Resumen

Para los problemas de baja precisión y baja eficiencia de la mayoría de los métodos de pronóstico de carga, se propone un método de pronóstico de carga basado en un aprendizaje profundo mejorado en un entorno de computación en la nube. En primer lugar, el conjunto de datos preprocesado se divide en varias particiones de datos con un volumen de datos relativamente equilibrado a través de una cuadrícula espacial, para detectar mejor los datos anómalos. Luego, se utiliza el algoritmo de clustering de picos de densidad basado en Spark para detectar datos anómalos en cada partición, y se fusionan los clústeres locales y los puntos anómalos. El procesamiento paralelo de datos se realiza utilizando la plataforma de computación en clúster Spark. Finalmente, se utiliza la red de creencias profundas para la clasificación de carga, y los resultados de clasificación se introducen en el modelo de red de unidades recurrentes de descomposición modal empírica, y se obtienen los resultados de predicción de carga a través del aprendizaje. Basánd

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Métodos de pronóstico de carga; Aprendizaje profundo; Computación en la nube; Particiones de datos; Plataforma de computación en clúster Spark; Red de creencias profundas
• Keywords:Load forecasting methods; Deep learning; Cloud computing; Data partitions; Spark cluster computing platform; Deep belief network