蔡翔 朱莉

[摘 要]針對深度神經(jīng)網(wǎng)絡(luò)對電能預(yù)測精度低的問題，提出正弦粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法，通過對粒子群算法進(jìn)行變異操作和慣性權(quán)重改進(jìn)，來對深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元參數(shù)進(jìn)行尋優(yōu)。實(shí)驗(yàn)結(jié)果表明，SPSONN-DNN算法相比于DNN、極度梯度提升、線性回歸、兩種改進(jìn)PSONN-DNN算法的預(yù)測精度分別提高了1.926%、2.820%、1.500%、0.633%、0.582%；SPSONN-DNN算法相比于兩種改進(jìn)PSONN-DNN算法迭代次數(shù)分別減少6次、4次。

[關(guān)鍵詞]電量預(yù)測；深度神經(jīng)網(wǎng)絡(luò)；粒子群算法；預(yù)測精度

[中圖分類號]TP391[文獻(xiàn)標(biāo)識碼]A

電量預(yù)測是智能電網(wǎng)中電能調(diào)度的理論依據(jù)，提前通過預(yù)測模型來推測出各地區(qū)的用電量，使供電部門的輸電量和各地區(qū)的用電量達(dá)到供需平衡，從而減少電網(wǎng)中電能的浪費(fèi)^[1]。隨著人工智能的興起，深度神經(jīng)網(wǎng)絡(luò)由于具有自學(xué)習(xí)、自適應(yīng)、容錯(cuò)性等特點(diǎn)，大量的學(xué)者將其應(yīng)用在電量預(yù)測領(lǐng)域，但是深度神經(jīng)網(wǎng)絡(luò)處理不同領(lǐng)域的數(shù)據(jù)集時(shí)，由于數(shù)據(jù)的多樣性導(dǎo)致深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)不同。人們利用其它算法的優(yōu)點(diǎn)來對深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，但只是對神經(jīng)網(wǎng)絡(luò)中的訓(xùn)練數(shù)據(jù)、學(xué)習(xí)率、輸入權(quán)值等參數(shù)進(jìn)行尋優(yōu)，而隱藏層神經(jīng)元數(shù)量是根據(jù)輸入?yún)?shù)隨機(jī)設(shè)置的，不是最佳的參數(shù)，導(dǎo)致網(wǎng)絡(luò)的模型達(dá)不到最優(yōu)，模型預(yù)測精度較低^[2-3]。

優(yōu)化算法能準(zhǔn)確的對深度神經(jīng)網(wǎng)絡(luò)各隱藏層神經(jīng)元進(jìn)行尋優(yōu)，其典型方法有粒子群算法、遺傳算法、蟻群算法。又因粒子群算法相比于遺傳算法、蟻群算法需要調(diào)整的參數(shù)少、搜索速度快、效率高以及簡單容易實(shí)現(xiàn)等優(yōu)點(diǎn)^[4-5]。本文利用改進(jìn)粒子群算法來優(yōu)化深度神經(jīng)網(wǎng)絡(luò)各隱藏層神經(jīng)元數(shù)量。

1 算法設(shè)計(jì)

1.1 SPSONN-DNN預(yù)測模型框架

改進(jìn)粒子群優(yōu)化深度神經(jīng)網(wǎng)絡(luò)的模型見圖1。

本文原始數(shù)據(jù)為某地區(qū)的家庭用電量數(shù)據(jù)，數(shù)據(jù)包括日期、時(shí)間、平均有功功率、平均無功功率、平均電壓、平均電流、3個(gè)計(jì)量表等9個(gè)維度的參數(shù)。

首先，對原始數(shù)據(jù)進(jìn)行預(yù)處理。在數(shù)據(jù)預(yù)處理過程中，先將數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換，然后將數(shù)據(jù)的日期和時(shí)間轉(zhuǎn)換為浮點(diǎn)型，將各參數(shù)的單位換算統(tǒng)一；接著查找缺失、異常字符串的數(shù)據(jù)并將其刪除，因?yàn)槭菍彝ビ秒娏窟M(jìn)行短期預(yù)測，刪除對數(shù)據(jù)的整體沒有影響。

SPSONN-DNN算法是利用改進(jìn)粒子群算法的種群粒子在迭代過程中的位置坐標(biāo)來確定深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元數(shù)量，深度神經(jīng)網(wǎng)絡(luò)根據(jù)每個(gè)粒子坐標(biāo)來確定其對應(yīng)的預(yù)測誤差（即適應(yīng)值），粒子群算法從所有粒子中尋找出最優(yōu)粒子，然后再根據(jù)粒子群的速度和位置更新公式來更新所有粒子，經(jīng)過多次迭代后尋找出全局最優(yōu)粒子，全局最優(yōu)粒子坐標(biāo)和適應(yīng)值分別代表深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元的數(shù)量和相對應(yīng)的預(yù)測誤差^[6]。

1.2 粒子群慣性權(quán)重的改進(jìn)

粒子群算法是通過模擬鳥群覓食的行為而發(fā)展起來的一種基于群體協(xié)作的隨機(jī)搜索算法^[7-8]。

粒子群有兩個(gè)特性：速度和位置。速度大小決定下一次迭代后的位置變化大??；位置的維度是由所要解決的問題決定的，每個(gè)粒子的位置信息可以看成適應(yīng)函數(shù)的一組解，每個(gè)粒子空間坐標(biāo)的不斷變化，代表其函數(shù)解也是在不斷變化的。PSO算法中粒子的速度和位置公式如下：

式中，v^k_id表示粒子i第k次迭代的飛行速度的第d維分量；x^k_id表示粒子i第k次迭代的位置矢量的第d維分量；pbest_id表示粒子i第d維分量的局部（即個(gè)體）最優(yōu)值；gbest_id表示粒子i第d維分量的全局（即群體）最優(yōu)值；c₁、c₂表示學(xué)習(xí)因子；r₁、r₂表示取值范圍在[0，1]之間的隨機(jī)數(shù)；w表示慣性權(quán)重（非負(fù)數(shù)）。

通過對粒子群算法的分析可知，粒子群算法的搜索能力和收斂能力都與慣性權(quán)重w息息相關(guān)。根據(jù)分析，粒子群算法在尋優(yōu)時(shí)，前期需要速度較大，從而提高全局搜索能力；中期需要速度適中，來平衡全局搜索能力和局部搜索能力；后期需要速度較小，使得局部搜索能力較強(qiáng)。

慣性權(quán)重為固定值已經(jīng)很難滿足粒子群算法在尋優(yōu)過程中全局搜索能力和局部搜索能力的轉(zhuǎn)換。很多學(xué)者提出了優(yōu)化的方法，一般分為線性和非線性兩種方法：

式中，w是指慣性權(quán)重，w_max、w_min分別代表最大、最小慣性權(quán)重值，t_max表示種群的最大迭代次數(shù)，t表示種群的當(dāng)前迭代次數(shù)。

公式（3）是線性變換，在粒子群算法迭代過程中慣性權(quán)重變化率相同，不能滿足粒子群算法在迭代前期慣性權(quán)重變化較小的要求；公式（4）是非線性變換，在粒子群算法迭代中期，變化仍然很小，不能很好平衡全局搜索能力和局部搜索能力。

為了使粒子群算法計(jì)算結(jié)果更加準(zhǔn)確，提出了正弦慣性權(quán)重，使慣性權(quán)重隨著粒子的迭代次數(shù)而成正弦變換，滿足粒子群算法在整個(gè)迭代過程中全局搜索能力和局部搜索能力的轉(zhuǎn)換如下式：

式中，w表示慣性權(quán)重，w_max、w_min分別表示慣性權(quán)重的最大值和最小值，iter表示當(dāng)前迭代次數(shù)，iter_max表示最大迭代次數(shù)。

1.3 粒子群陷入局部最優(yōu)的改進(jìn)

粒子群雖然對慣性權(quán)重進(jìn)行了改進(jìn)，但是在尋優(yōu)的過程中，隨著種群聚合程度越來越高，種群也可能會匯聚于一點(diǎn)。發(fā)生這種情況的根本原因是種群在迭代尋優(yōu)的過程中，其本身的多樣性逐漸降低，導(dǎo)致陷入局部最優(yōu)。為了解決這個(gè)問題，引入種群平均距離來描述種群的離散程度，根據(jù)平均距離的大小和迭代誤差來判斷種群是否陷入局部最優(yōu)。

式中，L（iter）表示種群在第iter次迭代的平均距離，N表示種群的粒子數(shù)，d表示粒子的維度，x_in（iter）表示第i個(gè)粒子的n維分量在iter次迭代的值，x-_n（iter）表示所有粒子在iter次迭代的平均坐標(biāo)的n維分量的值。

當(dāng)種群粒子平均距離L（iter）的值較大時(shí)，粒子分布程度較分散，PSO進(jìn)行大范圍的全局搜索。隨著迭代的進(jìn)行，L（iter）的值會逐漸減小，表示種群中粒子分布程度較密集，種群的多樣性也會降低，此時(shí)PSO易陷入局部最優(yōu)，從而無法達(dá)到全局最優(yōu)。

此時(shí)就需要變異操作來提高種群粒子的多樣性。給定閾值，如果種群粒子平均距離L（iter）的值低于設(shè)定閾值則表示PSO陷入局部最優(yōu)，應(yīng)啟動(dòng)變異操作，將特定的粒子通過變異的方式增加種群活性，使其跳入到其它區(qū)域繼續(xù)尋優(yōu)，讓種群達(dá)到全局最優(yōu)。

可通過L（iter）的大小或粒子群全局最優(yōu)值來判斷是否需要進(jìn)行變異操作。若粒子經(jīng)過多次迭代仍未發(fā)生明顯變化或A低于給定的閾值，則可進(jìn)行變異操作。變異操作時(shí)根據(jù)粒子離全局最優(yōu)的距離來選取變異操作的粒子，而變異前后粒子群的最優(yōu)值保持不變。變異操作的公式如下：

式中，x′_i表示粒子i變異后的位置，x_i表示粒子i變異前的位置，iter是種群的當(dāng)前迭代次數(shù)，iter_max是種群的最大迭代次數(shù)，N（0，1）表示0～1之間的任選隨機(jī)數(shù)。

1.4 算法流程

SPSONN-DNN算法流程如下：

1）初始化。對改進(jìn)粒子群算法和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化設(shè)置，改進(jìn)粒子群算法需要設(shè)置以下參數(shù)：粒子的數(shù)量N、粒子的維度D、算法的最大迭代次數(shù)iter_max、慣性權(quán)重的最大值w_max和最小值w_min以及兩個(gè)學(xué)習(xí)因子c₁和c₂；深度神經(jīng)網(wǎng)絡(luò)需要設(shè)置迭代次數(shù)、隱藏層數(shù)等。

2）選取合適適應(yīng)函數(shù)并計(jì)算適應(yīng)值。根據(jù)具體問題，設(shè)計(jì)相關(guān)的函數(shù)關(guān)系，然后將粒子的信息輸入到函數(shù)關(guān)系中求出函數(shù)的輸出值（即適應(yīng)值）。本文以深度神經(jīng)網(wǎng)絡(luò)損失函數(shù)為參考，以均方根誤差公式作為適應(yīng)度函數(shù)。

3）將初始的粒子位置參數(shù)作為DNN網(wǎng)絡(luò)各隱藏層的神經(jīng)元個(gè)數(shù)，計(jì)算出預(yù)測誤差作為粒子群算法的適應(yīng)值。各粒子的適應(yīng)度值就是個(gè)體最優(yōu)值，在個(gè)體最優(yōu)值中尋找全局最優(yōu)值。

4）慣性權(quán)重的更新。將種群當(dāng)前迭代次數(shù)帶入式（5）中，計(jì)算出新的慣性權(quán)重值。

5）更新種群各粒子的速度和位置。根據(jù)式（1）、式（2）來更新每個(gè)粒子的速度和位置。

6）將更新后的各粒子分別帶入適應(yīng)函數(shù)，計(jì)算出對應(yīng)的適應(yīng)值。

7）更新個(gè)體最優(yōu)值。計(jì)算出各粒子適應(yīng)值后，分別與各粒子的當(dāng)前個(gè)體最優(yōu)值作比較，若小于當(dāng)前個(gè)體最優(yōu)值，則將該粒子的適應(yīng)值作為個(gè)體最優(yōu)值，反之，個(gè)體最優(yōu)值不變。

8）更新全局最優(yōu)值。當(dāng)個(gè)體最優(yōu)值更新后，將各粒子的個(gè)體最優(yōu)值依次與全局最優(yōu)值作比較，若粒子個(gè)體最優(yōu)值小于全局最優(yōu)值，則將該粒子的個(gè)體最優(yōu)值作為全局最優(yōu)值，反之，全局最優(yōu)值不變。

9）變異判斷。按照公式（6）計(jì)算得到的平均距離來判斷是否達(dá)到變異條件，如果距離低于給定的閾值或種群迭代多次全局最優(yōu)值沒有發(fā)生明顯變化則執(zhí)行步驟10）；否則執(zhí)行步驟11）。

10）變異操作。選取部分平均距離較小的粒子，根據(jù)式（7）計(jì)算出變異后粒子位置。

11）結(jié)束循環(huán)判斷。當(dāng)?shù)螖?shù)或者最優(yōu)適應(yīng)值滿足種群要求后，則執(zhí)行步驟12），否則執(zhí)行步驟4）。

12）算法結(jié)束。輸出算法計(jì)算的最優(yōu)值。

SPSONN-DNN算法流程如圖2所示。

2 算例分析

為驗(yàn)證預(yù)測方法的有效性，選用網(wǎng)上公布的某一地區(qū)的用戶電量數(shù)據(jù)集。數(shù)據(jù)集包含平均有功功率、平均無功功率、平均電壓、平均電流等數(shù)據(jù)參數(shù)。

2.1 實(shí)例分析

選取用戶的用電量數(shù)據(jù)（表1），進(jìn)行數(shù)據(jù)分析、過濾。首先將數(shù)據(jù)的格式統(tǒng)一，單位換算成統(tǒng)一的標(biāo)準(zhǔn)；然后查找缺失、異常字符串的數(shù)據(jù)，接著剔除異常數(shù)據(jù)或填補(bǔ)缺失數(shù)據(jù)；最后將處理好的數(shù)據(jù)集作為DNN、SPSONN-DNN等算法的數(shù)據(jù)集，以有功功率為輸出，其它參數(shù)為輸入。

2.2 實(shí)驗(yàn)參數(shù)設(shè)置

由式（2）、式（6）可知，需要初始化設(shè)置的實(shí)驗(yàn)參數(shù)有粒子的數(shù)量N、粒子的維度D、算法的最大迭代次數(shù)iter_max、慣性權(quán)重的最大值w_max和最小值w_min以及兩個(gè)學(xué)習(xí)因子c₁和c₂。本文將N設(shè)置為50、D設(shè)置為6、iter_max設(shè)置為30，w_max設(shè)置為0.9、w_min設(shè)置為0.4、c₁和c₂都設(shè)置為0.2；深度神經(jīng)網(wǎng)絡(luò)隱藏層數(shù)設(shè)為6，各隱藏層神經(jīng)元的數(shù)量根據(jù)全局最優(yōu)粒子坐標(biāo)值來確定。

2.3 實(shí)驗(yàn)結(jié)果與分析

深度神經(jīng)網(wǎng)絡(luò)、線性回歸、極限梯度提升、兩種改進(jìn) PSONN-DNN算法以及SPSONN-DNN算法分別以處理好的數(shù)據(jù)集來訓(xùn)練和預(yù)測用戶用電量，預(yù)測結(jié)果見圖3-9，本文以MAPE和MSE為標(biāo)準(zhǔn)對算法的精度進(jìn)行衡量。

圖3為深度神經(jīng)網(wǎng)絡(luò)的真實(shí)值與預(yù)測值誤差曲線，其中藍(lán)色曲線代表真實(shí)數(shù)據(jù)集，紅色曲線表示預(yù)測數(shù)據(jù)集，MAPE為5.997%，說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為5.997%；MSE為0.3673，說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.3673。

圖4表示線性回歸的真實(shí)值與預(yù)測值的對比曲線圖，圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù)，縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值，其中藍(lán)色曲線代表真實(shí)數(shù)據(jù)，紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知，MAPE為6.871%，即訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為6.871%；MSE為0.5717，即訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.5717。

圖5表示極端梯度提升的真實(shí)值與預(yù)測值對比曲線圖，圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù)，縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值，其中藍(lán)色曲線代表真實(shí)數(shù)據(jù)，紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知，MAPE為5.551%，說明測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為5.551%；MSE為0.3232，說明訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.3232。

本文對粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法中的慣性權(quán)重分別做線性變換、微分變換、正弦變換，如式（3）、（4）、（5）所示。圖6中PSONN-DNN（method1）表示慣性權(quán)重為線性變換；PSONN-DNN（method2）表示慣性權(quán)重為微分變換；SPSONN-DNN表示慣性權(quán)重為正弦變換。

圖6a沒有設(shè)置粒子群算法的適應(yīng)值閾值，可知PSONN-DNN（method1）算法的適應(yīng)值（即MAPE）為4.693%，是指PSONN-DNN（method1）算法的全局最優(yōu)粒子的適應(yīng)值為4.693%，全局最優(yōu)粒子位置為（30，15，55，27，27，13）；PSONN-DNN（method2）算法的適應(yīng)值為4.622%，是指PSONN-DNN（method2）算法的全局最優(yōu)粒子的適應(yīng)值為4.622%，全局最優(yōu)粒子位置為（54，51，45，29，3，44）；SPSONN-DNN算法適應(yīng)值為4.103%，是指SPSONN-DNN算法的全局最優(yōu)粒子的適應(yīng)值為4.103%，全局最優(yōu)粒子位置為（58，15，54，34，53，33）。因此，相比于其它兩種算法，SPSONN-DNN算法預(yù)測精度有所提升。

圖6b設(shè)置粒子群算法的適應(yīng)值為4.9%，PSONN-DNN（method1）算法在迭代13次后達(dá)到4.9%；PSONN-DNN（method2）算法在迭代11次后達(dá)到4.9%；SPSONN-DNN算法在迭代7次時(shí)適應(yīng)值達(dá)到了4.9%。因此，相比于其他兩種算法，SPSONN-DNN算法迭代次數(shù)均減少了。

將PSONN-DNN（method1）算法、PSONN-DNN（method2）算法以及SPSONN-DNN算法的全局最優(yōu)粒子坐標(biāo)帶入深度神經(jīng)網(wǎng)絡(luò)中檢驗(yàn)其準(zhǔn)確性。

圖7表示PSONN-DNN（method1）算法的迭代次數(shù)與訓(xùn)練誤差曲線圖，圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù)，縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值，其中藍(lán)色曲線代表真實(shí)數(shù)據(jù)，紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知，MAPE為4.684%，即PSONN-DNN（method1）算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.684%；MSE為0.2853，表示PSONN-DNN（mothed1）算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2853。

圖8表示PSONN-DNN（method2）算法的迭代次數(shù)與誤差曲線圖，圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù)，縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值，其中藍(lán)色曲線代表真實(shí)數(shù)據(jù)，紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知，MAPE為4.633%，表示PSONN-DNN（method2）算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.633%；MSE為0.2846，表示PSONN-DNN（method2）算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2846。

圖9表示SPSONN-DNN算法的迭代次數(shù)與誤差曲線，圖中橫坐標(biāo)表示樣本點(diǎn)的個(gè)數(shù)，縱坐標(biāo)表示每個(gè)樣本點(diǎn)的數(shù)值，其中藍(lán)色曲線代表真實(shí)數(shù)據(jù)，紅色曲線表示預(yù)測數(shù)據(jù)。計(jì)算可知，MAPE為4.051%，表示SPSONN-DNN算法中訓(xùn)練數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的平均絕對百分比誤差為4.051%；MSE為0.2647，表示SPSONN-DNN算法中測試數(shù)據(jù)集的預(yù)測值與真實(shí)值之間的均方誤差為0.2647。

綜上所述，驗(yàn)證了PSONN-DNN（method1）算法、PSONN-DNN（method2）算法以及SPSONN-DNN算法的準(zhǔn)確性。

由表2、表3可知，SPSONN-DNN算法的預(yù)測精度（MAPE）相比于DNN、線性回歸、極限梯度提升分別提升了1.926%、2.820%、1.500%；并且SPSONN-DNN算法相比于PSONN-DNN（mothed1）算法、PSONN-DNN（mothed2）算法預(yù)測精度（MAPE）分別提升了0.633%、0.582%，迭代次數(shù)分別減少了6次、4次。實(shí)驗(yàn)證明，相比于傳統(tǒng)的方法，SPSONN-DNN算法在用戶電量預(yù)測中預(yù)測精度更高。本文方法在電量預(yù)測中具有普遍的適用性。

3 結(jié)論

目前，深度神經(jīng)網(wǎng)絡(luò)應(yīng)用廣泛，但是面對不同領(lǐng)域的數(shù)據(jù)集，深度神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元參數(shù)不確定。針對這一問題，提出改進(jìn)粒子群優(yōu)化神經(jīng)元數(shù)量的深度神經(jīng)網(wǎng)絡(luò)算法對家庭用電進(jìn)行預(yù)測，該算法是將粒子群中的慣性權(quán)重改進(jìn)為隨迭代次數(shù)變化而成正弦變化的變量；同時(shí)在計(jì)算中加入了變異操作，使陷入局部最優(yōu)的粒子跳入其它區(qū)域繼續(xù)尋優(yōu)。通過實(shí)驗(yàn)驗(yàn)證，SPSONN-DNN算法相比于DNN、線性回歸、極限梯度提升方法的預(yù)測精度（MAPE）分別提升了1.926%、2.820%、1.500%，同時(shí)相比于PSONN-DNN（mothed1）算法、PSONN-DNN（mothed2）算法的預(yù)測精度分別提升了0.633%、0.582%，并且迭代次數(shù)分別減少了6次、4次。因此，通過SPSONN-DNN算法可以提高電量的預(yù)測精度，以此來減少發(fā)電量，從而減少能源的浪費(fèi)。

[ 參 考 文 獻(xiàn) ]

[1] GYAMFI S， KRUMDIECK S. Scenario analysis of residential demand response at network peak periods[J]. Electric Power Systems Research， 2012， 93（01）：32-38.

[2] KUN XIE， HONG YI， GANGYI HU， et al. Short-term power load forecasting based on Elman neural network with particle swarm optimization[J]. Neurocomputing， 2019， 416（11）： 136-142.

[3] GUNDU V， SIMON S P. PSO-LSTM for short term forecast of heterogeneous time series electricity price signals[J]. Journal of Ambient Intelligence and Humanized Computing， 2020， 12（02）： 2375-2385.

[4] YIN L， SUN Z， GAO F， et al. Deep forest regression for short-term load forecasting of power systems[J]. IEEE Access， 2020， 8：49 090-49 099.

[5] NIU D， SHI H， LI J， et al. Research on short-term power load time series forecasting model based on BP neural network[C].∥2010 2nd International Conference on Advanced Computer Control， 2010.

[6] 郭海燕， 李英娜， 李川. 基于模擬退火算法優(yōu)化BP的短期負(fù)荷預(yù)測控制策略[J]. 陜西理工大學(xué)學(xué)報(bào)， 2021， 37（01）： 36-42.

[7] YLDZ C， AKGZ H， KORKMAZ D. An improved residual-based convolutional neural network for very short-term wind power forecasting[J]. Energy Conversion and Management， 2021， 28（01）： 113731.

[8] 楊毅， 雷霞， 徐貴陽， 等. 采用PSO-BF算法的微電網(wǎng)多目標(biāo)電能優(yōu)化調(diào)度[J].電力系統(tǒng)保護(hù)與控制， 2014， 42（13）： 13-20.

Research on User Electricity Consumption Prediction Method

Based on Improved Deep Neural Network

CAI Xiang¹，ZHU Li²

（1 School of Electrical and Electronic Engineering， Hubei Univ. of Tech.，Wuhan 430068， China；

2 Hubei Provincial Key Laboratory of Solar Energy Efficient

Utilization and Energy Storage Operation Control，

Hubei Univ. of Tech.， Wuhan 430068， China）

Abstract：With the rise of artificial intelligence， researchers have widely used deep neural networks in the field of electric power. However， due to the uncertainty of the parameters of neurons in the hidden layer of deep neural networks， the prediction accuracy of electric power is low， resulting in an imbalance between the supply and demand of electric power and in power redundancy. To this end， we propose the Sin Particle Swarm Optimization Number of Neurons of Deep Neural Networks （SPSONN-DNN） algorithm， which is based on the mutation operation and inertia weight of the particle swarm algorithm improvement， to optimize the parameters of the hidden layer neurons of the deep neural network. The experimental results show that compared with DNN， extreme gradient boosting， linear regression， and the two improved PSONN-DNN algorithms， the prediction accuracy of the SPSONN-DNN algorithm is improved by 1.926%， 2.820%， 1.500%， 0.633%， and 0.582%， respectively; Compared with the two improved PSONN-DNN algorithms， the DNN algorithm reduces the number of iterations by 6 and 4 times， respectively.

Keywords：power prediction; deep neural network; particle swarm optimization; prediction accuracy

[責(zé)任編校：張巖芳]