CN117010576B - 基于弹性动力学神经网络的能耗预测方法 - Google Patents
基于弹性动力学神经网络的能耗预测方法 Download PDFInfo
- Publication number
- CN117010576B CN117010576B CN202311277224.2A CN202311277224A CN117010576B CN 117010576 B CN117010576 B CN 117010576B CN 202311277224 A CN202311277224 A CN 202311277224A CN 117010576 B CN117010576 B CN 117010576B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- model
- energy consumption
- neuron
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000005265 energy consumption Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000006872 improvement Effects 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 34
- 230000001965 increasing effect Effects 0.000 claims description 16
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 235000012907 honey Nutrition 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005381 potential energy Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002301 combined effect Effects 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000012795 verification Methods 0.000 description 7
- 230000008485 antagonism Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 239000002699 waste material 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G06N3/0475—Generative 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
- G06N3/094—Adversarial learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于弹性动力学神经网络的能耗预测方法,属于能耗预测数据处理技术领域,包括以下步骤:S1、数据采集与数据标注;S2、数据预处理;S3、数据扩充;S4、特征提取与优化;S5、训练预测模型;S6、能耗预测;通过创新的贪心生成对抗网络(G‑GAN)、贪心策略、自适应学习率调整策略、目标函数的改进、动态学习率调整、主动学习、概率决策阈值调整、集成学习策略显著地提高了能耗预测的准确性和稳定性。
Description
技术领域
本发明涉及能耗预测数据处理技术领域,特别涉及一种基于弹性动力学神经网络的能耗预测方法。
背景技术
当今的社会正处于一个数字化快速演进的时代,数据已经成为新的石油,驱动着各个行业的变革。随着全球化、城市化和工业化的发展,我们的日常生活和产业结构都在经历深刻的变革。对于这些变革中的关键问题,如资源分配、能源消耗和环境保护,都需要借助高级技术来进行精确的预测和管理。特别是在能源消耗方面,由于全球气候变化的威胁和非可再生能源的日益减少,有效和高效地管理能源变得尤为重要。城市、大型企业和家庭都希望能够准确预测他们的能源需求,以减少浪费、优化供应链并降低成本。为此,传统的能源管理方式已经无法满足这些复杂需求,新的技术手段迫切需要被引入。
在这个背景下,利用先进的数据分析、机器学习和人工智能技术进行能耗预测已经成为一个新的研究热点。通过分析大量的历史数据、环境参数、用户行为等,机器学习模型可以更准确地预测未来的能耗,从而帮助企业和个人做出更加明智的决策。此外,这些模型也可以实时调整和优化,以适应不断变化的环境和需求。此外,随着物联网技术的发展,各种设备和系统都已经被连接到互联网上,产生了大量的实时数据。这为能耗预测提供了更加丰富和详细的信息源。但同时,如何从这些海量数据中提取有用的信息、处理数据的噪声和不规范,以及如何构建高效和稳定的预测模型,都成为了研究和应用的挑战。
中国发明专利CN202210878367.8提出一种基于迁移辨识的精馏过程单吨能耗预测方法及系统,该技术方案区别于不迁移的传统辨识技术,通过使用当前待辨识过程的数据知识,确定迁移增益矩阵,在相同的辨识成本下获得更高的辨识精度,在较少样本数据的情况下实现对精馏过程单吨能耗的精确预测。
中国发明专利CN202310220094.2提出一种电负荷预测与节能系统、方法、电子设备和储存介质,该电负荷预测与节能系统,解决了传统电力预测方法预测精度较低,存在局限性的问题。
中国发明专利CN202310105312.8提出一种能耗预测方法、计算设备及计算机存储介质,可以在缺少样本数据时,实现能耗的预测以及提高能耗预测的准确性。
以上现有技术虽然都解决的能耗预测的问题,但同时存在以下问题需进一步解决:
1、数据不足与过拟合:现有技术可能没有足够的方法来处理训练样本不足的问题,这可能导致模型过拟合,从而在真实场景中的预测效果不佳;
2、模型稳定性问题:传统的生成对抗网络可能存在训练不稳定的问题,使得生成的数据与真实数据的分布存在较大差异;
3、特征选择和优化问题:既有的特征选择方法可能效率低下,无法提取真正有价值的特征,传统方法可能没有利用动态演化的策略来进行权重与特征的优化;
4、分类器性能与泛化能力不足:传统的分类器可能没有充分利用主动学习的思想,导致在有限的标注数据上效果不佳,单一分类器可能缺乏足够的泛化能力,易受到噪声数据的干扰;
5、时间序列分析方法的局限性:现有的时间序列预测方法可能没有考虑滑动窗口策略,导致预测的短期变化难以捕获;
6、模型适应性不足:在能耗变化情况下,传统的预测方法可能缺乏动态调整的策略,使模型在面对数据变化时预测性能下降。
发明内容
本发明的目的是提出一种基于弹性动力学神经网络的能耗预测方法,致力于充分利用数据,尤其在训练样本不足的情况下,以缓解过拟合问题;通过构建和优化生成对抗网络,旨在优化训练过程,确保其稳定性,并使生成的数据与真实数据的分布更为接近,同时,通过使用动态演化策略,本发明能够进行有效的权重和特征优化,确保选取的特征对模型预测是有益的;进一步地,引入主动学习策略,进一步提高分类器在有限标注数据上的效果,而集成多个分类器则有助于增强模型的泛化能力和鲁棒性;此外,本发明还通过采用滑动窗口策略来提高时间序列的预测准确性,并在面对能耗变化等情况时,能够动态调整模型以维持其预测性能。总之,本发明的核心目的是在各种不利条件下提高模型的预测准确性和鲁棒性。
针对上述技术问题,本发明采用的技术方案为:基于弹性动力学神经网络的能耗预测方法,包括以下步骤:
S1、数据采集与数据标注:数据来自于能耗记录设备,数据结构为结构化的时间序列数据;数据标注是将某一时刻的实际能耗作为该条数据的标签的过程;
S2、数据预处理:预处理过程用于消除差异过大的数据以及消除数据量纲影响,进而适合后续训练模型;
S3、数据扩充:采用基于贪心算法的生成对抗网络模型进行数据扩充,对抗网络模型简称GAN,以解决训练样本不足的问题;
S4、特征提取与优化:对扩充后的训练样本进行特征提取,采用一种融合蜜罐优化算法与弹性动力学神经网络进行特征提取的模型,弹性动力学神经网络简称EDNN,弹性动力学神经网络在训练过程中进行自我调整并优化特征提取,进而实现系统的总能量逐渐减小的目的;
S5、训练预测模型:采用改进型的朴素贝叶斯主动学习分类器,引入主动学习思想和概率决策阈值调整,通过组合多个具有不同决策阈值的朴素贝叶斯分类器,以增加模型的稳定性和预测性能;
S6、能耗预测:在已完成训练好的模型基础上,进行能耗预测,能耗预测即为模型推理的过程,模型推理分为三个阶段:滑动窗口预测、预测结果校准和决策阈值动态调整。
进一步地,S2中消除差异过大数据以及消除数据量纲影响的过程包括以下步骤:
S201、去除异常值;
S202、填充缺失值;
S203、归一化处理。
进一步地,S201中采用基于IQR的异常值检测方法进行异常值检测,基于IQR的异常值检测方法也就是基于四分位距的异常值检测方法,如果小于/>或大于/>,那么/>就被认为是异常值,其中/>和/>分别是第一四分位数和第三四分位数,/>;S202中填充缺失值的方法为:使用采集特征数据的均值进行填充;
S203中归一化处理的方法为:设是第/>个观测点的第/>个特征值,/>是第/>个特征的均值,/>是第/>个特征的标准差,则归一化的公式为:
,其中,/>是/>归一化后的数值。
进一步地,S3中基于贪心算法的生成对抗网络模型命名为贪心生成对抗网络,贪心生成对抗网络简称G-GAN,该步骤中采用贪心算法优化生成器和判别器之间的对抗性,生成器用表示,判别器用/>表示,GAN的基本模型表示为:
,
其中,表示生成 器 />试图最小化此表达式,而判别器/>试图最大化该表达式,/>表示该损失项下x服从于/>的数据分布,/>表示该损失项下z服从于/>的数据分布,为解决传统的GAN算法存在的模式崩溃、训练不稳定的现象,引入贪心策略,基于贪心策略的GAN模型表示为:
,
其中,z为随机噪声,~p表示服从某种分布,是一个平衡参数,由人为预设,G-GAN基于贪心策略的改进,将生成数据的分布/>和判别器的数据分布/>进行对比,使得生成器生成的数据尽可能靠近判别器的数据分布。
进一步地,G-GAN模型中,采用一种基于判别器损失的自适应学习率调整策略,即:
,
其中,和/>分别是第/>步和第t步的学习率,/>的取值范围为,/>是第t步判别器的损失值;
当判别器的损失较大时,则表明生成器生成的数据与真实数据差距较大,此时需要通过增大学习率,加快模型的学习速度;反之,如果判别器的损失较小,则表明生成器生成的数据已经较接近真实数据,此时需要减小学习率,以防止模型过度拟合。
进一步地,传统的GAN生成器的目标函数是:;
为了考虑到生成数据与真实数据分布的差距,G-GAN模型将生成器的目标函数改进为:
,
其中,表示生成器试图最小化该目标函数,/>为改进的生成器损失函数,/>表示服从于噪声分布,/>是生成数据和真实数据的/>范数损失,/>是权重参数,控制两部分损失的平衡,所改进的目标函数在尽可能欺骗判别器的同时,还试图减小生成数据与真实数据的差距;
传统的GAN判别器的目标函数为:
,
其中,表示判别器试图最大化该目标函数,/>为判别器的损失函数,G-GAN模型在考虑样本在各类别上的分布,引入了类别信息,更新后的判别器目标函数为:
,
其中,表示服从于数据分布,/>代表真实样本在各类别上的分布,/>代表生成样本在各类别上的分布,/>为KL散度值,/>为KL散度计算函数,用于衡量两个分布的相似度,/>为权重参数,用于平衡原有目标与类别信息的影响。
进一步地,S4中采用融合蜜罐优化算法与弹性动力学神经网络进行特征提取的过程包括以下步骤:
S401、应用蜜罐优化算法对扩充后的训练样本进行特征选择和优化,得到优化后的数据;
S402、对EDNN的权重与神经元进行初始化,基于蜜罐优化后的数据,初始化EDNN网络的权重和阈值,每个神经元的状态也被随机初始化,权重表示为弹性系数,阈值表示为质量 ,神经元的状态用速度和位置表示,这里的神经元可视为质点,其动态变化遵循牛顿第二定律F=ma,权重被视为弹簧,阻尼系数视为学习率;
S403、对EDNN模型进行动态演化;
S404、进行权重更新与特征优化;
S405、当达到预设的最大迭代次数,或者系统的总能量小于预设的阈值时,算法停止,最终神经元的状态(位置)就代表了数据的特征。
进一步地,S401中应用蜜罐优化算法对扩充后的训练样本进行特征选择和优化的过程包括以下步骤:
S4011、初始化:所有特征组成一个集合,每个特征对应一个“蜜罐”,特征的重要性对应蜜罐中的“蜜”;
S4012、选择特征:在每一个迭代步骤中,随机选择一个特征,即“蜜罐”;
S4013、计算适应度:使用交叉验证得分度量方法计算当前特征集合的适应度;
S4014、更新蜜罐:如果新的适应度优于当前最优适应度,则将该特征添加到最优特征集合中,并且增加其“蜜”;否则,减少其“蜜”;
S4015、结束条件:当达到预设的最大迭代次数,或者所有特征的“蜜”都低于预设的阈值时,算法停止。
进一步地,S403中对EDNN模型进行动态演化的方法为:在每一个时间步,先根据牛顿第二定律计算每个神经元的加速度,然后更新神经元的速度和位置,表示为:
,
其中,是神经元的质量,/>是神经元/>和/>之间的弹性系数,/>和/>分别是更新前的神经元/>和/>的位置,/>是神经元/>的阻尼系数,/>是更新前的神经元的速度,是更新后的神经元的速度,/>是更新后的神经元/>的位置,/>是神经元的加速度,dt是时间步长,/>是神经元/>、/>和k之间的二阶弹性系数,神经元的加速度/>引入了二阶弹性系数以处理多层网络中的非线性问题,所包含的二阶弹性系数描述了当神经元/>的状态变化时,神经元/>和k状态的联合影响。
进一步地,S404中进行权重更新与特征优化的方法为:
在每一个时间步,计算系统的总能量,包括动能和弹性势能。动能的计算公式为,弹性势能的计算公式为/>;根据能量的变化,使用蜜罐优化算法来调整弹性系数;
由于期望系统的总能量逐渐减小,因此在能量增加的情况下,增大弹性系数;在能量减小的情况下,减小弹性系数,使得EDNN在训练过程中能自我调整并优化特征提取,对权重的更新公式进行调整以适应二阶弹性系数的方式表示为:
,
其中,是一个超参数,用于控制二阶弹性系数更新的速度,/>是神经元/>和之间的弹性系数,/>是学习率,E是系统的总能量,/>是调整后的弹性系数,/>是调整后的二阶弹性系数,/>表示对/>求偏导,/>表示对/>求偏导,/>是神经元/>、/>和k之间的二阶弹性系数。
进一步地,S402中学习率由动态调整的方式获得,学习率调整的方式表示为:
,
其中,是更新前的第/>个神经元的学习率,/>是更新后的第/>个神经元的学习率,/>是一个由人为预设的超参数,用于控制学习率调整的速度,E是系统的总能量,是对/>求偏导,学习率的更新是根据能量对学习率的偏导数来进行的,如果能量对学习率的偏导数为正,那么学习率将被减小;如果偏导数为负,那么学习率将被增大;则,当网络的能量较高时,学习率将被自动减小,从而使网络更稳定;当能量较低时,学习率将被自动增大,从而使网络能更快地学习新的知识。
进一步地,S5中训练预测模型的方法为:
朴素贝叶斯分类器是一种基于贝叶斯定理和特征条件独立假设的分类方法,给定一个数据点x,朴素贝叶斯分类器的目标是找到使后验概率最大的类别y,后验概率通过贝叶斯定理计算如下:
,
其中,d是特征的维度,是x在第/>维的特征值,/>是先验概率,/>是似然概率,/>是证据概率;
在改进型的朴素贝叶斯分类器中,主动学习被用来在训练过程中动态地选择需要标注的样本,在每一个训练迭代,分类器会评估所有未标记的样本的不确定性,并选择不确定性最大的样本进行标注;
为了提高分类器的性能,进一步引入了概率决策阈值的调整策略,不是简单地选择后验概率最大的类别作为预测结果,分类器会根据各类别的后验概率和决策阈值来做出决策,为了找到最优的决策阈值,分类器会在训练过程中使用验证集进行调整,在每一个训练迭代,分类器会根据验证集的性能来调整决策阈值,具体的调整策略使用梯度下降算法。
进一步地,朴素贝叶斯分类器中还引入了一种集成学习策略,集成学习是一种组合多个学习算法的方法,以获得比任何单个算法更好的预测性能,通过组合多个具有不同决策阈值的朴素贝叶斯分类器,以增加模型的稳定性和预测性能。
进一步地,S6中能耗预测的过程包括以下步骤:
S601、进行滑动窗口预测:采用滑动窗口的时间序列分析技术,在时间序列中,设置一个固定大小的窗口n,并以一定的步长在时间序列上滑动,从而得到一系列窗口内的数据样本/>;
对于每一个窗口内的数据样本,将其作为输入,放入已经训练好的模型/>中进行预测,得到下一时间步的能耗预测值/>,这个过程表示为:
,
式中,代表模型的参数;
S602、进行预测结果校准;为了提高预测结果的准确性,对于每一个预测值,通过一个校准函数c来调整它,得到校准后的预测值/>,表示为:
,
式中,校准函数为预设的线性函数;
S603、进行决策阈值动态调整:为了使预测模型更加灵活,对于每一时间步t,都会根据预测结果和历史预测误差/>来动态调整决策阈值/>,表示为:
,
其中,代表阈值调整函数,进一步地,将校准后的预测值/>与决策阈值进行比较,得出最终的预测结果:
通过决策阈值动态调整的方法,预测模型可以更好地适应数据的变化,从而提高预测的准确性。
本发明与现有技术相比的有益效果为:(1)本发明利用贪心生成对抗网络G-GAN进行数据扩充,针对能耗预测中的训练样本不足问题提出了解决方案;(2)本发明通过贪心策略优化生成器G和判别器D的对抗性,提高GAN模型的稳定性和效果;(3)本发明公开的自适应学习率调整策略,根据判别器的损失自动调整学习率,以优化GAN的训练过程,可以使模型更加稳健,对噪声和异常值有更好的鲁棒性;(4)本发明通过对目标函数进行改进,生成器的目标函数在尝试欺骗判别器的同时,也试图减少生成数据与真实数据的差距,判别器的目标函数不仅关注真实与生成样本的差异,还考虑特定类别上的样本分布;(5)本发明采用蜜罐优化算法与弹性动力学神经网络EDNN进行特征提取,并结合蜜罐优化算法进行权重更新与特征优化;(6)本发明采用基于泰勒级数的方法推导能量作为学习率的函数,实现动态的学习率调整;在改进型的朴素贝叶斯分类器中,利用主动学习策略动态选择需要标注的样本,降低人工标注成本;(7)本发明通过对概率决策阈值调整,考虑后验概率和决策阈值进行分类决策,并根据验证集性能动态调整阈值,能够根据实时数据和历史预测效果进行自我调整,更好地适应数据的变化;(8)本发明采用集成学习策略,在主动学习朴素贝叶斯分类器中应用集成学习策略,增强模型的预测性能与稳定性;(9)本发明通过上述多个创新点,能够在各个阶段持续优化数据、特征、模型参数等,以提高最终的能耗预测的准确性;(10)本发明方法的多个创新点如贪心策略、蜜罐优化算法等,具有较强的普适性,可以应用于其他类似的预测任务,灵活性与普适性较高。
具体实施方式
实施例:基于弹性动力学神经网络的能耗预测方法,包括以下步骤:
S1、数据采集与数据标注:数据为来自于能耗记录设备,如智能电表,记录包括时间、电量、温度、湿度等;标注方法简明清晰,确保数据的真实性和准确性;数据结构为结构化的时间序列数据;记录在每个时间点的电量消耗;数据标注是将某一时刻的实际能耗作为该条数据的标签的过程;
具体的,假设数据集D由n个观测点组成,那么数据集可以表示为,其中每个观测点/>是一个元组/>,其中/>表示时间,表示电量,/>表示温度,/>表示湿度,/>就是/>其中的一个元素,如xi1就是/>;
对于数据的标注,如果在某一时间的实际能耗是/>,则/>即为该条数据的标签;
S2、数据预处理:数据预处理的目的是转化原始数据使其适合后续的模型训练和预测,预处理过程用于消除差异过大的数据以及消除数据量纲影响;
S3、数据扩充:采用基于贪心算法的生成对抗网络模型进行数据扩充,以解决训练样本不足的问题;
S4、特征提取与优化:对扩充后的训练样本进行特征提取,采用一种融合蜜罐优化算法与弹性动力学神经网络EDNN进行特征提取的模型,弹性动力学神经网络EDNN在训练过程中能自我调整并优化特征提取,进而实现系统的总能量逐渐减小的目的;
S5、训练预测模型:采用改进型的朴素贝叶斯主动学习分类器,引入主动学习思想和概率决策阈值调整,通过组合多个具有不同决策阈值的朴素贝叶斯分类器,以增加模型的稳定性和预测性能;
S6、能耗预测:在已完成训练好的模型基础上,进行能耗预测,能耗预测即为模型推理的过程,模型推理分为三个阶段:滑动窗口预测、预测结果校准和决策阈值动态调整。
S2中消除差异过大数据以及消除数据量纲影响的过程包括以下步骤:S201、去除异常值;S202、填充缺失值;S203、归一化处理。
S201中采用基于IQR(四分位距)的异常值检测方法进行异常值检测,如果小于或大于/>,那么/>就被认为是异常值,其中/>和/>分别是第一四分位数和第三四分位数,/>;
S202中填充缺失值的方法为:使用采集特征数据的均值进行填充;具体的,假设特征存在缺失值,用/>表示特征/>的均值,那么可以将所有/> 为空的地方填充为/>。
S203中归一化处理的方法为:设是第/>个观测点的第/>个特征值,/>是第/>个特征的均值,/>是第/>个特征的标准差,则归一化的公式为:
,
其中,是/>归一化后的数值。
S3中基于贪心算法的生成对抗网络GAN模型命名为贪心生成对抗网络G-GAN,该步骤中采用贪心算法优化生成器G和判别器D之间的对抗性,GAN的基本模型表示为:
,其中,/>表示生成器/>试图最小化此表达式,而判别器/>试图最大化此表达式;/>表示该损失项下x服从于/>的数据分布,/>表示该损失项下z服从于/>的数据分布;传统的GAN算法可能存在模式崩溃、训练不稳定等现象,为解决传统的GAN算法存在这些问题,引入贪心策略,基于贪心策略的GAN模型G-GAN表示为:
,
其中,z为随机噪声,~p表示服从某种分布,是一个平衡参数,由人为预设,G-GAN基于贪心策略的改进,将生成数据的分布/>和判别器的数据分布/>进行对比,使得生成器生成的数据尽可能靠近判别器的数据分布。
G-GAN模型中,采用了一种基于判别器损失的自适应学习率调整策略,即:
,
其中,和/>分别是第/>步和第t步的学习率,/>是一个预设的学习率衰减因子/>是第t步判别器的损失值;
当判别器的损失越大时,则表明生成器生成的数据与真实数据差距越大,此时需要通过增大学习率,加快模型的学习速度;反之,如果判别器的损失越小,则表明生成器生成的数据与真实数据差距越小,此时需要减小学习率,以防止模型过度拟合。
在G-GAN模型中,目标函数也进行了改进,传统的GAN生成器的目标函数是:
,
然而,这个目标函数只考虑了欺骗判别器,为了考虑到生成数据与真实数据分布的差距,G-GAN模型将生成器的目标函数改进为:
,
其中,表示生成器试图最小化该目标函数,/>为改进的生成器损失函数,/>表示服从于噪声分布,/>是生成数据和真实数据的/>范数损失,/>是权重参数,控制两部分损失的平衡,所改进的目标函数在欺骗判别器的同时,还试图减小生成数据与真实数据的差距。
同时,对于判别器的目标函数,传统的判别器只关注从生成器(Generator,G)产生的样本与真实样本之间的区别,本发明引入一个新的判别器目标函数,考虑了样本在特定类别上的分布,以期改善生成样本的质量。
传统的GAN判别器的目标函数为:
,
其中,表示判别器试图最大化该目标函数,/>为判别器的损失函数,在此基础上,G-GAN模型在考虑样本在各类别上的分布,引入了类别信息,更新后的判别器目标函数为:
,
其中,表示服从于数据分布,/>代表真实样本在各类别上的分布,/>代表生成样本在各类别上的分布,/>为KL散度值,/>为KL散度计算函数,用于衡量两个分布的相似度,/>为权重参数,用于平衡原有目标与类别信息的影响。
S4中采用融合蜜罐优化算法与弹性动力学神经网络(EDNN)进行特征提取的过程包括以下步骤:
S401、应用蜜罐优化算法对扩充后的训练样本进行特征选择和优化,得到优化后的数据;该算法的核心思想是基于贪心的策略,逐步添加或者删除特征,直到找到满足预设条件的最优特征集合,蜜罐优化算法为寻找全局最优解提供了一个更有效的策略,使得特征选择过程更高效;
S402、对EDNN的权重与神经元进行初始化,基于蜜罐优化后的数据,初始化EDNN网络的权重和阈值,每个神经元的状态也被随机初始化,这里的神经元可视为质点,其动态变化遵循牛顿第二定律F=ma,权重被视为弹簧,阻尼系数视为学习率;
S403、对EDNN模型进行动态演化;
S404、进行权重更新与特征优化;
S405、当达到预设的最大迭代次数,或者系统的总能量小于预设的阈值时,算法停止,最终神经元的状态(位置)就代表了数据的特征。
S401中应用蜜罐优化算法对扩充后的训练样本进行特征选择和优化的过程包括以下步骤:
S4011、初始化:所有特征组成一个集合,每个特征对应一个“蜜罐”,特征的重要性对应蜜罐中的“蜜”;
S4012、选择特征:在每一个迭代步骤中,随机选择一个特征,即“蜜罐”;
S4013、计算适应度:使用交叉验证得分度量方法计算当前特征集合的适应度;
S4014、更新蜜罐:如果新的适应度优于当前最优适应度,则将该特征添加到最优特征集合中,并且增加其“蜜”;否则,减少其“蜜”;
S4015、结束条件:当达到预设的最大迭代次数,或者所有特征的“蜜”都低于预设的阈值时,算法停止。
S403中对EDNN模型进行动态演化的方法为:在每一个时间步,先根据牛顿第二定律计算每个神经元的加速度,然后更新神经元的速度和位置,表示为:
,
其中,是神经元的质量,/>是神经元/>和/>之间的弹性系数(权重),/>和/>分别是更新前的神经元/>和/>的位置(即它们的激活值),/>是神经元/>的阻尼系数,/>是更新前的神经元的速度,/>是更新后的神经元的速度,/>是更新后的神经元/>的位置(即它的激活值),/>是神经元的加速度,dt是时间步长,/>是神经元/>、/>和k之间的二阶弹性系数,神经元的加速度/>引入了二阶弹性系数以处理多层网络中的非线性问题,所包含的二阶弹性系数描述了当神经元/>的状态变化时,神经元/>和k状态的联合影响。
S404中进行权重更新与特征优化的方法为:即使用蜜罐优化算法进一步优化权重更新的过程。本发明引入能量计算,在每一个时间步,计算系统的总能量,包括动能和弹性势能。动能的计算公式为,弹性势能的计算公式为/>;根据能量的变化,使用蜜罐优化算法来调整弹性系数(权重);
由于期望系统的总能量逐渐减小,因此在能量增加的情况下,增大弹性系数;在能量减小的情况下,减小弹性系数,使得EDNN在训练过程中能自我调整并优化特征提取,对权重的更新公式进行调整以适应二阶弹性系数的方式表示为:
,
其中,是一个超参数,用于控制二阶弹性系数更新的速度,/>是神经元/>和之间的弹性系数,/>是学习率,E是系统的总能量,/>是调整后的弹性系数/>是调整后的二阶弹性系数,在一个具体的实施例中,假设有三个神经元/>、/>和k,它们的状态分别为/>,如果只考虑一阶弹性系数,则神经元/>的加速度就只受到/>的线性影响,但实际上,/>可能会有联合的影响,如,当/>同时增大时,/>可能会增大,但当在不同方向变化时,/>可能不变,这种联合影响就可以用二阶弹性系数/>来描述。
S402中学习率由动态调整的方式获得,学习率调整的方式表示为:
,
其中,是更新前的第/>个神经元的学习率,/>是更新后的第/>个神经元的学习率,/>是一个新的超参数,用于控制学习率调整的速度,E是系统的总能量,学习率的更新是根据能量对学习率的偏导数来进行的,如果能量对学习率的偏导数为正,那么学习率将被减小;如果偏导数为负,那么学习率将被增大;则,当网络的能量较高时,学习率将被自动减小,从而使网络更稳定;当能量较低时,学习率将被自动增大,从而使网络能更快地学习新的知识。对于学习率调整的公式的推导,是基于泰勒级数的近似,具体的,将能量看作是学习率的函数,然后使用泰勒级数的一阶项来近似能量的变化,具体的推导过程如下:
假设能量E是学习率的函数,即/>,使用泰勒级数来近似能量在附近的变化:
,
如果忽略二阶及以上的项,则上述公式变成:
,
本任务期望新的能量比原来的能量/>小,则需要满足:
,
若,则需要/>,即学习率需要减小;若/>,则需要,即学习率需要增大。故,可以选择/>,从而满足上述的条件。
S5中训练预测模型的方法:本发明提出一种改进型的朴素贝叶斯分类器,引入了主动学习思想和概率决策阈值调整,其中,分类的类别对应本发明能耗预测任务的能耗区间;朴素贝叶斯分类器是一种基于贝叶斯定理和特征条件独立假设的分类方法,给定一个数据点x,朴素贝叶斯分类器的目标是找到使后验概率最大的类别y,后验概率通过贝叶斯定理计算如下:
,
其中,d是特征的维度,是x在第/>维的特征值,/>是先验概率,/>是似然概率,/>是证据概率。
主动学习是机器学习中的一种策略,通过从未标记的数据中选择最有信息量的样本进行标注,从而降低人工标注的成本并提高学习效率。在改进型的朴素贝叶斯分类器中,主动学习被用来在训练过程中动态地选择需要标注的样本,在每一个训练迭代,分类器会评估所有未标记的样本的不确定性,并选择不确定性最大的样本进行标注。为了提高分类器的性能,进一步引入了概率决策阈值的调整策略,不是简单地选择后验概率最大的类别作为预测结果,分类器会根据各类别的后验概率和决策阈值来做出决策,为了找到最优的决策阈值,分类器会在训练过程中使用验证集进行调整,在每一个训练迭代,分类器会根据验证集的性能来调整决策阈值,具体的调整策略使用梯度下降算法。朴素贝叶斯分类器中还引入了一种集成学习策略,集成学习是一种组合多个学习算法的方法,以获得比任何单个算法更好的预测性能,通过组合多个具有不同决策阈值的朴素贝叶斯分类器,以增加模型的稳定性和预测性能。
具体的,在一个具体的实施例中,假设有M个朴素贝叶斯分类器,它们的决策阈值分别为,则集成学习策略的预测结果为这M个分类器的预测结果的加权平均:
,
其中,是第m个朴素贝叶斯分类器的预测结果,其计算公式如下:
,
基于此,该训练过程可以通过以下步骤来详细描述:
S501、初始化:首先,初始化M个朴素贝叶斯分类器的参数,包括类别的先验概率、各个特征在各个类别下的条件概率/>,以及决策阈值/>;
S502、主动学习:然后,在每个训练迭代中,通过评估所有未标注样本的不确定性,选择不确定性最大的样本进行标注,然后使用这些新标注的样本来更新模型的参数;
S503、动态阈值优化:在每次训练迭代中,根据验证集的性能表现,使用梯度下降等优化算法调整决策阈值;
S504、集成学习策略:在每次训练迭代后,使用集成学习策略计算M个朴素贝叶斯分类器的预测结果的加权平均作为最终的预测结果;
S505、结束条件:当达到预设的最大迭代次数,或者验证集的性能满足预设的阈值时,结束训练。
S6中能耗预测的过程包括以下步骤:
S601、进行滑动窗口预测:采用滑动窗口的时间序列分析技术,在时间序列中,设置一个固定大小的窗口n,并以一定的步长在时间序列上滑动,从而得到一系列窗口内的数据样本/>;对于每一个窗口内的数据样本/>,将其作为输入,放入已经训练好的模型/>中进行预测,得到下一时间步的能耗预测值/>,这个过程表示为:/>,式中,/>代表模型的参数;
S602、进行预测结果校准;为了提高预测结果的准确性,对于每一个预测值,通过一个校准函数c来调整它,得到校准后的预测值/>,表示为:
,
式中,校准函数为预设的线性函数;
S603、进行决策阈值动态调整:为了使预测模型更加灵活,对于每一时间步t,都会根据预测结果和历史预测误差/>来动态调整决策阈值/>,表示为:
,
其中,代表阈值调整函数,进一步地,将校准后的预测值/>与决策阈值进行比较,得出最终的预测结果:
,
通过决策阈值动态调整的方法,预测模型更好地适应数据的变化,从而提高预测的准确性。
Claims (6)
1.基于弹性动力学神经网络的能耗预测方法,其特征在于,包括以下步骤:
S1、数据采集与数据标注:数据来自于能耗记录设备,记录包括时间、电量、温度、湿度;标注方法简明清晰,确保数据的真实性和准确性;数据结构为结构化的时间序列数据;记录在每个时间点的电量消耗;所述的数据标注是将某一时刻的实际能耗作为该条数据的标签的过程;
具体的,假设数据集D由n个观测点组成,那么数据集表示为,其中每个观测点/>是一个元组/>,其中/>表示时间,/>表示电量,/>表示温度,表示湿度,/>就是/>其中的一个元素,如xi1就是/>;
S2、数据预处理;
S3、数据扩充:采用基于贪心算法的生成对抗网络模型进行数据扩充,生成对抗网络模型简称GAN;
基于贪心算法的生成对抗网络模型命名为贪心生成对抗网络,贪心生成对抗网络简称G-GAN,该步骤中采用贪心算法优化生成器和判别器之间的对抗性,生成器用表示,判别器用/>表示,GAN的基本模型表示为:
;
其中,表示生成器/>试图最小化此表达式,而判别器/>试图最大化该表达式,/>表示该损失项下x服从于/>的数据分布,/>表示该损失项下z服从于/>的数据分布,引入贪心策略,基于贪心策略的GAN模型表示为:
;
其中,是一个平衡参数,由人为预设,G-GAN基于贪心策略的改进,将生成数据的分布和判别器的数据分布/>进行对比,使得生成器生成的数据靠近判别器的数据分布;
G-GAN模型中,采用一种基于判别器损失的自适应学习率调整策略,即:;
其中,和/>分别是第/>步和第t步的学习率,/>是一个预设的学习率衰减因子,/>的取值范围为/>是第t步判别器的损失值;
当判别器的损失越大时,则表明生成器生成的数据与真实数据差距越大,此时需要通过增大学习率,加快模型的学习速度;反之,如果判别器的损失越小,则表明生成器生成的数据与真实数据差距越小,此时需要减小学习率;
传统的GAN生成器的目标函数是:
;
为了考虑到生成数据与真实数据分布的差距,G-GAN模型将生成器的目标函数改进为:
;
其中,表示生成器试图最小化该目标函数,/>为改进的生成器损失函数,/>表示服从于噪声分布,/>是生成数据和真实数据的/>范数损失,是权重参数,控制两部分损失的平衡;
传统的GAN判别器的目标函数为:
;
其中,表示判别器试图最大化该目标函数,/>为判别器的损失函数,G-GAN模型在考虑样本在各类别上的分布,引入了类别信息,更新后的判别器目标函数为:
;
其中,表示服从于数据分布,/>代表真实样本在各类别上的分布,代表生成样本在各类别上的分布,/>为KL散度值,/>为KL散度计算函数,用于衡量两个分布的相似度,/>为权重参数;
S4、特征提取与优化:对扩充后的训练样本进行特征提取,采用一种融合蜜罐优化算法与弹性动力学神经网络进行特征提取的模型,弹性动力学神经网络简称EDNN,弹性动力学神经网络在训练过程中自我调整并优化特征提取;
采用融合蜜罐优化算法与弹性动力学神经网络进行特征提取的过程包括以下步骤:
S401、应用蜜罐优化算法对扩充后的训练样本进行特征选择和优化,得到优化后的数据;
S402、对EDNN的权重与神经元进行初始化,基于蜜罐优化后的数据,初始化EDNN网络的权重和阈值,每个神经元的状态也被随机初始化,权重表示为弹性系数,阈值表示为质量,神经元的状态用速度和位置表示,这里的神经元视为质点,其动态变化遵循牛顿第二定律F=ma,权重被视为弹簧,阻尼系数视为学习率;
S403、对EDNN模型进行动态演化;
S404、进行权重更新与特征优化;
S405、当达到预设的最大迭代次数,或者系统的总能量小于预设的阈值时,算法停止,最终神经元的位置就代表了数据的特征;
S401中应用蜜罐优化算法对扩充后的训练样本进行特征选择和优化的过程包括以下步骤:
S4011、初始化:所有特征组成一个集合,每个特征对应一个“蜜罐”,特征的重要性对应蜜罐中的“蜜”;
S4012、选择特征:在每一个迭代步骤中,随机选择一个特征,即“蜜罐”;
S4013、计算适应度:使用交叉验证得分度量方法计算当前特征集合的适应度;
S4014、更新蜜罐:如果新的适应度优于当前最优适应度,则将该特征添加到最优特征集合中,并且增加其“蜜”;否则,减少其“蜜”;
S4015、结束条件:当达到预设的最大迭代次数,或者所有特征的“蜜”都低于预设的阈值时,算法停止;
S403中对EDNN模型进行动态演化的方法为:在每一个时间步,先根据牛顿第二定律计算每个神经元的加速度,然后更新神经元的速度和位置,表示为:
;
其中,是神经元的质量,/>是神经元/>和/>之间的弹性系数,也就是权重值,/>和分别是更新前的神经元/>和/>的位置,也就是神经元/>和/>的激活值,/>表示第k个神经元的位置,/>是神经元/>的阻尼系数,/>是更新前的神经元的速度,/>是更新后的神经元的速度,/>是更新后的神经元/>的位置,/>是神经元的加速度,dt是时间步长,/>是神经元/>和、/>和k之间的二阶弹性系数,神经元的加速度/>引入了二阶弹性系数以处理多层网络中的非线性问题,所包含的二阶弹性系数描述了当神经元/>的状态变化时,神经元/>和k状态的联合影响;
S404中进行权重更新与特征优化的方法为:
在每一个时间步,计算系统的总能量,包括动能和弹性势能,动能的计算公式为,弹性势能的计算公式为/>;根据能量的变化,使用蜜罐优化算法来调整弹性系数;
对权重的更新公式进行调整以适应二阶弹性系数的方式表示为:
;
其中是一个超参数,用于控制二阶弹性系数更新的速度,/>是神经元/>和/>之间的弹性系数,/>是学习率,E是系统的总能量,/>是调整后的弹性系数,/>是调整后的二阶弹性系数,/>表示对/> ;
S5、训练预测模型:采用改进型的朴素贝叶斯主动学习分类器,通过组合多个具有不同决策阈值的朴素贝叶斯分类器,以增加模型的稳定性和预测性能;
S6、能耗预测:在已完成训练好的模型基础上,进行能耗预测,能耗预测即为模型推理的过程,模型推理分为三个阶段:滑动窗口预测、预测结果校准和决策阈值动态调整;
能耗预测的过程包括以下步骤:
S601、进行滑动窗口预测:采用滑动窗口的时间序列分析技术,在时间序列中,设置一个固定大小的窗口n,并以设定的步长在时间序列上滑动,从而得到一系列窗口内的数据样本/>;
对于每一个窗口内的数据样本,将其作为输入,放入已经训练好的模型/>中进行预测,得到下一时间步的能耗预测值/>,这个过程表示为:/>;式中,代表模型的参数;
S602、进行预测结果校准;为了提高预测结果的准确性,对于每一个预测值,通过一个校准函数c来调整它,得到校准后的预测值/>,表示为:
;
式中,校准函数为预设的线性函数;
S603、进行决策阈值动态调整:为了使预测模型更加灵活,对于每一时间步t,都会根据预测结果和历史预测误差/>来动态调整决策阈值/>,表示为:;
其中,代表阈值调整函数,进一步地,将校准后的预测值/>与决策阈值/>进行比较,得出最终的预测结果:
。
2.根据权利要求1所述的基于弹性动力学神经网络的能耗预测方法,其特征在于,S2中消除差异过大数据以及消除数据量纲影响的过程包括以下步骤:
S201、去除异常值;
S202、填充缺失值;
S203、归一化处理。
3.根据权利要求2所述的基于弹性动力学神经网络的能耗预测方法,其特征在于,
S201中采用基于IQR的异常值检测方法进行异常值检测,基于IQR的异常值检测方法也就是基于四分位距的异常值检测方法,如果小于/>或大于,那么/>就被认为是异常值,其中/>和/>分别是第一四分位数和第三四分位数,/>,/>表示第/>个观测点的第/>个特征值;
S202中填充缺失值的方法为:使用采集特征数据的均值进行填充;
S203中归一化处理的方法为:设是第/>个观测点的第/>个特征值,/>是第/>个特征的均值,/>是第/>个特征的标准差,则归一化的公式为:
;
其中,是/>归一化后的数值。
4.根据权利要求1所述的基于弹性动力学神经网络的能耗预测方法,其特征在于,S402中学习率由动态调整的方式获得,学习率调整的方式表示为:
;
其中,是更新前的第/>个神经元的学习率,/> ,用于控制学习率调整的速度,E是系统的总能量,/>。
5.根据权利要求1所述的基于弹性动力学神经网络的能耗预测方法,其特征在于,S5中训练预测模型的方法为:
朴素贝叶斯分类器是一种基于贝叶斯定理和特征条件独立假设的分类方法,给定一个数据点x,朴素贝叶斯分类器的目标是找到使后验概率最大的类别y,后验概率通过贝叶斯定理计算如下:
;
其中,d是特征的维度,是X在第/>维的特征值,/>是先验概率,/>是似然概率,/>是证据概率。
6.根据权利要求3所述的基于弹性动力学神经网络的能耗预测方法,其特征在于,朴素贝叶斯分类器中还引入了一种集成学习策略,集成学习是一种组合多个学习算法的方法,通过组合多个具有不同决策阈值的朴素贝叶斯分类器,以增加模型的稳定性和预测性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277224.2A CN117010576B (zh) | 2023-10-07 | 2023-10-07 | 基于弹性动力学神经网络的能耗预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277224.2A CN117010576B (zh) | 2023-10-07 | 2023-10-07 | 基于弹性动力学神经网络的能耗预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117010576A CN117010576A (zh) | 2023-11-07 |
CN117010576B true CN117010576B (zh) | 2024-02-02 |
Family
ID=88571302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311277224.2A Active CN117010576B (zh) | 2023-10-07 | 2023-10-07 | 基于弹性动力学神经网络的能耗预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010576B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272029B (zh) * | 2023-11-20 | 2024-03-01 | 北京世纪慈海科技有限公司 | 基于大数据处理的老人安全监测方法及装置 |
CN117315376B (zh) * | 2023-11-28 | 2024-02-13 | 聊城莱柯智能机器人有限公司 | 基于机器学习的机械零件工业质检方法 |
CN117312865B (zh) * | 2023-11-30 | 2024-02-27 | 山东理工职业学院 | 基于非线性动态优化的数据分类模型的构建方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178626A (zh) * | 2019-12-30 | 2020-05-19 | 苏州科技大学 | 基于wgan算法的建筑能耗预测方法及监测预测系统 |
CN113010967A (zh) * | 2021-04-22 | 2021-06-22 | 吉林大学 | 一种基于混合交通流模型的智能汽车在环仿真测试方法 |
CN113983646A (zh) * | 2021-09-28 | 2022-01-28 | 国网浙江省电力有限公司营销服务中心 | 基于生成对抗网络的空调互动末端能耗预测方法及空调 |
CN115169721A (zh) * | 2022-07-25 | 2022-10-11 | 江南大学 | 一种基于迁移辨识的精馏过程单吨能耗预测方法及系统 |
CN115298683A (zh) * | 2020-03-20 | 2022-11-04 | 汉阳大学校Erica产学协力团 | 能量管理系统及能量管理方法 |
CN116187601A (zh) * | 2023-05-04 | 2023-05-30 | 华北理工大学 | 一种基于负荷预测的综合能源系统运行优化方法 |
CN116187549A (zh) * | 2023-01-20 | 2023-05-30 | 阿里云计算有限公司 | 能耗预测方法、计算设备及计算机存储介质 |
CN116341725A (zh) * | 2023-03-08 | 2023-06-27 | 广东电网有限责任公司东莞供电局 | 一种电负荷预测与节能系统、方法、电子设备和储存介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024517412A (ja) * | 2021-04-16 | 2024-04-22 | ストロング フォース ヴィーシーエヌ ポートフォリオ 2019,エルエルシー | デジタル製品ネットワークシステム及び生物学ベースのバリューチェーンネットワークのための、システム、方法、キット、並びに装置 |
-
2023
- 2023-10-07 CN CN202311277224.2A patent/CN117010576B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178626A (zh) * | 2019-12-30 | 2020-05-19 | 苏州科技大学 | 基于wgan算法的建筑能耗预测方法及监测预测系统 |
CN115298683A (zh) * | 2020-03-20 | 2022-11-04 | 汉阳大学校Erica产学协力团 | 能量管理系统及能量管理方法 |
CN113010967A (zh) * | 2021-04-22 | 2021-06-22 | 吉林大学 | 一种基于混合交通流模型的智能汽车在环仿真测试方法 |
CN113983646A (zh) * | 2021-09-28 | 2022-01-28 | 国网浙江省电力有限公司营销服务中心 | 基于生成对抗网络的空调互动末端能耗预测方法及空调 |
CN115169721A (zh) * | 2022-07-25 | 2022-10-11 | 江南大学 | 一种基于迁移辨识的精馏过程单吨能耗预测方法及系统 |
CN116187549A (zh) * | 2023-01-20 | 2023-05-30 | 阿里云计算有限公司 | 能耗预测方法、计算设备及计算机存储介质 |
CN116341725A (zh) * | 2023-03-08 | 2023-06-27 | 广东电网有限责任公司东莞供电局 | 一种电负荷预测与节能系统、方法、电子设备和储存介质 |
CN116187601A (zh) * | 2023-05-04 | 2023-05-30 | 华北理工大学 | 一种基于负荷预测的综合能源系统运行优化方法 |
Non-Patent Citations (1)
Title |
---|
生成对抗网络(GAN)模型优化方法研究;李伟;中国博士学位论文全文数据库 (信息科技辑)(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117010576A (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117010576B (zh) | 基于弹性动力学神经网络的能耗预测方法 | |
CN112232416B (zh) | 一种基于伪标签加权的半监督学习方法 | |
Qahwaji et al. | Automatic short-term solar flare prediction using machine learning and sunspot associations | |
CN111191835B (zh) | 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统 | |
KR20190098107A (ko) | 딥 러닝을 위한 신경망 학습 장치 및 그 방법 | |
CN114386324A (zh) | 一种基于转折性时段识别的超短期风电功率分段预测方法 | |
CN108446334B (zh) | 一种无监督对抗训练的基于内容的图像检索方法 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
Zhao et al. | Incremental face clustering with optimal summary learning via graph convolutional network | |
CN112232577A (zh) | 用于多芯智能表的电力负荷概率预测系统与方法 | |
CN115358305A (zh) | 一种基于边界样本迭代生成的增量学习鲁棒性提升方法 | |
Liu et al. | An intelligent building occupancy detection system based on sparse auto-encoder | |
CN110705631B (zh) | 一种基于svm的散货船舶设备状态检测方法 | |
CN117117859A (zh) | 基于神经网络的光伏发电功率预测方法及系统 | |
Raja et al. | Internet of things enabled automated air pollution monitoring using oppositional swallow swarm optimisation with deep learning model | |
CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 | |
CN111931747A (zh) | 一种适于多任务迭代学习记忆的遥感图像分类方法 | |
Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
Feng et al. | DME: An Adaptive and Just-in-Time Weighted Ensemble Learning Method for Classifying Block-Based Concept Drift Steam | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN112560760A (zh) | 一种注意力辅助的无监督视频摘要系统 | |
Liu et al. | Fuzzy C-mean algorithm based on “complete” Mahalanobis distances | |
Gong et al. | Surrogate models based on individual's interval fitness in interactive genetic algorithms | |
CN117290705A (zh) | 基于改进域对抗网络的新能源场站风光时序功率生成方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |