一种基于人工神经网络和D-S证据理论的用户变化量预测方法专利检索-人工神经网络人工智能专利检索查询-专利查询网

一种基于 人工神经网络和D-S证据理论的用户变化量预测方法

阅读：952发布：2021-05-15

专利汇可以提供一种基于人工神经网络和D-S证据理论的用户变化量预测方法专利检索，专利查询，专利分析的服务。并且本发明提供一种基于人工神经网络和D-S证据理论的用户变化量预测方法，包括如下步骤：1）采集用户用电量状况和用电习惯等数据；2）获取用户的原始样本数据，随机等分为n等分，对采集的数据进行预处理；3）初始化n个RBF神经网络，设置网络参数，进行网络离线学习训练；4）RBF神经网络训练完成后建立基于神经网络的特征级融合模型；5）获得检测样本，数据预处理后作为每个神经网络的输入；6）得到n组神经网络输出结果，对每组结果归一化，作为一组证据的信任函数；7）根据合成规则，利用D-S证据理论对这些证据进行融合；以及8）得到最终的信任函数，根据判断规则作出用户变化量的预测。，下面是一种基于人工神经网络和D-S证据理论的用户变化量预测方法专利的具体信息内容。

权利要求

1.一种基于人工神经网络和D-S证据理论的用户变化量预测方法，包括如下步骤：
1）采集用户用电量状况和用电习惯等数据；
2）获取用户的原始样本数据，随机等分为n等分，对采集的数据进行预处理；
3）初始化n个RBF神经网络，设置网络参数，进行网络离线学习训练；
4）RBF神经网络训练完成后建立基于神经网络的特征级融合模型；
5）获得检测样本，数据预处理后作为每个神经网络的输入；
6）得到n组神经网络输出结果，对每组结果归一化，作为一组证据的信任函数；
7）根据合成规则，利用D-S证据理论对这些证据进行融合；以及
8）得到最终的信任函数，根据判断规则作出用户变化量的预测。

说明书全文

一种基于 人工神经网络和D-S证据理论的用户变化量预测

方法

技术领域

[0001] 本发明涉及一种基于人工神经网络和D-S证据理论的用户变化量预测方法。

背景技术

[0002] 随着电力市场的不断发展，用户对电力的需求不断提高，对电力服务的需求也不断提高。电力用户数量巨大，电力需要从用户的用电状况和特性出发，准确预测用户变化量，从而制定精细的服务计划和方案。为此，本发明提出了一种基于人工神经网络和D-S证据理论的电力用户变化量预测方法。

发明内容

[0003] 本发明的一种基于人工神经网络和D-S证据理论的用户变化量预测方法，包括如下步骤：

[0004] 1）采集用户用电量状况和用电习惯等数据；

[0005] 2）获取用户的原始样本数据，随机等分为n等分，对采集的数据进行预处理；

[0006] 3）初始化n个RBF神经网络，设置网络参数，进行网络离线学习训练；

[0007] 4）RBF神经网络训练完成后建立基于神经网络的特征级融合模型；

[0008] 5）获得检测样本，数据预处理后作为每个神经网络的输入；

[0009] 6）得到n组神经网络输出结果，对每组结果归一化，作为一组证据的信任函数；

[0010] 7）根据合成规则，利用D-S证据理论对这些证据进行融合；以及[0011] 8）得到最终的信任函数，根据判断规则作出用户变化量的预测。

[0012] 根据该方法，较好地预测了电力用户变化量，取得了很好的社会效益和经济效益。附图说明

[0013] 图1为基于数据融合的电力用户变化量预测方法的原理图；

[0014] 图2为RBF神经网络的结构；

[0015] 图3为基于神经网络和D-S证据理论的融合决策方法的原理图。

[0016] 图4为根据一个实施例的用户变化量测试结果。

具体实施方式

[0017] 数据融合是一种自动化信息综合处理技术,利用多源数据的互补性和智能计算技术来综合分析数据的信息,从而更精确地描述对象的特性,对对象做出准确的识别和判断。本发明中采用数据融合方法来研究电力用户变化量，实施过程如图1所示：首先，将用户用电习惯和状况作为输入数据，并进行数据的预处理；随后，从海量数据中进行用电用户特征提取与归一化；最后采用一种基于神经网络和D-S证据理论的预测方法，预测出电力用户变化量。

[0018] 本发明采用的RBF神经网络基本结构如图2所示，使用RBF函数作为隐单元的激活函数，构成隐层空间，输入矢量与隐层之间权值为1，隐层到输出层之间的权值采用学习算法调整。整个RBF网络实现了输入到输出的非线性映射，可以应用于不同非线性关系的分析，同时网络输出与连接权值之间又是线性关系，这样网络的训练速度快。

[0019] D-S证据理论是一种处理不确定性的常用方法，通过建立命题与集合之间的对应关系，使用基本概率分配函数或信任函数来描述识别不确定度的大小，通过对不同证据使用D-S合成规则来更新信任函数。

[0020] 本发明中采用一种融合决策方法，如图3所示。采用神经网络进行特征级融合，采用D-S证据进行决策级融合，先由多个神经网络对用户用电量状况和用电习惯作初步处理后，每个网络输出结果归一化之后作为一条证据，D-S证据理论对这些证据进行融合，根据判决规则合成处理后作出用电用户量预测方法。

[0021] 这样，便建立了一种基于神经网络和D-S证据理论融合的电力用户量预测方法。其具体步骤包括：采集用户用电量状况和用电习惯等数据；获取用户的原始样本数据，随机等分为n等分，对数据进行预处理；n个RBF神经网络初始化，设置网络参数、网络离线学习训练；RBF神经网络训练完成，建立基于神经网络的特征级融合模型；获得检测样本，数据预处理后作为每个神经网络的输入；得到n组神经网络输出结果，每组结果归一化，作为一组证据的信任函数；根据合成规则，利用D-S证据理论对这些证据进行融合；得到最终的信任函数，根据判断规则作出用户变化量的预测。

[0022] 根据一个实施例，为了验证本发明的用户量预测方法的有效性，这里选取了某一供电片区的数据进行训练和测试。首先，随机抽取供电片区的300天用户量数据作为神经网络的训练样本，随后，另外选取了30天用电量数据来测试该方法的有效性。

[0023] 仿真测试的数据如下：

[0024] 实测数据值序列=[282 303 316 308 289 297 301 322 289 317 309299 292 301 304 290 309 294 301 309 296 298 312 298 320 327
317 302 312 293]。

[0025] 预测数据值序列=[288 309 321 304 290 290 300 319 284 312 308293 293 301 307 293 311 287 295 306 296 300 311 303 323 334
317 299 306 295]。

[0026] 测试的结果如图4所示，结果表明，该方法预测误差小于3%，具有较好的准确度。

[0027] 虽然已经关于具体实施例描述了本发明，但是本发明不是意在对其进行限制。相关技术领域的技术人员很容易作出修改、改进和变形，意在将所有的这些修改、改进和变形包含在本发明的权利要求的范围内。

标题	发布/更新时间	阅读量
一种快速建模的方法	2020-05-08	741
一种信号分类的方法和设备	2020-05-12	210
一种复合材料异形壳的纤维路径与几何形状一体化设计方法	2020-05-12	399
用于求取车辆的车灯的状态的方法和设备	2020-05-08	170
片上网络处理系统和片上网络数据处理方法	2020-05-11	897
基于ANN的程序检测方法和检测系统及应用	2020-05-12	494
基于人工神经网络的视觉测试系统	2020-05-14	734
用于矫正诊断的牙科影像分析方法及利用其的装置	2020-05-08	732
一种传感元件与忆阻器结合的多模态智能传感器	2020-05-11	508
一种基于神经网络诊断卒中后构音障碍声调错误的方法及其诊断装置	2020-05-12	638

一种基于人工神经网络和D-S证据理论的用户变化量预测方法

一种基于人工神经网络和D-S证据理论的用户变化量预测

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：