[發(fā)明專利]基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法在審
| 申請?zhí)枺?/td> | 202011092704.8 | 申請日： | 2020-10-13 |
| 公開（公告）號： | CN112232561A | 公開（公告）日： | 2021-01-15 |
| 發(fā)明（設(shè)計(jì)）人： | 李丹;張遠(yuǎn)航;孫光帆;楊保華;王奇;繆書唯;李振興;劉頌凱 | 申請（專利權(quán)）人： | 三峽大學(xué) |
| 主分類號： | G06Q10/04 | 分類號： | G06Q10/04;G06Q50/06;G06N3/04;G06N3/08 |
| 代理公司： | 宜昌市三峽專利事務(wù)所 42103 | 代理人： | 成鋼 |
| 地址： | 443002 *** | 國省代碼： | 湖北;42 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 基于 約束 并行 lstm 位數(shù) 回歸 電力 負(fù)荷 概率 預(yù)測 方法 | ||
1.基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，包括以下步驟，
步驟1：收集多個(gè)樣本日的負(fù)荷功率和影響因素?cái)?shù)據(jù)，形成數(shù)據(jù)集并分為訓(xùn)練集、驗(yàn)證集和測試集；
步驟2：設(shè)置模型超參數(shù)；
步驟3：建立約束并行LSTM模型，采用并行式訓(xùn)練方法，對約束并行LSTM模型中各個(gè)分位點(diǎn)LSTM進(jìn)行預(yù)訓(xùn)練，獲得權(quán)重、偏置參數(shù)集；
步驟4：將得到的權(quán)重、偏置參數(shù)集作為約束并行LSTM模型的初始參數(shù)，對約束并行LSTM模型進(jìn)行整體訓(xùn)練，訓(xùn)練過程中對權(quán)重、偏置參數(shù)進(jìn)行微調(diào)，確定約束并行LSTM模型的最佳權(quán)重、偏置參數(shù)；
步驟5：將驗(yàn)證集輸入訓(xùn)練好的約束并行LSTM模型，根據(jù)驗(yàn)證誤差選出模型的最佳超參數(shù)；
步驟6：將測試樣本輸入具有最佳超參數(shù)的約束并行LSTM模型，對約束并行LSTM模型輸出的預(yù)測結(jié)果進(jìn)行反歸一化，得到預(yù)測日中各時(shí)刻預(yù)測負(fù)荷的多個(gè)分位數(shù)預(yù)測值。
2.根據(jù)權(quán)利要求1所述的基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，還包括步驟7：根據(jù)步驟6得到的預(yù)測負(fù)荷的多個(gè)分位數(shù)，計(jì)算得到預(yù)測點(diǎn)的概率密度曲線。
3.根據(jù)權(quán)利要求1所述的基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，步驟1還包括對數(shù)據(jù)集的各類數(shù)據(jù)進(jìn)行歸一化，將數(shù)據(jù)變量歸一化到[-1,1]區(qū)間。
4.根據(jù)權(quán)利要求1所述的基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，具體地，步驟1對樣本日收集0時(shí)～24時(shí)相鄰時(shí)間點(diǎn)間隔15分鐘的96點(diǎn)負(fù)荷功率數(shù)據(jù)，選取預(yù)測前日的96點(diǎn)負(fù)荷功率與預(yù)測日的24時(shí)刻氣溫和分區(qū)降雨量組成多維特征輸入變量向量，以預(yù)測日的96點(diǎn)負(fù)荷分位數(shù)作為輸出變量向量，輸入變量Xd＝[Td,Rd]，氣溫Td＝[T1,T2,…,T24]d，其中Ti,i∈{1,2,…,24}表示i時(shí)測取的天氣溫度，降雨量Rd＝[R1,R2,…,RM]d，其中Rj,j∈{1,2,…,M}表示預(yù)測地區(qū)的第j個(gè)子區(qū)域的降雨，d∈{1,2,…,D}，D為歷史樣本總天數(shù)，M為預(yù)測地區(qū)所包含的子區(qū)域數(shù)。
5.根據(jù)權(quán)利要求1所述的基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，步驟2中，所述模型超參數(shù)包括神經(jīng)元的數(shù)量m、樣本的時(shí)窗長度l、節(jié)點(diǎn)數(shù)n和懲罰項(xiàng)參數(shù)λ1、λ2。
6.根據(jù)權(quán)利要求1所述的基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，步驟4中，所述對權(quán)重、偏置參數(shù)進(jìn)行微調(diào)，根據(jù)損失函數(shù)，運(yùn)用梯度下降算法對權(quán)重、偏置參數(shù)進(jìn)行微調(diào)整。
7.根據(jù)權(quán)利要求2所述的基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，所述計(jì)算得到預(yù)測點(diǎn)的概率密度曲線采用高斯核密度估計(jì)方法。
8.根據(jù)權(quán)利要求1所述的基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，步驟6的預(yù)測結(jié)果采用計(jì)及分位數(shù)約束關(guān)系的評價(jià)指標(biāo)評價(jià)分位數(shù)的交叉情況，計(jì)及分位數(shù)約束關(guān)系的指標(biāo)如下：
其中XCS表示計(jì)及分位數(shù)約束關(guān)系的評價(jià)指標(biāo)值；是t時(shí)刻分位點(diǎn)τi下的預(yù)測值，N為測試時(shí)刻的總數(shù)，vt,i為約束違反程度函數(shù)，θ表示分站點(diǎn)之間的步長；當(dāng)相鄰分位數(shù)之間滿足約束關(guān)系時(shí)，vt,i為0，而當(dāng)違背約束關(guān)系時(shí)，vt,i為相鄰分位數(shù)的正差值，反映約束違反的程度；系數(shù)項(xiàng)2θ/N為分位數(shù)約束誤差平方的歸一化系數(shù)。
9.根據(jù)權(quán)利要求1-8任意一項(xiàng)所述的基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法，其特征在于，步驟1按照8:1:1的比例，將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測試集。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于三峽大學(xué)，未經(jīng)三峽大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.17sss.com.cn/pat/books/202011092704.8/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
G06Q 專門適用于行政、商業(yè)、金融、管理、監(jiān)督或預(yù)測目的的數(shù)據(jù)處理系統(tǒng)或方法；其他類目不包含的專門適用于行政、商業(yè)、金融、管理、監(jiān)督或預(yù)測目的的處理系統(tǒng)或方法
G06Q10-00 行政；管理
G06Q10-02 .預(yù)定，例如用于門票、服務(wù)或事件的
G06Q10-04 .預(yù)測或優(yōu)化，例如線性規(guī)劃、“旅行商問題”或“下料問題”
G06Q10-06 .資源、工作流、人員或項(xiàng)目管理，例如組織、規(guī)劃、調(diào)度或分配時(shí)間、人員或機(jī)器資源；企業(yè)規(guī)劃；組織模型
G06Q10-08 .物流，例如倉儲(chǔ)、裝貨、配送或運(yùn)輸；存貨或庫存管理，例如訂貨、采購或平衡訂單
G06Q10-10 .辦公自動(dòng)化，例如電子郵件或群件的計(jì)算機(jī)輔助管理
- 簡單網(wǎng)絡(luò)管理協(xié)議設(shè)備的數(shù)據(jù)并行采集歸并方法及系統(tǒng)
- 減少EMI的并行數(shù)據(jù)傳輸方法
- 一種多媒體數(shù)據(jù)并行處理系統(tǒng)及方法
- 一種高速并行OQPSK解調(diào)時(shí)鐘的恢復(fù)系統(tǒng)
- 一種海量地震數(shù)據(jù)并行抽道集方法
- 3G協(xié)議的turbo碼并行譯碼方法及裝置
- 并行擴(kuò)展輸入輸出的教學(xué)裝置
- 數(shù)據(jù)的并行處理
- 并行式插件機(jī)
- 一種SPI總線與并行總線的橋接方法、設(shè)備、系統(tǒng)及介質(zhì)
- 用于高階長短期記憶網(wǎng)絡(luò)的系統(tǒng)和方法
- 基于深度學(xué)習(xí)LSTM的空調(diào)故障診斷方法
- 基于注意力機(jī)制的時(shí)間序列預(yù)測方法、裝置及存儲(chǔ)介質(zhì)
- 一種基于PCA-LSTM網(wǎng)絡(luò)的廢水處理智能監(jiān)控方法
- 一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測方法及系統(tǒng)
- 用于預(yù)測血糖水平的循環(huán)神經(jīng)網(wǎng)絡(luò)裝置和系統(tǒng)
- 基于情景LSTM結(jié)構(gòu)網(wǎng)絡(luò)的微博情感分析方法
- 語音信號處理方法、裝置、電子設(shè)備和存儲(chǔ)介質(zhì)
- 基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法
- 基于深度網(wǎng)絡(luò)AS-LSTM的命名實(shí)體識別系統(tǒng)及識別方法
