[發明專利]一種基于FAF-LSTM深度神經網絡的居民負荷預測方法及系統

在審

• 申請號: 202010132440.8
• 申請日: 2020-02-29
• 公開（公告）號: CN111340300A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 夏飛;柴閔康;張傳林;龔春陽
• 申請（專利權）人: 上海電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 吳肖敏

1.一種基于FAF-LSTM深度神經網絡的居民負荷預測方法，其特征在于：包括，

構建基于融合激活函數的LSTM深度神經網絡；

對構建的LSTM深度神經網絡進行訓練；

輸出訓練后的LSTM深度神經網絡；

采集待測負荷數據；

將待測數據輸入訓練后的LSTM深度神經網絡進行預測；

LSTM深度神經網絡輸出預測結果。

2.如權利要求1所述的基于FAF-LSTM深度神經網絡的居民負荷預測方法，其特征在于：所述LSTM深度神經網絡包括記憶單元，記憶單元內包括遺忘門、輸入門和輸出門，能夠選擇性記憶反饋的損失函數隨梯度下降的修正參數。

3.如權利要求2所述的基于FAF-LSTM深度神經網絡的居民負荷預測方法，其特征在于：所述遺忘門的計算公式為，

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

其中，f_t為遺忘門的輸出值，W_f為遺忘門神經網絡的權值，h_t-1為t-1時刻節點的輸出，x_t為t時刻節點的輸入，b_f為遺忘門神經網絡的偏置。

4.如權利要求3所述的基于FAF-LSTM深度神經網絡的居民負荷預測方法，其特征在于：所述輸入門的計算公式為，

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

其中，i_t為輸入門的輸出值，W_i為輸入門神經網絡的權值，b_i為輸入門神經網絡的偏置。

5.如權利要求3所述的基于FAF-LSTM深度神經網絡的居民負荷預測方法，其特征在于：所述輸出門的計算公式為，

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

其中，o_t為輸出門的輸出值，W_o為輸出門神經網絡的權值，b_o為輸入門神經網絡的偏置。

6.如權利要求1所述的基于FAF-LSTM深度神經網絡的居民負荷預測方法，其特征在于：所述融合激活函數的計算公式為，

其中，f(x)為融合激活函數，x是激活函數的輸入值。

7.如權利要求6所述的基于FAF-LSTM深度神經網絡的居民負荷預測方法，其特征在于：所述訓練還包括以下步驟，

采集數據構建訓練集；

使用訓練集中的部分數據作為LSTM深度神經網絡的輸入，完成一次訓練；

改變輸入數據，作為LSTM深度神經網絡的輸入重復訓練；

多次改變數據并輸入LSTM深度神經網絡，直至訓練集內的使用完畢。

8.一種基于LSTM深度神經網絡的居民負荷預測系統，其特征在于：包括，

預測模塊(100)，所述預測模塊(100)包括改進的LSTM深度神經網絡，能夠根據輸入的數據進行預測；

數據采集模塊(200)，所述數據采集模塊(200)用于采集原始數據，用于構建訓練數據集和采集待預測的數據；

訓練模塊(300)，所述訓練模塊(300)用于對構建的LSTM深度神經網絡進行訓練。