基于进化深度学习短期负荷预测的应用研究

传统预测模型对高维非线性电力负荷数据特征提取效果不佳,为了提高电力负荷预测精度,提出基于进化深度学习特征提取预测模型。利用进化算法的全局寻优特点,将进化策略和遗传算法的核心思想融入到深度学习中,对深度学习优化重构误差函数,精简网络结构,构建性能良好的特征提取预测模型。对湖南省某地区智能电网电力负荷数据进行预测,算例分析表明,本文所提方法对某一天24 h进行负荷预测时,其平均绝对百分比误差达到1.97%,比支持向量机SVM(support vector machine)、累积式自回归移动平均ARIMA(autoregressive integrated moving average)、BP(back propagation)神经网络、深度置信网络DBN(deep belief network)预测方法具有更高的预测精度。

基于深度学习的智能楼宇微网负荷预测方法研究

楼宇微网是智能电网的重要组成部分,提高智能楼宇微网负荷预测精度,有助于对楼宇能效系统进行优化控制和调度规划。针对智能楼宇微网用电负荷数据的特点,提出了基于深度学习的智能楼宇微网短期负荷预测模型。首先用无监督的贪心算法对原始数据进行负荷数据的特征学习,完成对智能楼宇微网负荷数据的特征提取;然后挖掘智能楼宇微网负荷数据间的相互关系;最后用反向传播算法微调整个模型的参数。实验结果表明,提出的预测模型与传统预测模型相比具有更高的预测精度,且具有很好的可行性和有效性。

辽宁省道路运输大数据分析平台建设及应用

梳理近年来辽宁省道路运输信息化建设成果,阐述了道路客运、城市公交、重点营运车辆监管等方面的信息化发展现状,结合国内大数据发展趋势及前沿技术,分析了辽宁省道路运输大数据分析平台建设及应用前景,针对存在的问题提出对策,以促进大数据在辽宁省道路运输信息化建设中发挥更大作用。