[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

摘要

本发明涉及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。包括以下步骤：1.RDD读取负荷历史数据；结合负荷的周期特性，读取负荷预测输入数据到Spark RDD集合；2.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；3.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。本发明方法有效地提高了短期负荷预测精度和海量数据处理能力，能够较好地解决电力系统负荷预测问题，具有很强鲁棒性和强泛化能力。

主权项

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；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；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。