[發(fā)明專利]基于關(guān)聯(lián)全連接神經(jīng)網(wǎng)絡(luò)和LSTM的PMU一次調(diào)頻負(fù)荷預(yù)測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810732495.5
• 申請(qǐng)日: 2018-07-05
• 公開（公告）號(hào): CN109242236B
• 公開（公告）日: 2021-04-20
• 發(fā)明（設(shè)計(jì)）人: 姜策;杜麗媛
• 申請(qǐng)（專利權(quán)）人: 西安圖跡信息科技有限公司
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06N3/06;G06N3/08;G06Q50/06
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 李娜

1.基于關(guān)聯(lián)全連接神經(jīng)網(wǎng)絡(luò)和LSTM的PMU一次調(diào)頻負(fù)荷預(yù)測方法，其特征在于，具體按照以下步驟實(shí)施：

步驟1、將待預(yù)測目標(biāo)的歷史數(shù)據(jù)進(jìn)行預(yù)處理，隨機(jī)選取80％作為訓(xùn)練數(shù)據(jù)，20％作為驗(yàn)證數(shù)據(jù)，同時(shí)設(shè)置模型網(wǎng)絡(luò)動(dòng)態(tài)參數(shù)：數(shù)據(jù)批處理尺寸和數(shù)據(jù)移動(dòng)窗口大??；

步驟2、以訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)作為輸入組，構(gòu)建模型網(wǎng)絡(luò)，以LSTM神經(jīng)網(wǎng)絡(luò)為第一層，將第一層輸出結(jié)果作為全連接層的輸入構(gòu)建神經(jīng)網(wǎng)絡(luò)，得到聯(lián)合神經(jīng)網(wǎng)絡(luò)模型；

步驟3、將訓(xùn)練數(shù)據(jù)輸入聯(lián)合神經(jīng)網(wǎng)絡(luò)模型，得到訓(xùn)練數(shù)據(jù)模型輸出結(jié)果output；將驗(yàn)證數(shù)據(jù)輸入聯(lián)合神經(jīng)網(wǎng)絡(luò)模型，得到驗(yàn)證數(shù)據(jù)模型輸出結(jié)果output；

步驟4、通過訓(xùn)練樣本集中負(fù)荷數(shù)據(jù)真實(shí)值和訓(xùn)練數(shù)據(jù)模型輸出結(jié)果output構(gòu)建損失函數(shù)loss，運(yùn)用梯度優(yōu)化器優(yōu)化，并控制學(xué)習(xí)速度，根據(jù)梯度進(jìn)行動(dòng)態(tài)調(diào)整，使損失函數(shù)loss盡可能達(dá)到全局最優(yōu)，得到已訓(xùn)練的聯(lián)合神經(jīng)網(wǎng)絡(luò)模型；

同時(shí)根據(jù)驗(yàn)證樣本集中的負(fù)荷數(shù)據(jù)真實(shí)值和驗(yàn)證數(shù)據(jù)模型輸出結(jié)果output計(jì)算聯(lián)合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度值A(chǔ)CC；

步驟5、利用TensorFlow中Tensorboard將損失函數(shù)loss、預(yù)測精度值A(chǔ)CC界面實(shí)時(shí)動(dòng)態(tài)展示；

步驟6、待預(yù)測樣本集輸入已訓(xùn)練的聯(lián)合神經(jīng)網(wǎng)絡(luò)模型，得到預(yù)測數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述基于關(guān)聯(lián)全連接神經(jīng)網(wǎng)絡(luò)和LSTM的PMU一次調(diào)頻負(fù)荷預(yù)測方法，其特征在于，步驟1所述預(yù)處理是指對(duì)數(shù)據(jù)進(jìn)行對(duì)比處理和歸一化處理。

3.根據(jù)權(quán)利要求2所述基于關(guān)聯(lián)全連接神經(jīng)網(wǎng)絡(luò)和LSTM的PMU一次調(diào)頻負(fù)荷預(yù)測方法，其特征在于，所述預(yù)處理具體過程為：

對(duì)原始數(shù)據(jù)縱向?qū)Ρ忍幚恚簩時(shí)刻的負(fù)荷值與t-1～t-10區(qū)間內(nèi)時(shí)刻的負(fù)荷值的數(shù)據(jù)進(jìn)行對(duì)比，若負(fù)荷值沒發(fā)生變化，則判斷該數(shù)據(jù)為死區(qū)數(shù)據(jù)，進(jìn)行剔除；

歸一化處理：采用以下公式進(jìn)行歸一化

式(1)中，L_max和L_min分別為訓(xùn)練樣本集中特征數(shù)據(jù)的最大值和最小值；L_i為歸一化前特征數(shù)值，為歸一化后的特征數(shù)值。

4.根據(jù)權(quán)利要求1所述基于關(guān)聯(lián)全連接神經(jīng)網(wǎng)絡(luò)和LSTM的PMU一次調(diào)頻負(fù)荷預(yù)測方法，其特征在于，步驟2具體過程為：

步驟2.1、以訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)作為輸入組，建立LSTM神經(jīng)網(wǎng)絡(luò)，設(shè)定神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)、狀態(tài)值初始化、網(wǎng)絡(luò)迭代次數(shù)、輸入特征個(gè)數(shù)，輸出迭代結(jié)果；

步驟2.2、將迭代結(jié)果作為輸入建立全連接神經(jīng)網(wǎng)絡(luò)，設(shè)定輸入層神經(jīng)元個(gè)數(shù)、神經(jīng)元激活函數(shù)、內(nèi)核初始化、網(wǎng)絡(luò)迭代次數(shù)、輸出變量個(gè)數(shù)，得到聯(lián)合神經(jīng)網(wǎng)絡(luò)模型。

5.根據(jù)權(quán)利要求1所述基于關(guān)聯(lián)全連接神經(jīng)網(wǎng)絡(luò)和LSTM的PMU一次調(diào)頻負(fù)荷預(yù)測方法，其特征在于，步驟4所述損失函數(shù)loss為：

式中，為訓(xùn)練樣本集中負(fù)荷數(shù)據(jù)的預(yù)測值，y_i為訓(xùn)練樣本集中負(fù)荷數(shù)據(jù)的真實(shí)值；n為預(yù)測值的個(gè)數(shù)。

6.根據(jù)權(quán)利要求1所述基于關(guān)聯(lián)全連接神經(jīng)網(wǎng)絡(luò)和LSTM的PMU一次調(diào)頻負(fù)荷預(yù)測方法，其特征在于，步驟4所述計(jì)算聯(lián)合神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度值A(chǔ)CC公式為：

式(3)中，為訓(xùn)練樣本集中負(fù)荷數(shù)據(jù)的預(yù)測值，y_i為訓(xùn)練樣本集中負(fù)荷數(shù)據(jù)的真實(shí)值；m為預(yù)測值的個(gè)數(shù)。