本发明专利技术涉及电力标准成本预测技术，旨在提供一种基于LSTM优化器的电力标准成本预测方法。该方法包括：搜集历史电力成本数据及电力公司每日售电收入的日现金流数据，进行标准化预处理，准备用于训练的数据集；构建LSTM预测网络及LSTM优化器，训练并交替更新LSTM预测网络及LSTM优化器的权重参数；利用训练好的LSTM预测网络进行电力标准成本预测，得到预测结果。本发明专利技术采用波动率相近的售电收入日现金流数据集与电力成本数据一同参与LSTM预测网络及LSTM优化器的训练，能够解决数据数量不足导致的过拟合、算法不稳定、精度低、收敛慢的问题。可以自动实现电力标准成本的预测，克服现有技术中不同优化器准确率差异较大的缺陷。有技术中不同优化器准确率差异较大的缺陷。有技术中不同优化器准确率差异较大的缺陷。
【技术实现步骤摘要】
基于LSTM优化器的电力标准成本预测方法
[0001]本专利技术是关于电力标准成本预测技术，特别涉及基于LSTM优化器的标准成本预测方法。
技术介绍
[0002]智能电网已成为21世纪全球能源的新战略，我国电网企业的社会职责是向提供质优价廉的电力服务，其核心业务主要有电网建设、电网运营维护、采购及销售，与此同时追求效益最大化。这就要求电网企业在必须提升自己管理水平，不断加强成本管理，相应的成本主要是电网建设成本；二是电网检修运维成本；三是管理运营成本。在电网企业预算管理上，以预算为龙头，建立较为完善的以成本核算为基础，做好资金控制。但从目前来看，还存在三个方面的问题：一是精细化水平上有待提升；二是集约化程度不高。目前，电网企业发展主要依靠高额投入，外延发展较为明显，缺乏科学标准体系；三是运营机制有待完善。内部运行机制不能适应发展需求，成本分析和评价相对落后，忽视细节管理，侧重成本考核不关心支出效果，是否完成规定任务、完成质量如何等缺乏控制手段。
[0003]实行标准成本管理有着重要的意义，一是促进成本精益化管理，预测成本需求、编制成本预算、控制成本支出、分析成本差异、优化作业活动，能够加强事前、事中、事后的全过程成本管理，实现公司生产成本费用支出标准科学、过程可控、信息可比、投入有效。二推动业财融合发展以往实际工作中，财务成本管理与生产经营作业一直存在相互脱节的状况。财务人员重点在于后端核算，根据成本总额实施监督，无法准确把握项目安排的经济性和成本支出的合理性。业务人员精通工程造价和业务处理，对总成本支出的概念和宏观把握不足。建立标准成本体系、实行标准成本管理较好的推动了业务和财务的有机融合，便于掌握公司整个生产经营管理活动及成本安排、资金需求状况。三提高预算编制的准确性，按照标准成本理念建立起来的标准，使企业能够综合掌握企业的发展动向，详细的了解企业的各项经营信息，为此解决了过去在预算管理中对历史成本的参照，使固定预算向零基预算的过度进程加快。通过零基预算管理消除历史成本中的不合理因素，确保成本耗费水平公平、科学、合理。
[0004]因此，提出一种能够准确预测电力标准成本的方法在成本管理上很有必要。本专利技术采用迁移学习和元学习的思想，引入其他相近的数据集并且构建基于LSTM的优化器进行训练，解决数据集太小的问题的同时可以在训练过程中让网络自主学习参数的优化而不需要事先设定优化器。
技术实现思路
[0005]本专利技术要解决的技术问题是，克服现有技术中的不足，提供一种基于LSTM优化器的电力标准成本预测方法。
[0006]为解决上述技术问题，本专利技术的解决方案是：
[0007]本专利技术提供了一种基于LSTM优化器的电力标准成本预测方法，包括以下步骤：
[0008](1)搜集历史电力成本数据及电力公司每日售电收入的日现金流数据，进行标准化预处理，准备用于训练的数据集；
[0009](2)构建LSTM预测网络及LSTM优化器，训练并交替更新LSTM预测网络及LSTM优化器的权重参数；
[0010](3)利用训练好的LSTM预测网络进行电力标准成本预测，得到预测结果。
[0011]本专利技术中，所述步骤(1)具体包括：
[0012](1.1)从电力局收集历史电力成本数据用于构建数据集，所述成本数据至少包括人工成本、运维成本和检修成本；筛选出大类数据，计算该数据集的波动率；
[0013]鉴于电力成本数据与售电收入日现金流数据都具有异方差性，选取至少5年的售电收入日现金流数据用于构建数据集，且两个数据集的波动率不大于8％；将两个数据集一并作为用于训练的数据集；
[0014](1.2)对数据集进行连续采样，其中电力成本数据以年为计时单位，售电收入日现金流数据以周为计时单位；训练过程中，以前N个连续时间点数值作为一个样本，后1个时间点数值作为该样本标签；
[0015](1.3)对数据进行最大值归一化处理，每个样本和标签除以这N+1个数值中的最大值。
[0016]本专利技术中，所述步骤(2)具体包括：
[0017](2.1)从预处理后的数据集中选取近N+1年的电力成本数据作测试集，其余数据作为训练集；
[0018]此处N的取值，与在步骤(2)的训练过程中用于构成一个样本所用连续时间点数值对应的连续时间点的数量一致；
[0019]N年的具体数值与步骤(1.2)的内容相关；例如，建立的LSTM预测网络是用前8个时间点预测预测后一个时间点，这里N的数值就是8。
[0020](2.2)构建LSTM预测网络及LSTM优化器，用于学习训练；其中，LSTM预测网络由2层LSTM层和全连接层实现，损失函数为均方误差；LSTM优化器由1层LSTM层和全连接层实现，损失函数如式(1)所示：
[0021][0022]其中，L表示LSTM优化器的损失，T表示当前的时间点，l表示LSTM预测网络的损失；t表示时间步长；
[0023](2.3)将步骤(2.1)中准备好的训练集输入步骤(2.2)中的LSTM预测网络，对LSTM预测网络及LSTM优化器中的参数进行训练，通过训练降低损失函数值并交替更新LSTM预测网络及LSTM优化器权重参数；经过若干次训练后，得到学习后的网络权重参数。
[0024]本专利技术中，在所述步骤(2.3)中的训练过程中，根据极小化预测的标准成本与真实标准成本之间的均方差进行训练，如式(2)所示：
[0025][0026]其中n表示样本个数，y
i
表示样本标签，表示网络输出的预测值，i表示样本编号。
[0027]本专利技术中，所述步骤(2.3)步骤具体包括：
[0028](2.3.1)随机初始化LSTM预测网络参数θ和LSTM优化器参数φ，通过初始化参数得到LSTM预测网络初始的损失l0；
[0029](2.3.2)根据时刻t的LSTM预测网络参数θ
t
，求出网络损失关于参数的偏导
[0030](2.3.3)将及LSTM优化器前一时刻隐藏层作为LSTM优化器的输入，得到θ
t
的更新梯度g
t
，将LSTM预测网络的权重更新为θ
t+1
＝θ
t
+g
t
；
[0031](2.3.4)当t整除20时，通过LSTM优化器的损失L
t
(φ)更新优化器的权重φ，即每20个step更新LSTM优化器的权重；
[0032](2.3.5)循环(2.3.2)至(2.3.4)交替更新θ和φ，直到网络收敛。
[0033]本专利技术中，所述步骤(3)具体包括：
[0034](3.1)对测试的数据进行与步骤(1.3)相同的标准化预处理；
[0035](3.2)将步骤(3.1)所获数据输入经训练的LSTM预测网络，应用训练学习得到的网络权重参数，通过LSTM预测网络的迭代之后，输出网络预测的结果；
[0036](3.3)根据步骤(3.本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于LSTM优化器的电力标准成本预测方法，其特征在于，包括以下步骤：(1)搜集历史电力成本数据及电力公司每日售电收入的日现金流数据，进行标准化预处理，准备用于训练的数据集；(2)构建LSTM预测网络及LSTM优化器，训练并交替更新LSTM预测网络及LSTM优化器的权重参数；(3)利用训练好的LSTM预测网络进行电力标准成本预测，得到预测结果。2.根据权利要求1所述的方法，其特征在于，所述步骤(1)具体包括：(1.1)从电力局收集历史电力成本数据用于构建数据集，所述成本数据至少包括人工成本、运维成本和检修成本；筛选出大类数据，计算该数据集的波动率；鉴于电力成本数据与售电收入日现金流数据都具有异方差性，选取至少5年的售电收入日现金流数据用于构建数据集，且两个数据集的波动率不大于8％；将两个数据集一并作为用于训练的数据集；(1.2)对数据集进行连续采样，其中电力成本数据以年为计时单位，售电收入日现金流数据以周为计时单位；训练过程中，以前N个连续时间点数值作为一个样本，后1个时间点数值作为该样本标签；(1.3)对数据进行最大值归一化处理，每个样本和标签除以这N+1个数值中的最大值。3.根据权利要求1所述的方法，其特征在于，所述步骤(2)具体包括：(2.1)从预处理后的数据集中选取近N+1年的电力成本数据作测试集，其余数据作为训练集；此处N的取值，与在步骤(2)的训练过程中用于构成一个样本所用连续时间点数值对应的连续时间点的数量一致；(2.2)构建LSTM预测网络及LSTM优化器，用于学习训练；其中，LSTM预测网络由2层LSTM层和全连接层实现，损失函数为均方误差；LSTM优化器由1层LSTM层和全连接层实现，损失函数如式(1)所示：其中，L表示LSTM优化器的损失，T表示当前的时间点，l表示LSTM预测网络的损失；t表示时间步长；(2.3)将步骤(2.1)中准备好的训练集输入步骤(2.2)中的LSTM预测网络，对LSTM预测网络及LSTM优化器中的参数进行训练，通过训练降低损失函数值并交替更新LSTM预测网络及LSTM优化器权重参数；经过若干次训练后，得到学习后的网络权重参数。4.根据权利要求3所述的方法，其特征在于，在所述步骤(2.3)中的训练过程中，根据极小化预测的标准成本与真实标准成本之间的均方差进行训练，如式(2)所示：其中n表示样本个数，y
i
表示样本标签，表示网络输出的预测值，i表示样本编号。5.根据权利要求3...
【专利技术属性】
技术研发人员：王冬法，郭云鹏，蓝飞，郑瑛，高翔，孙泉辉，郭端宏，金绍君，潘军，陈倩，
申请(专利权)人：国网浙江省电力有限公司金华供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。