[發(fā)明專利]一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡的居民負荷預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010132440.8
• 申請日: 2020-02-29
• 公開（公告）號: CN111340300A
• 公開（公告）日: 2020-06-26
• 發(fā)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

本發(fā)明公開了一種基于FAF?LSTM深度神經(jīng)網(wǎng)絡的居民負荷預測方法及系統(tǒng)，包括，構建基于融合激活函數(shù)的LSTM深度神經(jīng)網(wǎng)絡；對構建的LSTM深度神經(jīng)網(wǎng)絡進行訓練；輸出訓練后的LSTM深度神經(jīng)網(wǎng)絡；采集待測負荷數(shù)據(jù)；將待測數(shù)據(jù)輸入訓練后的LSTM深度神經(jīng)網(wǎng)絡進行預測；LSTM深度神經(jīng)網(wǎng)絡輸出預測結果。本發(fā)明的有益效果：通過對LSTM人工神經(jīng)網(wǎng)絡深度學習預測模型進行改進，提高了電力負荷預測的準確性，且更能夠滿足工程應用的要求。

技術領域

本發(fā)明涉及負荷預測的技術領域，尤其涉及一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡的居民負荷預測方法及系統(tǒng)。

背景技術

近年來，隨著計算機技術、傳感器技術、存儲技術的逐步飛躍，越來越多的數(shù)據(jù)進入了人們的視線。然而隨著數(shù)據(jù)量的增加，數(shù)據(jù)的復雜度和冗余度也逐級攀升，繼而如何從海量數(shù)據(jù)中發(fā)掘出有用的信息成為研究熱點。

由于電力能源難以大量存儲以及電力需求時刻變化等特點，這就要求系統(tǒng)發(fā)電側應隨時與用戶側負荷需求保持動態(tài)平衡。但用戶側的負荷需求并沒有固定的規(guī)律，且電力能源在傳輸過程中容易受到外界干擾，而具有非線性、時變等特點。因此精確的短期電力負荷預測顯得尤為重要，它既可以保證電力供應的穩(wěn)定，減少用電成本，又有助于電力系統(tǒng)提高供電質量，使其健康發(fā)展。經(jīng)研究顯示，短期負荷預測的誤差每增加百分之一，每年的電網(wǎng)將增加約800萬元的附加運行成本。由此可見，提高短期負荷的預測誤差成為當下研究熱點。

以往的短期負荷預測技術，多采用諸如前饋人工神經(jīng)網(wǎng)絡、支持向量機等進行短期的電力負荷預測，網(wǎng)絡中沒有記憶單元，缺少對時序數(shù)據(jù)時間相關性的考慮。由于電力負荷時間序列具有非線性、時變、易干擾、觀察時間有限等特點，采用傳統(tǒng)的預測模型預測一般精度不高，實際應用效果較差；而對于采用深度神經(jīng)網(wǎng)絡回歸模型進行預測的方法而言，在機器學習過程中由于存在梯度下降緩慢的問題，導致其數(shù)值不隨時間或者模型的變化而變化，從而局限了模型的泛化能力，嚴重影響預測精度的提高。

發(fā)明內容

本部分的目的在于概述本發(fā)明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

因此，本發(fā)明解決的一個技術問題是：提出一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡的居民負荷預測方法，提高對居民用電負荷的預測準確性。

為解決上述技術問題，本發(fā)明提供如下技術方案：一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡的居民負荷預測方法，包括，構建基于融合激活函數(shù)的LSTM深度神經(jīng)網(wǎng)絡；對構建的LSTM深度神經(jīng)網(wǎng)絡進行訓練；輸出訓練后的LSTM深度神經(jīng)網(wǎng)絡；采集待測負荷數(shù)據(jù)；將待測數(shù)據(jù)輸入訓練后的LSTM深度神經(jīng)網(wǎng)絡進行預測；LSTM深度神經(jīng)網(wǎng)絡輸出預測結果。

作為本發(fā)明所述的基于FAF-LSTM深度神經(jīng)網(wǎng)絡的居民負荷預測方法的一種優(yōu)選方案，其中：所述LSTM深度神經(jīng)網(wǎng)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(shù)隨梯度下降的修正參數(shù)。

作為本發(fā)明所述的基于FAF-LSTM深度神經(jīng)網(wǎng)絡的居民負荷預測方法的一種優(yōu)選方案，其中：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(jīng)網(wǎng)絡的權值，h_t-1為t-1時刻節(jié)點的輸出，x_t為t時刻節(jié)點的輸入，b_f為遺忘門神經(jīng)網(wǎng)絡的偏置。