一种基于贝叶斯优化的BiLSTM电压偏差预测方法技术

本发明专利技术公开了一种基于贝叶斯优化的BiLSTM电压偏差预测方法，对电压偏差时间序列数据集进行标准差标准化处理，按照比例进行数据分割，得到训练集和验证集；利用预处理之后的电压偏差数据训练集训练BiLSTM电压偏差预测模型；将验证集输入到训练的BiLSTM电压偏差预测模型中，获取电压偏差预测值后进行反标准差处理，使用均方根误差作为BiLSTM电压偏差预测模型超参数优化的目标函数，利用贝叶斯优化算法对BiLSTM电压偏差预测模型的超参数进行优化，获取最优的超参数组合；将最优超参数组合作为BiLSTM预测模型的超参数，构建基于贝叶斯优化算法的BiLSTM电压偏差预测模型，对电压偏差时间序列数据进行预测，获得最终的预测数据。本发明专利技术精度高、预测效果可靠。预测效果可靠。预测效果可靠。

【技术实现步骤摘要】
一种基于贝叶斯优化的BiLSTM电压偏差预测方法


[0001]本专利技术涉及一种基于贝叶斯优化的BiLSTM电压偏差预测方法，属电气工程和电压偏差领域。

技术介绍

[0002]近年来，电力行业迅速地发展，电力用户对电压偏差的要求越来越高。电压偏差问题会严重地损害电力用户及相关电力行业的利益，所以必须加大对电压偏差的监测，获得大量的电压偏差数据，为深度分析电压偏差变化趋势提供依据。对电压偏差数据有效地进行分析和预测，有利于工作人员早发现电压偏差问题，并采取相应的措施，确保电力系统稳定安全运行。
[0003]当前，对电压偏差进行预测的研究成果较少。有的学者提出使用线性回归法、随机时间序列法和灰色模型对电压偏差进行预测，但单一方法的预测精度较差。部分学者使用聚类算法结合神经网络对电压偏差进行预测的方法，但聚类算法受初始聚类中心影响较大，对数据集要求较高。有的学者提出将多种预测模型对电压偏差进行组合预测，但提高了权重确定及建模的难度。随着深度学习算法的兴起，神经网络在时间序列预测中的作用越专利技术显，但超参数选取问题是保证预测算法预测精度的重要因素。目前广泛使用的超参数优化泛有网格搜索法、随机搜索法和启发式搜索法。网格搜索法是将每种可能的超参数组合都测试一次，选取最优超参数，但是超参数寻优过程十分耗费时间。随机搜索法是通过随机超参数组合进行评估，虽然提高了效率，但是训练结果不稳定。启发式搜索法是通过利用问题的启发规则进行寻优，但提高了建立启发规则的难度。因此，现有的电压偏差预测技术有待进一步研究。
专利技术内容
[0004]本专利技术的目的在于提出一种基于贝叶斯优化的BiLSTM电压偏差预测方法，以解决电压偏差预测模型泛化能力差、预测精度低的问题。
[0005]实现本专利技术目的的技术解决方案为：一种基于贝叶斯优化的BiLSTM电压偏差预测方法，包括如下步骤：
[0006]步骤1，对电压偏差时间序列数据集进行标准差标准化处理；
[0007]步骤2，对标准差标准化后的电压偏差时间序列数据按照比例进行数据分割，得到训练集和验证集，分别用于训练网络模型的参数学习和模型结果检验；
[0008]步骤3，定义BiLSTM电压偏差预测模型超参数的范围，生成随机一组初始超参数作为BiLSTM模型的初始超参数，利用预处理之后的电压偏差数据训练集训练BiLSTM电压偏差预测模型；
[0009]步骤4，将验证集输入到训练的BiLSTM电压偏差预测模型中，获取电压偏差预测值后进行反标准差处理，使用均方根误差作为BiLSTM电压偏差预测模型超参数优化的目标函数，利用贝叶斯优化算法对BiLSTM电压偏差预测模型的超参数进行优化，获取最优的超参
数组合；
[0010]步骤5，将最优超参数组合作为BiLSTM预测模型的超参数，构建基于贝叶斯优化算法的BiLSTM电压偏差预测模型，对电压偏差时间序列数据进行预测，获得最终的预测数据。
[0011]进一步的，步骤1中，对电压偏差时间序列数据集进行标准差标准化处理，具体方法为：
[0012]步骤101，在配电网中，选取进行电压偏差预测的节点，采集相应的电压偏差数据，得到原始电压偏差时间序列数据Z：
[0013][0014]式(1)中，原始电压偏差时间序列数据Z包含l个数据，其中Z
l
为第l个的原始电压偏差数据；
[0015]步骤102：对进行原始电压偏差时间序列数据标准差标准化，获得连续时间序列的归一化电压偏差数据，其值域范围为[
‑
1,1]；
[0016]标准差标准化计算公式如式(2)：
[0017][0018]式(2)中，Z
i
为标准差标准化处理之前的原始电压偏差时间序列数据；为标准差标准化处理之后的电压偏差时间序列数据；μ1为原始电压偏差时间序列数据的均值；σ1为原始电压偏差时间序列数据的标准差。
[0019]进一步的，步骤2中，对标准差标准化后的电压偏差时间序列数据按照比例进行数据分割，80％的数据作为训练集X＝[x1,x2,
…
,x
n
]，用于训练网络模型的参数学习；其余的20％的数据作为测试集Y＝[y1,y2,
…
,y
m
]，用于模型结果检验。
[0020]进一步的，步骤3中，定义BiLSTM电压偏差预测模型超参数的范围，生成随机一组初始超参数作为BiLSTM模型的初始超参数，利用预处理之后的电压偏差数据训练集训练BiLSTM电压偏差预测模型，具体方法为：
[0021]步骤301，定义BiLSTM电压偏差预测模型超参数的范围，生成随机一组初始超参数。
[0022]步骤302，构建BiLSTM电压偏差预测模型，使用初始超参数和预处理之后的电压偏差数据训练集进行模型训练；
[0023]BiLSTM电压偏差预测模型由前向LSTM层与后向LSTM层组成，LSTM层通过遗忘门、输入门和输出门控制记忆单元数据信息的流动，首先将电压偏差训练集数据输入到前向LSTM层和后向LSTM层中，得到当前时刻其前向层和后向层的隐藏状态和然后将当前时刻其前向层和后向层的隐藏状态拼接得到神经元输出值O
t
，再经过全连接层得到电压偏差预测值；
[0024]通过遗忘门选择要遗忘的信息，遗忘门的具体计算方式为：
[0025]f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀ
(3)
[0026]式(3)中，W
f
是遗忘门的权重矩阵；h
t
‑1为上一刻的LSTM层的隐藏状态；x
t
为当前时刻的电压偏差数据；b
f
是遗忘门的偏置；σ为sigmoid函数，f
t
为对上一时刻状态设置信息遗忘的比重；
[0027]通过输入门选择要添加的新信息，首先输入门选择需要更新的信息i
t
，同时tanh层创建新的候选向量然后将输入值i
t
与候选向量相乘对细胞状态进行更新，输入门的具体计算方式为：
[0028]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀ
(4)
[0029][0030][0031]其中，W
i
是输入门的权重矩阵；b
i
是输入门的偏置；W
C
是tanh层的权重矩阵；b
C
是tanh层的偏置；C
t
表示当前输入的记忆单元状态；
[0032]通过输出门计算神经元输出值，输出门的值o
t
取决于更新后的细胞状态C
t
，输出门的计算方式为：...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯优化的BiLSTM电压偏差预测方法，其特征在于，包括如下步骤：步骤1，对电压偏差时间序列数据集进行标准差标准化处理；步骤2，对标准差标准化后的电压偏差时间序列数据按照比例进行数据分割，得到训练集和验证集，分别用于训练网络模型的参数学习和模型结果检验；步骤3，定义BiLSTM电压偏差预测模型超参数的范围，生成随机一组初始超参数作为BiLSTM模型的初始超参数，利用预处理之后的电压偏差数据训练集训练BiLSTM电压偏差预测模型；步骤4，将验证集输入到训练的BiLSTM电压偏差预测模型中，获取电压偏差预测值后进行反标准差处理，使用均方根误差作为BiLSTM电压偏差预测模型超参数优化的目标函数，利用贝叶斯优化算法对BiLSTM电压偏差预测模型的超参数进行优化，获取最优的超参数组合；步骤5，将最优超参数组合作为BiLSTM预测模型的超参数，构建基于贝叶斯优化算法的BiLSTM电压偏差预测模型，对电压偏差时间序列数据进行预测，获得最终的预测数据。2.根据权利要求1所述的基于贝叶斯优化的BiLSTM电压偏差预测方法，其特征在于，步骤1中，对电压偏差时间序列数据集进行标准差标准化处理，具体方法为：步骤101，在配电网中，选取进行电压偏差预测的节点，采集相应的电压偏差数据，得到原始电压偏差时间序列数据Z：式(1)中，原始电压偏差时间序列数据Z包含l个数据，其中Z
l
为第l个的原始电压偏差数据；步骤102：对进行原始电压偏差时间序列数据标准差标准化，获得连续时间序列的归一化电压偏差数据，其值域范围为[
‑
1,1]；标准差标准化计算公式如式(2)：式(2)中，Z
i
为标准差标准化处理之前的原始电压偏差时间序列数据；为标准差标准化处理之后的电压偏差时间序列数据；μ1为原始电压偏差时间序列数据的均值；σ1为原始电压偏差时间序列数据的标准差。3.根据权利要求1所述的基于贝叶斯优化的BiLSTM电压偏差预测方法，其特征在于，步骤2中，对标准差标准化后的电压偏差时间序列数据按照比例进行数据分割，80％的数据作为训练集X＝[x1,x2,
…
,x
n
]，用于训练网络模型的参数学习；其余的20％的数据作为测试集Y＝[y1,y2,
…
,y
m
]，用于模型结果检验。4.根据权利要求1所述的基于贝叶斯优化的BiLSTM电压偏差预测方法，其特征在于，步骤3中，定义BiLSTM电压偏差预测模型超参数的范围，生成随机一组初始超参数作为BiLSTM模型的初始超参数，利用预处理之后的电压偏差数据训练集训练BiLSTM电压偏差预测模
型，具体方法为：步骤401，定义BiLSTM电压偏差预测模型超参数的范围，生成随机一组初始超参数。步骤402，构建BiLSTM电压偏差预测模型，使用初始超参数和预处理之后的电压偏差数据训练集进行模型训练；BiLSTM电压偏差预测模型由前向LSTM层与后向LSTM层组成，LSTM层通过遗忘门、输入门和输出门控制记忆单元数据信息的流动，首先将电压偏差训练集数据输入到前向LSTM层和后向LSTM层中，得到当前时刻其前向层和后向层的隐藏状态和然后将当前时刻其前向层和后向层的隐藏状态拼接得到神经元输出值O
t
，再经过全连接层后得到得到电压偏差预测值；通过遗忘门选择要遗忘的信息，遗忘门的具体计算方式为：f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，W
f
是遗忘门的权重矩阵；h
t
‑1为上一刻的LSTM层的隐藏状态；x
t
为当前时刻的电压偏差数据；b
f
是遗忘门的偏置；σ为sigmoid函数，f
t
为对上一时刻状态设置信息遗忘的比重；通过输入门选择要添加的新信息，首先输入门选择需要更新的信息i
t
，同时tanh层创建新的候选向量然后将输入值i
t
与候选向量相乘对细胞状态进行更新，输入门的具体计算方式为：i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀ
(4)(4)其中，W
i
是输入门的权重矩阵；b
i
是输入门的偏置；W
C
是tanh层的权重矩阵；b
C
是tanh层的偏置；C
t
表示当前输入的记忆单元状态；通过输出门计算神经元输出值，输出门的值o
t
取决于更新后的细胞状态C
t
，输出门的计算方式为：o
t
＝σ(W
o
[h
t
‑1,x
t
]+b
o
)
ꢀꢀꢀꢀ
(7)h
t
＝o
t
×
tanh(C
t
)
ꢀꢀꢀꢀꢀꢀ

【专利技术属性】
技术研发人员：王宝华，张文惠，王大飞，张弛，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：