相关实验视频
Updated: Jul 13, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
改进了吉萨金字塔建设算法 修改基于深度神经网络的能源需求预测方法
Xue Wang1, Saeid Razmjooy2,3
1Admissions and Employment Guidance Center, Xi'an Peihua University, Xi'an 710125, Shaanxi, China.
Heliyon
|October 16, 2023
概括
本研究引入了一种新方法,将深度神经网络 (DNN) 与增强的吉萨金字塔建造方法相结合,用于准确预测能源需求. 与现有模型相比,这种新的方法显著提高了不同时间尺度的预测准确性.
科学领域:
- 能源系统工程 能源系统工程
- 人工智能的人工智能
- 计算科学 计算科学
背景情况:
- 精确的能源需求预测对于优化能源系统,降低成本和提高服务可靠性至关重要.
- 深度神经网络 (DNN) 对于能源预测是有效的,但对数据质量和超参数选择可能敏感.
- 现有的预测模型,如修改的BP神经网络 (MBPNN),基于神经网络的遗传算法 (NNGA),强化学习和深度神经网络 (RLDNN) 都存在局限性.
研究的目的:
- 通过将DNN与增强的吉萨金字塔建造方法相结合,提出一种新的,更可靠的能源需求预测技术.
- 优化DNN超参数选择,以提高预测准确性和有效性.
- 通过使用真实世界能源需求数据对最先进的模型进行评估.
主要方法:
- 开发了一种综合方法,将深度神经网络 (DNN) 结合起来,以捕捉复杂的变量关系,并改进了吉萨金字塔构建算法 (IGPCA) 以实现最佳的超参数调整.
- 利用现实世界能源需求数据进行模型评估.
- 与MBPNN,NNGA和RLDNN模型对比拟的IGPCA/DNN方法进行了基准测试.
主要成果:
- 拟议的IGPCA/DNN方法在短期,中期和长期预测期内显示出优越的能源预测准确性.
- 实现了较低的平均平方误差 (MSE) 评分:0.564 (短期),0.587 (中期) 和0.629 (长期),表现优于基线模型.
- 改进的吉萨金字塔建造方法有效优化了DNN的超参数,从而提高了预测性能.
结论:
- 新的DNN集成和增强的吉萨金字塔建造方法提供了更可靠和有效的解决方案,用于能源需求预测.
- 拟议的方法在预测准确性和可靠性方面明显优于现有的最先进模型.
- 准确的能源需求预测对于优化能源系统运行和降低相关成本至关重要.
