System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于用户电量预测,涉及一种代理购电用户电量预测方法及装置,尤其是一种基于回声状态机和误差校核的代理购电用户电量预测方法及装置。
技术介绍
1、神经网络是由输入层、隐藏层和输出层构成,根据隐藏层的层数,可以将其分为表面级神经网络和深层神经网络。常用的浅层神经网络有bp神经网络。例如采用核主成分分析方法降低输入空间的维数,接着使用粒子群优化算法对bp神经网络进行参数调整,有效提升了预测准确性。常见的深层神经网络有深度信念网络(deepbeliefnetworks,dbn)、极限学习机(extreme learning machine,elm)和长短时记忆(long short-term memory,lstm)神经网络。记忆增强网络(memory augmented networks,man)是一种在时序预测领域备受青睐的深度神经网络方法,取代了传统的长短时记忆(lstm)神经网络,它通过使用长短时记忆单元来取代传统的隐藏层神经元,有效地解决了长时间依赖的挑战。
2、随着楼宇自动化装置、智能电表等资源提供的能源数据的数量和种类不断增加,电力数据的噪声及lstm神经网络超参数值选择的过度简单,lstm神经网络也无法产生令人满意的预测结果。且神经网络容易在训练集上过分拟合,导致在新的输入数据上表现不佳,同时预测模型需要考虑多个相关因素,如天气、季节、假日等,但数据之间的相关性不易确定,也可能导致预测结果的不准确性。
3、另外,在电力装置中,随着各个部门的传感器的发展和完善,收集了大量的不同类别的数据,为
4、尽管基于数据降维的组合预测模型在某些方面具有优势,但在数据降维过程中,为了减少数据维度,必然会丢失一部分原始数据的信息。这可能导致损失关键特征,从而影响预测准确性。同时降维过程需要选择保留的重要特征,但确定哪些特征对代理购电工商业用电量预测最有意义并不是一项简单的任务,错误地选择特征可能会导致预测模型的偏差或低效性。并且因为降维过程可能导致数据集的方差减小,从而限制了模型的预测能力,尤其在存在非线性关系的情况下,数据降维很可能无法很好地捕捉到数据间的复杂关系。且组合模型由多个子模型组成,每个子模型都可能存在误差,当子模型的预测结果叠加时,误差也会叠加,从而导致整体预测结果的不准确性,特别是当某个子模型存在较大误差时,整体组合模型的性能会受到明显影响。
5、因此,如何能够有效提高代理购电用户用电量预测的准确性,是本领域技术人员亟待解决的技术问题。
6、经检索,未发现与本专利技术相同或相似的现有技术的专利文献。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足,提出一种基于回声状态机和误差校核的代理购电用户电量预测方法及装置,能够有效提高代理购电用户用电量预测的准确性。
2、本专利技术解决其现实问题是采取以下技术方案实现的:
3、一种基于回声状态机和误差校核的代理购电用户电量预测方法,包括以下步骤:
4、根据历史用电量和用电量影响因素的时间序列数据构建新型储备池;
5、基于构建的新型储备池,构建多储备池相关向量回声状态机模型;
6、基于构建的多储备池相关向量回声状态机模型,建立基于误差校核的多储备池相关向量回声状态机模型,以矩阵的形式输入不同颗粒度的历史用电量数据和用电量的影响因素数据,最终输出电量预测结果。
7、而且,所述根据历史用电量和用电量影响因素的时间序列数据构建新型储备池的具体步骤包括:
8、创建一个包含大量神经元的储备池,每个神经元表示一个状态节点,选择适当数量的状态节点作为储备池的基本单元;
9、根据储备池中状态节点的数量确定权重矩阵的维度,对于每个状态节点,随机分配输入权重和回声权重;
10、稀疏连接矩阵用于表示储备池回声状态机中的内部连接权重,通过调整稀疏度,创建一个稀疏的连接矩阵,该矩阵的元素表示连接强度,并使用随机数生成器生成连接矩阵,在每个时间步上根据稀疏度确定是否存在连接;
11、在每个时间点,根据储备池的当前状态和输入,更新储备池的状态,假设储备池中有n个状态节点,状态节点的当前值为x(t),其中t表示当前的时间步;
12、更新状态节点的过程可以描述如下:
13、x(t)=(1-a)x(t-1)+a×tanh[winu(t)+wx(t-1)+wbacky(t-1)] (1)
14、在上述表达式中,假设x(t)表示当前时刻的储备池状态值,x(t-1)表示前一时刻的储备池状态值,u(t)表示当前时刻的输入值,y(t-1)]表示前一时刻的输出值,a是更新速度。在此设置中,win代表输入层权值矩阵,w代表储备池内部连接权值矩阵,wback表示输出层到储备池的连接权值矩阵;tanh()为激活函数,将线性组合的输入转换为非线性输出,本专利技术中采用了双曲正切函数。
15、根据代理购电用户用电量预测需求,确定输入和输出方式;
16、选取输入节点数量和输出节点数量,并根据输入数据的维度和输出结果设置;
17、使储备池在一段时间内经历空闲操作,即放弃之前t-1时刻的状态变量;
18、从t时刻开始,储备池将保留并更新状态变量,并生成一个全新的矩阵,以改善初始状态回声问题的情况:
19、x=[x(t),x(t+1),...,x(t+n)]t (2)
20、经过储备池映射后的输出为:
21、y(x)=woutx (3)
22、式中,wout为输出权重矩阵。
23、使用已知的输入数据和上一步输出数据对储备池进行训练和调整,通过重新调整连接权重和偏置项等参数;
24、使用验证数据集评估训练后的储备池的性能,并进行必要调优,通过调整状态节点数量、连接强度、输入输出配置等参数提高回声状态机的准确性和泛化能力,最终完成储备池的建立。
25、而且,所述基于构建的新型储备池,构建多储备池相关向量回声状态机模型的具体步骤包括:
26、对于每个储备池,使用状态更新方程更新储备池内部的状态节点值,采用向量化方式,在一次操作中处理整个储备池的状态更新,生成多个不同的储备池,x1,x2,...,xn,然后进行加权组合以实现更新。
27、将多个储备池的输出连接在一起,形成最终的输出层,通过简单的连接操作,将多个储备池的输出进行整合。本文档来自技高网...
【技术保护点】
1.一种基于回声状态机和误差校核的代理购电用户电量预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于回声状态机和误差校核的代理购电用户电量预测方法,其特征在于:所述根据历史用电量和用电量影响因素的时间序列数据构建新型储备池的具体步骤包括:
3.根据权利要求1所述的一种基于回声状态机和误差校核的代理购电用户电量预测方法,其特征在于:所述基于构建的新型储备池,构建多储备池相关向量回声状态机模型的具体步骤包括:
4.根据权利要求1所述的一种基于回声状态机和误差校核的代理购电用户电量预测方法,其特征在于:所述基于构建的多储备池相关向量回声状态机模型,建立基于误差校核的多储备池相关向量回声状态机模型,以矩阵的形式输入不同颗粒度的历史用电量数据和用电量的影响因素数据,最终输出电量预测结果的具体步骤包括:
5.一种基于回声状态机和误差校核的代理购电用户电量预测装置,其特征在于:包括:
6.根据权利要求5所述的一种基于回声状态机和误差校核的代理购电用户电量预测装置,其特征在于:所述新型储备池构建模块,还包括:
...【技术特征摘要】
1.一种基于回声状态机和误差校核的代理购电用户电量预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于回声状态机和误差校核的代理购电用户电量预测方法,其特征在于:所述根据历史用电量和用电量影响因素的时间序列数据构建新型储备池的具体步骤包括:
3.根据权利要求1所述的一种基于回声状态机和误差校核的代理购电用户电量预测方法,其特征在于:所述基于构建的新型储备池,构建多储备池相关向量回声状态机模型的具体步骤包括:
4.根据权利要求1所述的一种基于回声状态机和误差校核的代理购电用户电量预测方法,其特征在于:所述基于构建的多储备池相关向量回声状态机模型,建立基于误差校核的多储备池相关向量回声状态机模型,以矩阵的形式输入不同颗粒度的历史用电量数据和用电量的影响因素数据,最终输出电量预测结果的具体步骤包括:
5.一种基于回声状态机和误差校核的代理购电用户电量...
【专利技术属性】
技术研发人员:魏立勇,丁一,周颖,王永利,王恩,董焕然,庞超,邱敏,霍现旭,刘念,赵伟博,陈亮,贺春,白雪峰,张剑,赵晨阳,李熠,吴磊,陈宋宋,
申请(专利权)人:国网天津市电力公司电力科学研究院,
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。