CN110400234A - 一种基于bp神经网络的城市供水调度方法及系统 - Google Patents
一种基于bp神经网络的城市供水调度方法及系统 Download PDFInfo
- Publication number
- CN110400234A CN110400234A CN201910639232.4A CN201910639232A CN110400234A CN 110400234 A CN110400234 A CN 110400234A CN 201910639232 A CN201910639232 A CN 201910639232A CN 110400234 A CN110400234 A CN 110400234A
- Authority
- CN
- China
- Prior art keywords
- individual
- neural network
- data
- water supply
- fitness
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 92
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000137 annealing Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims description 38
- 230000035772 mutation Effects 0.000 claims description 27
- 230000006978 adaptation Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000008235 industrial water Substances 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 3
- 230000010429 evolutionary process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims 1
- 238000005086 pumping Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000008400 supply water Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及计算机领域,尤其涉及一种基于BP神经网络的城市供水调度方法及系统,所述方法包括根据退火算法改进的遗传算法和Metropolis准则获得最优的初始权值阈值,并将该权值阈值输入神经网络,将训练数据输入BP神经网络进行训练,计算BP神经网络的网络的误差均方和,若网络的误差均方和满足设定阈值,则完成训练;否则更新权值阈值继续训练;将当前需要预测的地区的水务信息数据输入BP神经网络,BP神经网络即可输出供水调度信息;本发明的模型预测输出和实际负荷值拟合度更好,且预测输出稳定性较好,没有出现大幅度的波动,即本发明对水资源调度预测更可靠,更有优势。
Description
技术领域
本发明涉及计算机领域,尤其涉及一种基于BP神经网络的城市供水调度方法及系统。
背景技术
我国水资源分布不均,各地区水资源供需不平衡,人均水资源量偏低,严重影响了我国经济和社会的可持续发展。因此进行科学的水资源调度,实现水资源的可持续利用以及水资源与人口、经济、社会和环境的可持续发展。
近年来,在水资源调度管理方面取得经验和成效的同时,也存在有很多的不足如:管理体制不健全。国内重大调水工程水资源调度主体虽然明确,但在落实中涉及部门和单位众多,沟通协调难度大,政府部门在其中没有发挥统筹的作用,不利于水资源调度效益最大化;前期论证不充分。部分调水工程前期论证不充分,水资源供需分析不充分,对调水工程的负面影响考虑不足,致使设计供水能力与实际需求不相符等问题
现有的水资源调度领域中,主要依靠人为经验以及出现局部地区缺水后上报的临时补救手段,存在着经验性和实时性差的不足,且临时组织的调水任务会浪费大量的人力物力且效果甚微。而近几年出现的基于遗传算法的水资源调度预测虽然也具有相对不错的效果但是遗传算法在使用过程中仍有很多的局限性。传统的遗传算法交叉与变异概率是常数,导致在训练过程中,群体易停留在局部最优值。
BP神经网络因对于非线性的负荷数据预测有较好的拟合能力而得到广泛应用,但是BP神经网络不仅计算量大,消耗时间多,也存在一定的缺陷,比如:易陷入局部最小值、收敛速度慢,初始权值、阈值随机赋予和网络训练震荡等现象。遗传算法优化BP神经网络预测精度比BP神经网络更高,但存在局部寻优能力不足,易陷入早期收敛等缺陷。
发明内容
为了合理地根据当前地区的近期降水量、气温、水资源总量、人均用水量、工业用水量、农业用水量以及用水总量等进行信息调度水资源,本发明提出一种基于BP神经网络的城市供水调度方法及系统,如图1,所述方法具体包括以下步骤:
S1、设置进化代数计数器t=1,设置最大进化代数T,随机生成M个个体作为初始群体P(0);
S2、计算群体P(t)中各个个体的适应度,判断适应度值是否满足收敛条件,即若当前进化代数t大于等于最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,并进行步骤S6,否则进行步骤S3;
S3、对不满足收敛条件的数据进行选择、交叉、变异操作,群体P(t)经过选择、交叉、操作之后得到下一代群体P(t+1);
S4、根据Metropolis准则抽样新个体,并进行交叉变异自适应概率抽样;
S5、判断抽样的数据是否稳定,若稳定则对抽样的数据进行退火温度调整,形成下一代种群P(t+2),令t=t+2并返回步骤S2;否则返回S4重新抽样;
S6、构建BP神经网络,将遗传算法输出的最优解输入BP神经网络作为初始化权值阈值,将水务公司搜集的水务信息数据,包括近期降水量、气温、水资源总量、人均用水量、工业用水量、农业用水量以及用水总量作为输入;
S7、对BP神经网络进行训练,计算BP神经网络的网络的误差均方和,若网络的误差均方和满足设定阈值,则完成训练;否则更新权值阈值继续训练;
S8、将当前需要预测的地区的水务信息数据输入BP神经网络,BP神经网络即可输出供水调度信息。
进一步的,所述步骤S5具体包括:
S51、若连续10代个体最优个体适应度值均稳定不变,则根据退火函数选择退火温度,并根据退火模拟算法产生新的群体P(t+2);退火函数表示为tk=to(t-k)/c;
S52、若不稳定则根据Metropolis准则抽样新个体,即从P(t+1)中剔除个体ai,再从P(t+1)中选出个体aj,计算个体ai与个体aj的适应度差,表示为△=Fi-Fj,再以在当前状态i的情况下、接受新状态j作为当前状态的概率抽样,并返回步骤S51;
其中,t0为初始温度;tk表示在当前温度为t的情况下以降温幅度k的退火温度;c为温度下降总次数。
进一步的,Metropolis准则表示为:
其中,Pi→j表示在当前状态i的情况下,接受新状态j作为当前状态的概率。
进一步的,对个体进行选择、交叉、变异操作包括:选择适应度较大的个体以交叉概率Pc对个体进行交叉操作,交叉概率Pc表示为:
以变异概率Pc对个体进行变异操作,变异概率Pc表示为:
其中,Pcmax为交叉概率的最大值;Pcmin为交叉概率的最小值;E为最大进化代数;Ei为当前进化代数;A为经验常数;f'为进行交叉操作的两个个体中适应度值较大的一个;f'avg为种群中个体适应度的平均值;fmax为种群中个体适应度的最大值;Pmmax为变异概率的最大值;Pmmin为变异概率的最小值。
进一步的,对BP神经网络进行训练包括:
S71、输入BP神经网络的初始参数,初始参数包括初始的权值阈值;
S72、将训练数据包输入数据输入BP神经网络,得到预测数据;训练数据包包括水务信息数据和期望供水数据;
S73、计算BP神经网络预测的供水调度数据与期望供水数据数据之间的误差,根据该误差反向传播更新权值阈值;
S74、计算网络的误差均方和,当网络的误差均方和小于设定的阈值或者达到最大迭代次数时,完成训练;否则返回步骤S72。
进一步的,网络的误差均方和表示为:
其中,Yij为第j个神经元的实际输出;yij为第j个神元的预测输出;m为训练样本数;n为最大迭代次数。
进一步的,对水务信息进行预处理包括采用最大最小法进行数据归一化处理,表示为:
xk=(xk-xmin)/(xmax-xmin);
其中,xk表示第k个水务信息数据,xmax表示水务信息数据的最大值,xmin表示水务信息数据的最小值。
进一步的,所述适应度函数包括:
t=t0(0.99g-1);
其中,Fi为第i个个体的适应度;N为种群的大小;g为当前个体进化代数;t为温度,t0为初始温度。
本发明提出一种基于BP神经网络的城市供水调度系统,所述系统包括BP神经网络预测模块、最优初始化权值阈值生成模块以及数据预处理模块;所述最优初始化权值阈值生成模块包括随机生成器、选择单元、交叉单元、变异单元、Metropolis准则抽样单元、计数器、适应度计算单元以及退火抽样单元;其中:
所述随机生成器用于生成随机个体;
所述适应度计算器用于计算个体的适应度;
所述计算器用于遗传代数的计数;
所述选择单元用于根据个体的适应度值选择个体;
所述交叉单元用于对选择单元选择的个体以交叉概率进行交叉操作;
所述变异单元用于对交叉单元输出的个体以变异概率进行变异操作得到下一代个体;
所述Metropolis准则抽样单元用于对变异单元输出的个体进行Metropolis准则抽样;
所述退火抽样单元用于对Metropolis准则抽样单元抽样的个体进行退火操作生成下一代个体。
本发明针对传统的遗传算法优化的BP神经网络预测模型局部寻优能力不足、易陷入早期收敛等缺陷,在进行交叉变异操作时采用了自适应函数代替传统的常数概率,极大的规避了局部最优解的情况,提出模拟退火算法改进的遗传算法,来优化BP神经网络的初始权值阈值,建立改进遗传算法的BP经网络预测模型。利用该模型对水资源调度数据进行预测,结果表明改进后的模型预测输出和实际负荷值拟合度更好,且预测输出稳定性较好,没有出现大幅度的波动。说明改进后的模型对水资源调度预测更可靠,更有优势。
附图说明
图1是本发明一种基于BP神经网络的城市供水调度方法的流程示意图;
图2是本发明BP神经网络拓扑结构。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出一种基于BP神经网络的城市供水调度方法及系统,所述方法具体包括以下步骤:
S1、设置进化代数计数器t=1,设置最大进化代数T,随机生成M个个体作为初始群体P(0);
S2、计算群体P(t)中各个个体的适应度,判断适应度值是否满足收敛条件,即若当前进化代数t大于等于最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,并进行步骤S6,否则进行步骤S3;
S3、对不满足收敛条件的数据进行选择、交叉、变异操作,群体P(t)经过选择、交叉、操作之后得到下一代群体P(t+1);
S4、根据Metropolis准则抽样新个体,并进行交叉变异自适应概率抽样;
S5、判断抽样的数据是否稳定,若稳定则对抽样的数据进行退火温度调整,形成下一代种群P(t+2),令t=t+2并返回步骤S2;否则返回S4重新抽样;
S6、构建BP神经网络,将遗传算法输出的最优解输入BP神经网络作为初始化权值阈值,将水务公司搜集的水务信息数据,包括近期降水量、气温、水资源总量、人均用水量、工业用水量、农业用水量以及用水总量作为输入;
S7、对BP神经网络进行训练,计算BP神经网络的网络的误差均方和,若网络的误差均方和满足设定阈值,则完成训练;否则更新权值阈值继续训练;
S8、将当前需要预测的地区的水务信息数据输入BP神经网络,BP神经网络即可输出供水调度信息。
进一步的,对水务信息进行预处理包括采用最大最小法进行数据归一化处理,表示为:
xk=(xk-xmin)/(xmax-xmin);
其中,xk表示水务信息数据,xmax表示水务信息数据的最大值,xmin表示水务信息数据的最小值。
进一步的,对个体进行选择、交叉、变异操作包括:选择适应度较大的个体以交叉概率Pc对个体进行交叉操作,交叉概率Pc表示为:
以变异概率Pm对个体进行变异操作,变异概率Pm表示为:
其中,Pcmax为交叉概率的最大值;Pcmin为交叉概率的最小值;E为最大进化代数;Ei为当前进化代数;A为经验常数;f'为进行交叉操作的两个个体中适应度值较大的一个;f'avg为种群中个体适应度的平均值;fmax为种群中个体适应度的最大值;Pmmax为变异概率的最大值;Pmmin为变异概率的最小值;优选的,交叉概率Pc的取值范围为0.5~0.9,即Pcmax的值为0.9,Pcmin的值为0.5;变异概率Pm的取值范围为0.01~0.1,即Pmmax的值为0.1,Pmmin的值为0.01。
实施例1
本实施例对上述步骤S4、S5进一步说明,包括以下步骤:
S51、若连续10代个体最优个体适应度值均稳定不变,则根据退火函数选择退火温度,并根据退火模拟算法产生新的群体P(t+2);退火函数表示为tk=to(t-k)/c;
S52、若不稳定则根据Metropolis准则抽样新个体,即从P(t+1)中剔除个体ai,再从P(t+1)中选出个体aj,计算个体ai与个体aj的适应度差,表示为△=Fi-Fj,再以在当前状态i的情况下、接受新状态j作为当前状态的概率抽样,并返回步骤S51;
其中,t0为初始温度;tk表示在当前温度为t的情况下以降温幅度k的退火温度;c为温度下降总次数。
进一步的,Metropolis准则表示为:
其中,Pi→j表示在当前状态i的情况下,接受新状态j作为当前状态的概率。
实施例2
BP神经网络的结构如图2,包括输入层、隐含层和输出层,原始数据输入BP神经网络,例如图2中的X1、X2、X3,由输出层输出经过处理的数据,例如图中的Y1、Y2、Y3;每层包括若干个神经元,每一层的神经元与相邻一层的神经元之间存在权值阈值,如图中的w1、w2,隐含层有一层或者多层;本实施例提出一种对BP神经网络的训练过程:
S71、输入BP神经网络的初始参数,初始参数包括初始的权值阈值;
S72、将训练数据包输入数据输入BP神经网络,得到预测数据;训练数据包包括水务信息数据和期望供水数据;
S73、计算BP神经网络预测的供水调度数据与期望供水数据数据之间的误差,根据该误差反向传播更新权值阈值;
S74、计算网络的误差均方和,当网络的误差均方和小于设定的阈值或者达到最大迭代次数时,完成训练;否则返回步骤S72。
进一步的,网络的误差均方和表示为:
其中,Yij为第j个神经元的实际输出;yij为第j个神元的预测输出;m为训练样本数;n为最大迭代次数。
实施例3
本实施例提出一种基于BP神经网络的城市供水调度系统,,所述系统包括BP神经网络预测模块、最优初始化权值阈值生成模块以及数据预处理模块;所述最优初始化权值阈值生成模块包括随机生成器、选择单元、交叉单元、变异单元、Metropolis准则抽样单元、计数器、适应度计算单元以及退火抽样单元;其中:
所述随机生成器用于生成随机个体;
所述适应度计算器用于计算个体的适应度;
所述计算器用于遗传代数的计数;
所述选择单元用于根据个体的适应度值选择个体;
所述交叉单元用于对选择单元选择的个体以交叉概率进行交叉操作;
所述变异单元用于对交叉单元输出的个体以变异概率进行变异操作得到下一代个体;
所述Metropolis准则抽样单元用于对变异单元输出的个体进行Metropolis准则抽样;
所述退火抽样单元用于对Metropolis准则抽样单元抽样的个体进行退火操作生成下一代个体。
上述系统实施例中涉及的实施方式,可以参考方法实施例的实施方式。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于BP神经网络的城市供水调度方法,其特征在于,具体包括以下步骤:
S1、设置进化代数计数器t=1,设置最大进化代数T,随机生成M个个体作为初始群体P(0);
S2、计算群体P(t)中各个个体的适应度,判断迭代次数是否满足收敛条件,即若当前进化代数t大于等于最大进化代数T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,并进行步骤S6,否则进行步骤S3;
S3、对不满足收敛条件的数据进行选择、交叉、变异操作,群体P(t)经过选择、交叉、操作之后得到下一代群体P(t+1);
S4、根据Metropolis准则抽样新个体,并根据交叉概率和变异概率进行自适应概率抽样;
S5、判断抽样的数据是否稳定,若稳定则对抽样的数据进行退火温度调整,形成下一代种群P(t+2),令t=t+2并返回步骤S2;否则返回S4重新抽样;
S6、构建BP神经网络,将遗传算法输出的最优解输入BP神经网络作为初始化权值阈值,将水务公司搜集的水务信息数据,包括近期降水量、气温、水资源总量、人均用水量、工业用水量、农业用水量以及用水总量作为输入;
S7、对BP神经网络进行训练,计算BP神经网络的网络的误差均方和,若网络的误差均方和满足设定阈值,则完成训练;否则更新权值阈值继续训练;
S8、将当前需要预测的地区的水务信息数据输入BP神经网络,BP神经网络即可输出供水调度信息。
2.根据权利要求1所述的一种基于BP神经网络的城市供水调度方法,其特征在于,所述步骤S5包括:
S51、若连续10代个体最优个体适应度值均稳定不变,则根据退火函数选择退火温度,并根据退火模拟算法产生新的群体P(t+2);退火函数表示为tk=to(t-k)/c;
S52、若不稳定则根据Metropolis准则抽样新个体,即从P(t+1)中剔除个体ai,再从P(t+1)中选出个体aj,计算个体ai与个体aj的适应度差,表示为△=Fi-Fj,再以在当前状态i的情况下、接受新状态j作为当前状态的概率抽样,并返回步骤S51;
其中,t0为初始温度;tk表示在当前温度为t的情况下以降温幅度k的退火温度;c为温度下降总次数。
3.根据权利要求2所述的一种基于BP神经网络的城市供水调度方法,其特征在于,Metropolis准则表示为:
其中,Pi→j表示在当前状态i的情况下,接受新状态j作为当前状态的概率。
4.根据权利要求1所述的一种基于BP神经网络的城市供水调度方法,其特征在于,对个体进行选择、交叉、变异操作包括:选择适应度较大的个体以交叉概率Pc对个体进行交叉操作,交叉概率Pc表示为:
以变异概率Pc对个体进行变异操作,变异概率Pc表示为:
其中,Pcmax为交叉概率的最大值;Pcmin为交叉概率的最小值;E为最大进化代数;Ei为当前进化代数;A为经验常数;f'为进行交叉操作的两个个体中适应度值较大的一个;f'avg为种群中个体适应度的平均值;fmax为种群中个体适应度的最大值;Pmmax为变异概率的最大值;Pmmin为变异概率的最小值。
5.根据权利要求1所述的一种基于BP神经网络的城市供水调度方法,其特征在于,对BP神经网络进行训练包括:
S71、输入BP神经网络的初始参数,初始参数包括初始的权值阈值;
S72、将训练数据包输入数据输入BP神经网络,得到预测数据;训练数据包包括水务信息数据和期望供水数据;
S73、计算BP神经网络预测的供水调度数据与期望供水数据数据之间的误差,根据该误差反向传播更新权值阈值;
S74、计算网络的误差均方和,当网络的误差均方和小于设定的阈值或者达到最大迭代次数时,完成训练;否则返回步骤S72。
6.根据权利要求5所述的一种基于BP神经网络的城市供水调度方法,其特征在于,网络的误差均方和表示为:
其中,Yij为第j个神经元的实际输出;yij为第j个神元的预测输出;m为训练样本数;n为最大迭代次数。
7.根据权利要求1所述的一种基于BP神经网络的城市供水调度方法,其特征在于,对水务信息进行预处理包括采用最大最小法进行数据归一化处理,表示为:
xk=(xk-xmin)/(xmax-xmin);
其中,xk表示第k个水务信息数据,xmax表示水务信息数据的最大值,xmin表示水务信息数据的最小值。
8.根据权利要求1所述的一种基于BP神经网络的城市供水调度方法,其特征在于,所述适应度函数包括:
t=t0(0.99g-1);
其中,Fi为第i个个体的适应度;N为种群的大小;g为当前个体进化代数;t为温度,t0为初始温度。
9.一种基于BP神经网络的城市供水调度系统,其特征在于,所述系统包括BP神经网络预测模块、最优初始化权值阈值生成模块以及数据预处理模块;所述最优初始化权值阈值生成模块包括随机生成器、适应度计算器、选择单元、交叉单元、变异单元、Metropolis准则抽样单元、抽样数据分流器、计数器、适应度计算单元以及退火抽样单元;其中:
所述随机生成器用于生成随机个体;
所述适应度计算器用于计算个体的适应度;
所述计算器用于遗传代数的计数;
所述选择单元用于根据个体的适应度值选择个体;
所述交叉单元用于对选择单元选择的个体以交叉概率进行交叉操作;
所述变异单元用于对交叉单元输出的个体以变异概率进行变异操作得到下一代个体;
所述Metropolis准则抽样单元用于对变异单元输出的个体进行Metropolis准则抽样;
所述抽样数据分流器用于判断Metropolis准则抽样单元抽样的个体是否稳定,若稳定则将数据输入退火抽样单元,否则将反馈给Metropolis准则抽样单元重新进行抽样;
所述退火抽样单元用于对Metropolis准则抽样单元抽样的个体进行退火操作生成下一代个体;
所述计数器用于对个体的代数进行计数,若退火抽样单元输出的个体的代数没有达到最大代数则将个体反馈到适应度计算器,否则将数据输入BP神经网络预测模块作为该模块的初始权值阈值;
所述数据预处理模块用于对输入BP神经网络预测模块进行预测的数据进行归一化处理;
BP神经网络预测模块用于根据数据预处理模块的数据作为输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639232.4A CN110400234A (zh) | 2019-07-16 | 2019-07-16 | 一种基于bp神经网络的城市供水调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910639232.4A CN110400234A (zh) | 2019-07-16 | 2019-07-16 | 一种基于bp神经网络的城市供水调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110400234A true CN110400234A (zh) | 2019-11-01 |
Family
ID=68325578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910639232.4A Pending CN110400234A (zh) | 2019-07-16 | 2019-07-16 | 一种基于bp神经网络的城市供水调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400234A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079996A (zh) * | 2019-12-03 | 2020-04-28 | 国网电力科学研究院有限公司 | 一种基于bp神经网络电力负荷预测的虚拟坐席系统及其控制方法 |
CN111539153A (zh) * | 2020-04-07 | 2020-08-14 | 长江水利委员会长江科学院 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
CN111882041A (zh) * | 2020-07-31 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种基于改进rnn神经网络的电网攻击检测方法及装置 |
CN112604186A (zh) * | 2020-12-30 | 2021-04-06 | 佛山科学技术学院 | 一种呼吸运动预测方法 |
CN112986508A (zh) * | 2021-02-22 | 2021-06-18 | 上海应用技术大学 | 海鲜新鲜度检测方法及系统 |
CN113361146A (zh) * | 2021-07-21 | 2021-09-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
-
2019
- 2019-07-16 CN CN201910639232.4A patent/CN110400234A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079996A (zh) * | 2019-12-03 | 2020-04-28 | 国网电力科学研究院有限公司 | 一种基于bp神经网络电力负荷预测的虚拟坐席系统及其控制方法 |
CN111539153A (zh) * | 2020-04-07 | 2020-08-14 | 长江水利委员会长江科学院 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
CN111539153B (zh) * | 2020-04-07 | 2023-12-08 | 长江水利委员会长江科学院 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
CN111882041A (zh) * | 2020-07-31 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种基于改进rnn神经网络的电网攻击检测方法及装置 |
CN112604186A (zh) * | 2020-12-30 | 2021-04-06 | 佛山科学技术学院 | 一种呼吸运动预测方法 |
CN112986508A (zh) * | 2021-02-22 | 2021-06-18 | 上海应用技术大学 | 海鲜新鲜度检测方法及系统 |
CN113361146A (zh) * | 2021-07-21 | 2021-09-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
CN113361146B (zh) * | 2021-07-21 | 2023-04-07 | 国网江西省电力有限公司供电服务管理中心 | 一种基于改进粒子群算法的锰铜分流器结构参数优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400234A (zh) | 一种基于bp神经网络的城市供水调度方法及系统 | |
CN102629106B (zh) | 供水控制方法及系统 | |
CN106487005B (zh) | 一种考虑输配电价的电网规划方法 | |
Zheng et al. | A hybrid energy-aware resource allocation approach in cloud manufacturing environment | |
CN107579518B (zh) | 基于mhba的电力系统环境经济调度方法和装置 | |
CN109190802B (zh) | 云储能环境下基于发电预测的多微网博弈优化方法 | |
Luo et al. | A hybrid multi-objective PSO–EDA algorithm for reservoir flood control operation | |
CN110472840A (zh) | 一种基于神经网络技术的农业水利调度方法及系统 | |
CN110276517B (zh) | 一种基于mopso算法的电动汽车充电站选址方法 | |
Bahmanifirouzi et al. | Multi-objective stochastic dynamic economic emission dispatch enhancement by fuzzy adaptive modified theta particle swarm optimization | |
CN106651628A (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
CN112668909B (zh) | 基于遗传算法的水资源优化配置方法及系统 | |
CN116933318A (zh) | 一种基于联邦学习的用电数据隐私保护方法 | |
CN115660346A (zh) | 一种基于边缘控制的规模化车网互动负荷调控方法 | |
CN106845696B (zh) | 一种智能优化水资源配置方法 | |
Li et al. | Adaptive particle swarm optimization using scale-free network topology | |
Hu et al. | Hybrid prediction model for the interindustry carbon emissions transfer network based on the grey model and general vector machine | |
Qu et al. | Parallel genetic algorithm model based on AHP and neural networks for enterprise comprehensive business | |
Wu et al. | Applications of AI techniques to generation planning and investment | |
CN107180286A (zh) | 基于改进型花粉算法的制造服务供应链优化方法及系统 | |
Zhang et al. | Bi-level Optimal Scheduling of Emergency Materials Considering Multimodal Transport. | |
Yu | [Retracted] Research on Optimization Strategy of Task Scheduling Software Based on Genetic Algorithm in Cloud Computing Environment | |
CN114065646B (zh) | 基于混合优化算法的能耗预测方法、云计算平台及系统 | |
CN109086952A (zh) | 一种基于遗传算法-神经网络的热负荷预测方法 | |
Eirgash et al. | Time-cost trade off optimization for construction projects using an optimization engine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191101 |