为W∈RN×N,其中,Wi+1,i=r∈[0,1],i=1,…,N-1,Wj,j=d∈[0,1],j=1,…,N,其中,输入权值v∈[0,1];r为前馈权值,d为自反馈权值,其余元素均为零。
优选地,储备池的结构还可以为带反馈的自反馈延迟线结构(self-feedbackdelaylinereservoirwithfeedbackconnections,SDLRB),如图4所示。
其中,储备池中各单元与前一单元、下一单元及自身连接。
储备池权值矩阵为W∈RN×N,其中,Wi+1,i=r∈[0,1],Wi,i+1=b∈[0,1],i=1,…,N-1,Wj,j=d∈[0,1],j=1,…,N,其中,输入权值v∈[0,1];r为前馈权值,b为反馈权值,d为自反馈权值,其余元素均为零。
在一些可选的实施例中,该方法还可以包括:获取训练样本;根据训练样本,以及基于自反馈延迟线结构或带反馈的自反馈延迟线结构的储备池权值矩阵,计算回声状态网络的所述输出权值矩阵。
其中,训练样本可以是历史用电数据。例如:某办公建筑2013年7月至2013年12月办公室用电数据。
回声状态网络的训练过程就是根据给定的训练样本确定输出层权值矩阵的过程。这个训练过程可以分为采样阶段和权值计算阶段。在训练过程中,回声状态网络的输入权值、前馈权值、反馈权值和自反馈权值保持不变,仅调整输出权值,进行简单的线性回归就可完成网络训练。
在本步骤中,在获取训练样本之前还可以包括:构建回声状态网络,选择储备池结构,并初始化回声状态网络的网络参数。其中,网络参数包括输入权值、前馈权值、反馈权值和自反馈权值。其中,输入权值v∈[0,1]。
在上述实施例中,根据训练样本,以及基于自反馈延迟线结构或带反馈的自反馈延迟线结构的储备池权值矩阵,计算回声状态网络的所述输出权值矩阵具体可以包括:
步骤S112:构建以下第一方程。
其中,t表示时刻;t=1,…,M;M表示训练样本个数;i=1,2,...N;N表示储备池单元个数;为输入层权值矩阵中的权值向量;wi为基于自反馈延迟线结构或带反馈的自反馈延迟线结构的储备池权值矩阵中的权值向量;为输出层权值矩阵中的权值向量;向量st∈RK表示输入单元,R表示st中的元素;K表示输入单元个数;f(·)为储备池单元的激活函数;ot为第t个输入样本对应的回声状态网络的输出单元。
步骤S114:根据回声状态网络的性质,构建如下第二方程:
其中,t=1,…,M;ut表示实际的输出单元。
步骤S116:合并上述M个方程为第三方程:BWout=U。
步骤S118:计算第三方程的极小范数最小二乘解,将该解作为回声状态网络的输出权值矩阵。
下面以图2所示的回声状态网络为例详细说明网络训练过程。
假设该回声状态网络由K个输入单元、N个储备池单元和L个输出单元组成。其中,K、N和L取正整数。
需要说明的是,上述假设仅仅是为了更好地说明本发明,不应视为对本发明的不当限定。
其中,输入单元通过输入层权值矩阵Win∈RN×K与储备池单元连接;储备池单元间通过储备池权值矩阵W∈RN×N连接;储备池单元通过输出层权值矩阵Wout∈RN×L与输出单元连接。t表示时刻。在t时刻,向量st∈RK表示输入单元,向量xt∈RN表示储备池单元,向量ot∈RL表示输出单元,则回声状态网络的基本方程为:
xt=f(Winst+Wxt-1)
ot=Woutxt
其中,f(·)为储备池单元的激活函数;xt-1表示t-1时刻(前一时刻)的储备池单元。
对于M个训练样本(st,ut),其中,t=1,…,M,其表示有M个时刻;st∈RK,ut∈RL,ut表示实际的输出单元;训练样本可以为历史用电数据。
根据上述回声状态网络的基本方程可得:
其中,t=1,…,M;i=1,2,...N;N表示储备池单元个数;为输入层权值矩阵Win中的权值向量;wi为储备池权值矩阵W中的权值向量;为输出层权值矩阵中的权值向量,在权值计算阶段就是希望计算向量st∈RK表示输入单元;K表示输入单元个数;ot为第t个输入样本对应的回声状态网络输出单元。
由于回声状态网络可以任意精度逼近任何非线性系统,因此对于这M个训练样本,有即存在Win、wi和使得:
其中,t=1,…,M。
将以上M个方程可以合并为:BWout=U。其中:
其中,B称为回声状态网络的储备池输出矩阵;表示u1的转置;表示uM的转置,其他以此类推。
计算方程BWout=U的极小范数最小二乘解,将该解作为回声状态网络的输出层权值矩阵,即:
其中,为矩阵B的广义逆矩阵。
利用回声状态网络的输出权值矩阵,就可以计算用电的预测结果。
下面以一优选实施例来对本发明进行详细的说明。
本实施例以某办公建筑2013年7月至2013年12月办公室用电数据作为数据样本。该办公室5个工作日内的用电数据如图5所示。
步骤S200:数据预处理,对办公室用电数据进行筛选、剔除、补充,获得完整的用电数据。
步骤S210:建立回声状态网,其中储备池结构可选择自反馈延迟线结构或带反馈的自反馈延迟线结构,并初始化网络参数,其包括:输入权值、前馈权值、反馈权值和自反馈权值。
步骤S220:利用用电数据对建立的回声状态网进行训练,获得输出权值矩阵。
步骤S230:利用训练后的回声状态网络计算办公室用电的预测结果。
图6示意性地示出了该办公室用电基于自反馈延迟线结构和带反馈的自反馈延迟线结构两种储备池结构的预测结果以及实际测量结果。
本实施例中将各个步骤按照上述先后次序的方式进行了描述,本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时执行或执行次序颠倒,这些简单的变化都在本发明的保护范围之内。
基于与方法实施例相同的技术构思还提供一种基于回声状态网络的用电预测系统,如图7所示,该系统70至少包括:第一获取单元72和第一计算单元74。其中,第一获取单元72被配置为获取用电数据。第一计算单元74被配置为利用训练后的回声状态网络的输出权值矩阵,计算用电的预测结果,其中,回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。
在上述实施例的基础上,该系统还包括:第二获取单元和第二计算单元。其中,第二获取单元被配置为获取训练样本。第二计算单元被配置为根据训练样本,以及基于自反馈延迟线结构或带反馈的自反馈延迟线结构的储备池权值矩阵,计算回声状态网络的输出权值矩阵。
在上述实施例中,第二计算单元具体可以包括:第一构建模块、第二构建模块、合并模块和计算模块。其中,第一构建模块被配置为构建以下第一方程:
其中,t表示时刻;t=1,…,M;M表示训练样本个数;i=1,2,...N;N表示储备池单元个数;为输入层权值矩阵中的权值向量;wi为基于自反馈延迟线结构或带反馈的自反馈延迟线结构的储备池权值矩阵中的权值向量;为输出层权值矩阵中的权值向量;向量st∈RK表示输入单元,R表示st中的元素;K表示输入单元个数;f(·)为储备池单元的激活函数;ot为第t个输入样本对应的回声状态网络输出单元。第二构建模块被配置为根据回声状态网络的性质,构建如下第二方程:
其中,t=1,…,M;ut表示实际的输出单元。合并模块被配置为合并上述M个方程为第三方程:BWout=U。计算模块被配置为计算第三方程的极小范数最小二乘解,将该解作为回声状态网络的输出权值矩阵。
在上述实施例的基础上,该系统还可以包括:处理单元。其中,处理单元被配置为对用电数据进行筛选、剔除和补充。
在上述实施例的基础上,该系统还可以包括:构建单元、选择单元和初始化单元。其中,构建单元被配置为构建回声状态网。选择单元被配置为选择储备池结构。初始化单元被配置为初始化网络参数,其中,网络参数包括输入权值、前馈权值、反馈权值和自反馈权值。
需要说明的是:上述实施例提供的基于回声状态网络的用电预测系统在进行用电预测时,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
上述系统实施例可以用于执行上述方法实施例,其技术原理、所解决的技术问题及产生的技术效果相似,所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
应指出的是,上面分别对本发明的系统实施例和方法实施例进行了描述,但是对一个实施例描述的细节也可应用于另一个实施例。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。本领域技术人员应该理解:本发明实施例中的模块或者步骤还可以再分解或者组合。例如上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
以上对本发明实施例所提供的技术方案进行了详细的介绍。虽然本文应用了具体的个例对本发明的原理和实施方式进行了阐述,但是,上述实施例的说明仅适用于帮助理解本发明实施例的原理;同时,对于本领域技术人员来说,依据本发明实施例,在具体实施方式以及应用范围之内均会做出改变。
需要说明的是,本文中涉及到的流程图或框图不仅仅局限于本文所示的形式,其还可以进行划分和/或组合。
需要说明的是:附图中的标记和文字只是为了更清楚地说明本发明,不视为对本发明保护范围的不当限定。
术语“包括”、“包含”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
本发明的各个步骤可以用通用的计算装置来实现,例如,它们可以集中在单个的计算装置上,例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备或者多处理器装置,也可以分布在多个计算装置所组成的网络上,它们可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。因此,本发明不限于任何特定的硬件和软件或者其结合。
本发明提供的方法可以使用可编程逻辑器件来实现,也可以实施为计算机程序软件或程序模块(其包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件或数据结构等等),例如根据本发明的实施例可以是一种计算机程序产品,运行该计算机程序产品使计算机执行用于所示范的方法。所述计算机程序产品包括计算机可读存储介质,该介质上包含计算机程序逻辑或代码部分,用于实现所述方法。所述计算机可读存储介质可以是被安装在计算机中的内置介质或者可以从计算机主体上拆卸下来的可移动介质(例如:采用热插拔技术的存储设备)。所述内置介质包括但不限于可重写的非易失性存储器,例如:RAM、ROM、快闪存储器和硬盘。所述可移动介质包括但不限于:光存储介质(例如:CD-ROM和DVD)、磁光存储介质(例如:MO)、磁存储介质(例如:磁带或移动硬盘)、具有内置的可重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒)。
本发明并不限于上述实施方式,在不背离本发明实质内容的情况下,本领域普通技术人员可以想到的任何变形、改进或替换均落入本发明的范围。
Claims (10)
1.一种基于回声状态网络的用电预测方法,其特征在于,所述方法至少包括:
获取用电数据;
利用训练后的所述回声状态网络的输出权值矩阵,计算用电的预测结果,其中,所述回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练样本;
根据所述训练样本,以及基于所述自反馈延迟线结构或所述带反馈的自反馈延迟线结构的储备池权值矩阵,计算所述回声状态网络的所述输出权值矩阵。
3.根据权利要求2所述的方法,其特征在于,所述根据所述训练样本,以及基于所述自反馈延迟线结构或所述带反馈的自反馈延迟线结构的储备池权值矩阵,计算所述回声状态网络的所述输出权值矩阵,具体包括:
构建以下第一方程:
其中,t表示时刻;t=1,…,M;M表示所述训练样本个数;i=1,2,...N;N表示所述储备池单元个数;为输入层权值矩阵中的权值向量;wi为基于所述自反馈延迟线结构或所述带反馈的自反馈延迟线结构的储备池权值矩阵中的权值向量;为输出层权值矩阵中的权值向量;向量st∈RK表示输入单元,R表示所述st中的元素;K表示输入单元个数;f(·)为所述储备池单元的激活函数;ot为第t个训练样本对应的回声状态网络的输出单元;
根据所述回声状态网络的性质,构建如下第二方程:
其中,t=1,…,M;ut表示实际的输出单元;
合并上述M个方程为第三方程:BWout=U;
计算所述第三方程的极小范数最小二乘解,将该解作为回声状态网络的输出权值矩阵。
4.根据权利要求1所述的方法,其特征在于,在所述获取用电数据之后还包括:
对所述用电数据进行筛选、剔除和补充。
5.根据权利要求2所述的方法,其特征在于,在所述获取训练样本之前还包括:
构建所述回声状态网络;
选择所述储备池结构;
初始化所述回声状态网络的网络参数,其中,所述网络参数包括输入权值、前馈权值、反馈权值和自反馈权值。
6.一种基于回声状态网络的用电预测系统,其特征在于,所述系统至少包括:
第一获取单元,被配置为获取用电数据;
第一计算单元,被配置为利用训练后的所述回声状态网络的输出权值矩阵,计算用电的预测结果,其中,所述回声状态网络的储备池为自反馈延迟线结构或带反馈的自反馈延迟线结构。
7.根据权利要求6所述的系统,其特征在于,所述系统还包括:
第二获取单元,被配置为获取训练样本;
第二计算单元,被配置为根据所述训练样本,以及基于所述自反馈延迟线结构或所述带反馈的自反馈延迟线结构的储备池权值矩阵,计算所述回声状态网络的所述输出权值矩阵。
8.根据权利要求7所述的系统,其特征在于,所述第二计算单元具体包括:
第一构建模块,被配置为构建以下第一方程:
其中,t表示时刻;t=1,…,M;M表示所述训练样本个数;i=1,2,...N;N表示所述储备池单元个数;为输入层权值矩阵中的权值向量;wi为基于所述自反馈延迟线结构或所述带反馈的自反馈延迟线结构的储备池权值矩阵中的权值向量;为输出层权值矩阵中的权值向量;向量st∈RK表示输入单元,R表示所述st中的元素;K表示输入单元个数;f(·)为所述储备池单元的激活函数;ot为第t个训练样本对应的回声状态网络的输出单元;
第二构建模块,被配置为根据所述回声状态网络的性质,构建如下第二方程:
其中,t=1,…,M;ut表示实际的输出单元;
合并模块,被配置为合并上述M个方程为第三方程:BWout=U;
计算模块,被配置为计算所述第三方程的极小范数最小二乘解,将该解作为回声状态网络的输出权值矩阵。
9.根据权利要求6所述的系统,其特征在于,所述系统还包括:
处理单元,被配置为对所述用电数据进行筛选、剔除和补充。
10.根据权利要求7所述的系统,其特征在于,所述系统还包括:
构建单元,被配置为构建所述回声状态网络;
选择单元,被配置为选择所述储备池结构;
初始化单元,被配置为初始化所述回声状态网络的网络参数,其中,所述网络参数包括输入权值、前馈权值、反馈权值和自反馈权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610039196.4A CN105719018A (zh) | 2016-01-21 | 2016-01-21 | 基于回声状态网络的用电预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610039196.4A CN105719018A (zh) | 2016-01-21 | 2016-01-21 | 基于回声状态网络的用电预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105719018A true CN105719018A (zh) | 2016-06-29 |
Family
ID=56153654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610039196.4A Pending CN105719018A (zh) | 2016-01-21 | 2016-01-21 | 基于回声状态网络的用电预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719018A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106375136A (zh) * | 2016-11-17 | 2017-02-01 | 北京智芯微电子科技有限公司 | 一种光接入网业务流感知方法和装置 |
CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
CN110474798A (zh) * | 2019-07-26 | 2019-11-19 | 西安理工大学 | 一种利用回声状态网络预测无线通信未来信号的方法 |
CN113052388A (zh) * | 2021-04-01 | 2021-06-29 | 北京工商大学 | 一种时间序列预测方法及装置 |
-
2016
- 2016-01-21 CN CN201610039196.4A patent/CN105719018A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106375136A (zh) * | 2016-11-17 | 2017-02-01 | 北京智芯微电子科技有限公司 | 一种光接入网业务流感知方法和装置 |
CN106375136B (zh) * | 2016-11-17 | 2019-01-25 | 北京智芯微电子科技有限公司 | 一种光接入网业务流感知方法和装置 |
CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
CN110474798A (zh) * | 2019-07-26 | 2019-11-19 | 西安理工大学 | 一种利用回声状态网络预测无线通信未来信号的方法 |
CN110474798B (zh) * | 2019-07-26 | 2022-03-18 | 西安理工大学 | 一种利用回声状态网络预测无线通信未来信号的方法 |
CN113052388A (zh) * | 2021-04-01 | 2021-06-29 | 北京工商大学 | 一种时间序列预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Razlighi et al. | Looknn: Neural network with no multiplication | |
Chau | Application of a PSO-based neural network in analysis of outcomes of construction claims | |
US20200193274A1 (en) | Training neural network accelerators using mixed precision data formats | |
Wu et al. | Two-stage network structures with undesirable intermediate outputs reused: a DEA based approach | |
CN105719018A (zh) | 基于回声状态网络的用电预测方法和系统 | |
US11340867B2 (en) | Compute-in-memory (CIM) binary multiplier | |
US20190332924A1 (en) | Central scheduler and instruction dispatcher for a neural inference processor | |
Kamarian et al. | Application of firefly algorithm and ANFIS for optimisation of functionally graded beams | |
Assareh et al. | An analysis of wind speed prediction using artificial neural networks: a case study in Manjil, Iran | |
Yue et al. | STICKER-IM: A 65 nm computing-in-memory NN processor using block-wise sparsity optimization and inter/intra-macro data reuse | |
US11238347B2 (en) | Data distribution in an array of neural network cores | |
Martínez-Villena et al. | Hardware implementation methods in random vector functional-link networks | |
Chen et al. | Emat: an efficient multi-task architecture for transfer learning using reram | |
Zhang et al. | XNORCONV: CNNs accelerator implemented on FPGA using a hybrid CNNs structure and an inter‐layer pipeline method | |
Palangi et al. | Recurrent deep-stacking networks for sequence classification | |
CN115775156A (zh) | 基于混合学习模型的矿山经济评价原材料价格预测方法 | |
CN106156858A (zh) | 分片线性模型生成系统和生成方法 | |
Rodan et al. | Forecasting Business Failure in Highly Imbalanced Distribution based on Delay Line Reservoir. | |
Allen | Adaptive Nonconvex Optimization for AI and Machine Learning, I | |
Park et al. | Structure optimizations of neuromorphic computing architectures for deep neural network | |
Orimo et al. | Fpga architecture for feed-forward sequential memory network targeting long-term time-series forecasting | |
Sumayyabeevi et al. | A new hardware architecture for fpga implementation of feed forward neural networks | |
Que | Reconfigurable acceleration of recurrent neural networks | |
Tebong et al. | Two-level deep learning ensemble model for forecasting hydroelectricity production | |
Zhang et al. | Cloud resource prediction model based on LSTM and RBF |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160629 |
|
RJ01 | Rejection of invention patent application after publication |