基于深度信念网络的网络安全态势预测

为了提高网络安全态势预测准确率及稳定性,提出了基于深度信念网络的网络安全态势预测方法。网络安全态势预测包括两个阶段,首先通过逐层训练的方式预训练各层中受限玻尔兹曼机,经多层受限玻尔兹曼机之间的映射,完成权重和偏置参数更新,采用深度信念网络实现更新后参数的微调,然后利用训练完成深度信念网络模型,将网络攻击行为作为深度信念网络的输出向量,完成网络安全势态预测,最后采用具体网络入侵数据进行仿真测试。测试结果表明,深度信念网络的网络安全态势预测精度高,而且预测结果十分稳定。     

基于分类识别深度置信网络的电力负荷预测算法

针对传统神经网络负荷预测方法收敛速度慢、预测误差大的问题,提出一种基于分类识别的深度置信网络的负荷预测算法。对输入的历史负荷数据进行归一化预处理,并对深度置信网络采用层次无监督贪婪预训练方法分层预训练,将得到的结果作为监督学习训练概率模型的初始值。其深度置信网络由多层受限玻尔兹曼机构成,并采用分类识别机制和对比散度的方法训练预权值,来改善分类识别深度置信网络的学习性能。仿真结果显示,在基于200次负荷训练和温度训练的基础上,该负荷预测算法比自组织模糊神经网络和BP神经网络的收敛速度更快,预测精度更高。     

基于改进深度信念网络的短期电力负荷预测方法

随着社会经济结构的变化,仅依赖于负荷历史数据和少量气象等影响因素进行电力负荷预测会造成较大误差.本文提出了一种基于改进深度信念网络IDBN(improved deep belief network)算法的负荷预测方法.该方法充分挖掘历史负荷数据中的规律性,将数据特征向量输入到多个用于两层稀疏自编码神经网络中进行特征融合,利用神经网络模型进行负荷预测,并进行无监督训练对模型进行预训练,提升多类型实值输入数据的处理效率.最后,通过算例验证了本文所提方法的有效性.     

基于并行深度信念网络的电力负荷预测

针对传统电力负荷预测算法的训练速度慢、预测准确度不高等问题,提出了一种并行的基于深度信念网络的电力负荷预测方法.该方法基于并行计算框架和深度信念网络,对历史电力负荷和天气信息数据进行并行训练并预测负荷值.实验结果表明,该方法预测的电力负荷值与实际值之间的平均误差较低,预测精度高于传统方法,有效减少了算法训练和预测的耗时...     

基于VMD-ARIMA-DBN的短期电力负荷预测

针对短期电力负荷预测精度不足的问题,提出一种基于变分模态分解、深度信念网络、差分自回归移动平均模型的组合预测模型。首先选取电力负荷影响较大的相关参数,采用变分模态分解将负荷数据分解为低频和高频两种分量;然后利用差分自回归移动平均模型和深度信念网络分别对低频和高频两种分量进行预测,为克服深度信念网络参数随机化的缺陷,采用粒子群优化算法优化模型以进一步提高精度;最后组合各模型结果得到最终预测值。实验结果表明,该组合模型较其他模型具有更好的预测性能。     

基于深度置信网络的配电网负荷预测

保证配电网负荷数据的完整性是后续数据统计和业务分析的数据基础。针对广州大学城配电网存在的电表年久失修或电表读数错误而导致的配电网负荷数据缺失问题，提出一种基于深度置信网络(Deep Belief Networks,DBN)的配电网负荷预测算法，通过时间序列预测的方法，对缺失的数据进行补齐，保证配电网数据的完整性。深度置信网络由一定数目的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加而成，通过无监督训练算法得到网络模型的初始值，最后通过自上而下的有监督学习得到预测训练模型。为了避免训练模型的局部最优问题，提高训练模型的全局搜索能力，使用粒子群优化算法对模型进行调优，以获得全局最优解。最后，通过比较多个预测训练模型的预测指标，验证了提出预测训练模型的准确性和有效性。     

基于深度置信网络的轴承剩余使用寿命预测

针对精密电子、塑形成型等高速高精加工过程滚动轴承的剩余使用寿命预测建模中存在样本少、标注难度大等问题,引入深度置信网络,融合无监督与有监督微调学习方法开展滚动轴承剩余使用寿命预测研究.将滚动轴承的振动数据特征作为输入、剩余使用寿命作为输出,以能量函数量化特征准确性的概率分布作为基本组成部件,部件的上一层特征输出作为下一层的输入,将多个这样的部件首尾相接,构建滚动轴承剩余使用寿命预测模型.通过原始数据的无监督预训练得到模型中各个单元的初始参数,然后利用剩余使用寿命标签数据进行模型的有监督微调,进一步提高模型预测的准确性.实验结果表明,所提出的方法能够对滚动轴承的剩余使用寿命进行预测,与支持向量回归(SVR)和主成分分析-深度置信网络(PCA-DBN)方法进行比较,预测误差分别减少28.48％、5.57％,该方法在现场预测方面,具有更高的预测准确度,而且本方法还能减少对专家知识的依赖,模型的泛化能力更强.     

基于深度长短时记忆网络的区域级超短期负荷预测方法

超短期负荷预测为实时电力市场运行提供重要依据,预测准确度的提升对于揭示负荷变化的不确定性以及日前预测偏差具有重要意义。基于电力系统中含有的丰富大数据资源,提出了一种针对区域级负荷的深度长短时记忆网络超短期预测方法,该方法包括输入数据的预处理、深度长短时记忆(long short-termmemory,LSTM)网络的构建以及模型的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻找最优超参数,并在该超参数下选择泛化能力最优的模型,与前沿机器学习预测算法进行对比。实验结果证实,深度LSTM网络可以取得更好的预测效果,适合于离线训练实时预测。此外,通过对隐藏层激活向量的可视化展示和相关关系定量计算,首次直观展示了深度LSTM算法对负荷数据中含有的抽象特征提取情况,证实了深度LSTM具有对输入负荷数据特征学习以及长短期相关性挖掘的能力。     

基于自适应深度信念网络的变电站负荷预测

精确的变电站级负荷预测是电网精益化运行决策的重要基础,但存在不同站间负荷特性差异大、微观关联因素多样性强等传统预测方法难以处理的问题。基于变电站历史负荷数据与其所在区域的外部环境数据,通过深度信念网络算法(deep belief network,DBN)强大的学习能力,避免了相似日等特征选取问题,并采用Nadam动量优化算法训练深度信念网络,得到DBN最佳参数,构成针对变电站负荷预测的学习框架,并基于Keras深度学习框架自动调整DBN结构,达到最优预测结果。以20个具有典型负荷特性的220kV变电站实际负荷数据为样本集,在周、日和小时级3个预测时间尺度上,通过2种误差计算方式作实例对比证明,所提方法能够充分进行自适应深度学习,并进行高精度变电站级负荷预测。     

基于深度信念网络的高压断路器故障识别算法

针对高压断路器故障现有故障诊断算法中,特征提取不准确导致分类正确率较低的问题,提出了基于深度信念网络的高压断路器故障识别方法。深度信念网络(Deep Belief Network,DBN)是非监督的深度神经网络,由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)叠加起来组成。首先使用无标签的数据样本自下而上的对各RBM层逐层训练,得到各层最优参数;再以此为初始参数将DBN展开成反向传播的结构,使用带标签的数据样本进行全局的参数微调;最后得到DBN分类网络。这一过程中,有效避免了特征提取的人工操作,解决了网络训练的局部最优问题,使断路器故障诊断更加智能化。通过试验结果可知,该方法可准确、可靠地用于诊断断路器主要机械故障。     

基于深度信念网络的供电可靠率预测模型

供电可靠率是供电服务水平的重要指标之一。提出了基于相关性分析和深度信念网络的供电可靠率预测模型。首先利用Pearson系数选取停电次数、最大负荷和用户电费均价系数作为输入特征集。然后将特征集输入到所建立的深度信念网络中,采用逐层无监督训练方法和反向传播训练方法对模型进行参数优化,通过该模型进行供电可靠率预测。最后将所提出的模型与传统人工神经网络、支持向量回归和差分整合移动平均自回归进行比较,结果验证了文章提出的供电可靠率预测模型的有效性。     

基于深度学习的超短期光伏精细化预测模型研究

光伏发电系统的超短期功率预测对电网调度的计划安排及光伏发电系统的优化运行具有重要意义。机器学习、人工智能领域的技术进步为精细化分析光伏功率预测影响因素并提高光伏预测精度提供了有效途径。提出一种基于深度结构网络模型的光伏超短期功率预测方法,首先根据光伏发电系统的机理特征,分析深度学习算法处理光伏预测问题的可行性;然后提出基于深度学习算法的光伏功率预测模型,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程,采用有监督BP神经网络作为常规拟合层获得预测结果;并立足于实际需求,建立含离线训练和在线预测的双阶段光伏发电预测系统,分析天气信息及历史信息的输入属性;最后利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性,通过比较深度结构是否包含无监督学习过程,说明其在预测中的重要性。     

基于深度递归信念网络的风电功率短期预测方法

风能的随机性和波动性严重影响风电功率的预测精度.通过挖掘风速在不同波动程度和预测功率之间的高阶特征可以提高预测精度.文中首先采用摇摆窗算法识别风速的波动过程,并通过广义优先搜索邻居算法对不同的波动程度进行聚类,然后将不同的波动过程作为深度递归信念网络的分类训练数据,其中,深度递归信念网络由前向生成网络和横向及纵向2个误差反馈网络构成.最后,以误差分布的交叉熵作为损失函数,有效控制了误差迭代方向和模型的训练规模.算例结果表明,文中所提预测方法可以改善波动过程存在的预测误差.     

基于PSR和DBN的超短期母线净负荷预测

随着电网优化调度的精细化、智能化和计及电力系统安全性与经济性的电网高级应用的广泛采用及分布式能源的大量接入,母线负荷预测的精度要求不断提高而负荷的不确定性和非线性特征进一步增强。针对上述问题,文中提出一种基于相空间重构(PSR)和深度信念网络(DBN)的超短期母线负荷预测模型,首先采用C-C法对净负荷时间序列进行PSR,然后利用DBN对重构后的数据进行拟合并得出负荷的预测值。文中利用某市变电站实测负荷数据检验了该超短期母线负荷预测模型的有效性,证明该模型在分布式电源渗透率较高且母线负荷波动较大的情况下仍然有较高的预测精度。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。首先,针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,然后,在蚁群算法改进粒子群算法(GPSO)中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。本文采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN方法提高了2.3626%。     

基于自组织特征神经网络和最小二乘支持向量机的短期电力负荷预测方法

准确的负荷预测对于整个电力系统经济有效运行有着重要的意义.针对负荷预测集和预测模型作出协同优化改进,提出了基于粒子群(Particle Swarm Optimization,PSO)优化的自组织特征映射网络(Self-organizing Feature Mapping,SOFM)和遗传算法(Genetic Algor...