[發明專利]基于LSTM優化器的電力標準成本預測方法

在審

• 申請號: 202011352198.1
• 申請日: 2020-11-26
• 公開（公告）號: CN112365086A
• 公開（公告）日: 2021-02-12
• 發明（設計）人: 王冬法;郭云鵬;藍飛;鄭瑛;高翔;孫泉輝;郭端宏;金紹君;潘軍;陳倩
• 申請（專利權）人: 國網浙江省電力有限公司;國網浙江省電力有限公司金華供電公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/02;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 杭州中成專利事務所有限公司 33212
• 代理人: 周世駿

1.一種基于LSTM優化器的電力標準成本預測方法，其特征在于，包括以下步驟：

(1)搜集歷史電力成本數據及電力公司每日售電收入的日現金流數據，進行標準化預處理，準備用于訓練的數據集；

(2)構建LSTM預測網絡及LSTM優化器，訓練并交替更新LSTM預測網絡及LSTM優化器的權重參數；

(3)利用訓練好的LSTM預測網絡進行電力標準成本預測，得到預測結果。

2.根據權利要求1所述的方法，其特征在于，所述步驟(1)具體包括：

(1.1)從電力局收集歷史電力成本數據用于構建數據集，所述成本數據至少包括人工成本、運維成本和檢修成本；篩選出大類數據，計算該數據集的波動率；

鑒于電力成本數據與售電收入日現金流數據都具有異方差性，選取至少5年的售電收入日現金流數據用于構建數據集，且兩個數據集的波動率不大于8％；將兩個數據集一并作為用于訓練的數據集；

(1.2)對數據集進行連續采樣，其中電力成本數據以年為計時單位，售電收入日現金流數據以周為計時單位；訓練過程中，以前N個連續時間點數值作為一個樣本，后1個時間點數值作為該樣本標簽；

(1.3)對數據進行最大值歸一化處理，每個樣本和標簽除以這N+1個數值中的最大值。

3.根據權利要求1所述的方法，其特征在于，所述步驟(2)具體包括：

(2.1)從預處理后的數據集中選取近N+1年的電力成本數據作測試集，其余數據作為訓練集；

此處N的取值，與在步驟(2)的訓練過程中用于構成一個樣本所用連續時間點數值對應的連續時間點的數量一致；

(2.2)構建LSTM預測網絡及LSTM優化器，用于學習訓練；其中，LSTM預測網絡由2層LSTM層和全連接層實現，損失函數為均方誤差；LSTM優化器由1層LSTM層和全連接層實現，損失函數如式(1)所示：

其中，L表示LSTM優化器的損失，T表示當前的時間點，l表示LSTM預測網絡的損失；t表示時間步長；

(2.3)將步驟(2.1)中準備好的訓練集輸入步驟(2.2)中的LSTM預測網絡，對LSTM預測網絡及LSTM優化器中的參數進行訓練，通過訓練降低損失函數值并交替更新LSTM預測網絡及LSTM優化器權重參數；經過若干次訓練后，得到學習后的網絡權重參數。

4.根據權利要求3所述的方法，其特征在于，在所述步驟(2.3)中的訓練過程中，根據極小化預測的標準成本與真實標準成本之間的均方差進行訓練，如式(2)所示：

其中n表示樣本個數，y_i表示樣本標簽，表示網絡輸出的預測值，i表示樣本編號。

5.根據權利要求3所述的方法，其特征在于，所述步驟(2.3)步驟具體包括：

(2.3.1)隨機初始化LSTM預測網絡參數θ和LSTM優化器參數φ，通過初始化參數得到LSTM預測網絡初始的損失l₀；

(2.3.2)根據時刻t的LSTM預測網絡參數θ_t，求出網絡損失關于參數的偏導

(2.3.3)將及LSTM優化器前一時刻隱藏層作為LSTM優化器的輸入，得到θ_t的更新梯度g_t，將LSTM預測網絡的權重更新為θ_t+1＝θ_t+g_t；

(2.3.4)當t整除20時，通過LSTM優化器的損失L_t(φ)更新優化器的權重φ，即每20個step更新LSTM優化器的權重；

(2.3.5)循環(2.3.2)至(2.3.4)交替更新θ和φ，直到網絡收斂。