作者：李想; 王鹏; 刘洋; 许立雄改进反向传播神经网络类别不平衡负荷大数据hadoop
摘要：负荷分类对于负荷预测、电价决策、微网能量管理等具有重要意义。为了处理海量负荷数据,并缓解负荷类别不平衡对分类精度的影响,提出一种基于Hadoop并行计算的考虑类别不平衡的改进反向传播(back propagation,BP)神经网络海量负荷分类方法。首先,引入基于边界的数据合成算法处理类别不平衡负荷数据;其次,使用零均值化方法和批量归一化方法优化传统BP神经网络;最后,在Hadoop平台将该改进BP神经网络并行化,用于海量负荷分类。采用标准数据集和真实负荷数据进行分析测试,算例结果表明所提分类方法适用于海量负荷数据分类,并能较好解决类别不平衡问题。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
