[发明专利]分布式内存并行计算优化深度信念网络的短期负荷预测方法

权利要求书

1.一种分布式内存并行计算优化深度信念网络的短期负荷预测方法，其特征在于，包括以下步骤：

S1.弹性分布式数据集RDD读取负荷历史数据；结合负荷的周期特性，从历史负荷、气象因素、日期类型角度读取负荷预测输入数据到Spark RDD集合；所述的S1步骤具体包括：

S11.将负荷数据从Hadoop HDFS输入Spark，并转换为RDD数据集；

S12.按照用户编写映射程序逻辑，经过flatMap与Map操作后，映射成(key，value)键值对；

S13.经过reduceByKey操作和join操作转换为缓存数据；

S14.经过Cache操作，将RDD缓存数据集缓存到内存中；

S15.判断数据读取是否结束，若结束则通过函数saveAsSequenceFile输出保存到HDFS或其它文件系统中；否则返回步骤S12，进行下一轮操作；

S2.深度信念网络DBN网络权重值W和偏置值B优化；采用改进并行粒子群算法将其分为不同子群，并对惯性权重和加速因子进行改进计算；在分布式内存计算Spark平台上对深度信念网络模型的权值参数W和偏置值B进行优化，选择使得适应度值最小的粒子坐标向量值[W,B]作为改进粒子群算法的输出；所述的S2步骤具体包括：

S21.初始化粒子群，在取值范围内随机生成一组粒子向量[W，B]；并引入平均粒距的概念，定义如下：

式中，L为搜索空间对角最大长度，n为解空间维数，m为粒子个数；p_id表示第i个粒子位置的第d维坐标值，表示所有粒子位置的第d维坐标值的均值；平均粒距表示种群中各个粒子彼此间分布的离散程度，D(t)越小，表示种群越集中；D(t)越大，表示种群越分散；训练一次DBN通过模型输出预测结果，再按下式计算适应度值：

式中，F_fit为粒子的当前适应度值，Y_i为真实结果；为预测结果；n为预测点个数；

S22.对IPPSO算法参数初始化，步骤S21中初始值作为粒子个体最佳位置；

S23.各子群搜索自身的最小适应度值作为子群最佳适应度值，对应粒子作为子群最优解，其计算公式为：

然后，根据各子群最佳适应度值搜索最小值作为整个粒子群最佳适应度值，对应粒子作为整体最优解，其计算公式为：

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为改进粒子群算法计算最优适应度值的函数，即：适应度函数；

S24.根据IPPSO算法更新粒子速度和位置；将更新后粒子重新代入DBN训练，计算并更新各个粒子适应度值；根据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不变，为粒子的历史最优位置，G₃中P_g变为粒子所在子群的最优位置，c₁、c₂的范围调整为[0,2]区间，c₃在[0,2]区间，r₃～U(0,1)为相互独立的随机函数，P_u为全群的最优粒子的位置；τ_nf为负反馈系数，τ_pf为正反馈系数；Pi＝(x_i1，x_i2，…，x_in)为粒子的历史最优位置；Vi为粒子的当前速度；f为改进粒子群算法计算最优适应度值的函数；

S25.分别更新子群最佳适应度值、子群最优解、整体最佳适应度值、整体最优解；

S26.达到迭代次数则终止，否则返回步骤S24；

S27.输出[W，B]参数的整体最优解；

S3.负荷预测；利用步骤S2中优化得到的DBN参数[W，B]，使用优化的DBN网络对负荷序列建立负荷预测模型，进行短期负荷预测。