【技术实现步骤摘要】
本专利技术属于负荷预测，具体涉及一种嵌入长短期记忆细胞的自编码器负荷预测方法。
技术介绍
1、现代电力系统需要持续供电，因此需要预测当前和未来的负荷需求。为了实现这一目标，科学家和学者们一直在研究负荷预测的最佳方法。负荷预测是控制调度、机组承诺、燃料分配和离线网络分析等操作和决策的重要工具。通过负荷预测，电力公司可以获得有关未来消费需求的信息，并有足够的时间来调整发电能力和负荷需求之间的差异。负荷预测有助于最小化发电成本，提高电力系统效率。传统上，采用工程方法在图表和表格的帮助下手动预测未来的需求。这些传统方法主要考虑了天气影响和日历影响。如今，这些特征仍然是用新方法建立负荷模型所需要的。
2、机器学习技术被广泛用于预测平衡发电和需求所需的功率或能量。随着技术的发展，深度学习也广泛应用于智能电网的负荷预测。尽管深度学习是机器学习的一个子集，但它比其他传统的机器学习算法更有用。它还促进了其他机器学习算法的使用结合人工神经网络，以获得更好的结果。例如，人工神经网络与决策树、随机树、支持向量机、k-近邻等机器学习算法相结合，在电力管理、负荷预测等方面取得了较好的效果。
3、但是，目前的方法面对较为复杂的特征信息，无法准确识别特征的耦合关系以及每组数据之间的时序信息。针对负荷数据如何输入，如何处理的问题还需进行研究。
技术实现思路
1、为了解决负荷预测中时序数据特征信息冗杂，根据负荷数据特点，本专利技术提出了一种嵌入长短期记忆细胞的编码器(l-ed)负荷预测方法。该
2、本专利技术解决其技术问题所采用的技术方案是：一种嵌入长短期记忆细胞的编码器负荷预测方法，包括以下步骤：
3、步骤1、获取负荷数据集：采集相关参数组成时间序列；
4、步骤2、数据的划分和预处理：将采集的数据划分为训练集测试集，并对所提取的特征数据进行标准化处理，便于模型进行处理和运算；
5、步骤3、建立并行模型并训练：建立编码器和解码器，分别将划分好的数据输入模型进行训练；
6、步骤4、模型表现评估：建立全局模型和全局机理模型，分别输入测试样本子集得到输出变量，比较预测性能。
7、进一步的，所述步骤1的具体过程如下：
8、在电力系统正常运行状态下，测量收集温度、天气评价、时间以及节假日参数，组成时间序列。
9、进一步的，所述步骤2的具体过程如下：
10、步骤2.1：将数据集划分为测试集和训练集；
11、步骤2.2：对数据进行标准化处理，公式如下：
12、
13、式中，x′是经标准化处理后的数据，x是未经标准化处理的原数据，μ是数据的均值，σ是数据的标准差。
14、进一步的，所述步骤3的具体过程如下：
15、步骤3.1：建立lstm编码器
16、编码器针对包含天气、时间和负荷本身的历史数据xlag＝{xt-lag,…,xt-1}采用lstm模块进行编码，lstm模块对于某一组输入信息xt会将其依次输入输入门、遗忘门和输出门：
17、it＝σ(wi[ht-1,xt]+bi)
18、ft＝σ(wf[ht-1,xt]+bf)
19、
20、ot＝σ(wo[ht-1,xt]+bo)
21、后得到两种记忆状态：
22、
23、ht＝ottanh(ct)
24、式中wi、wf、wc、wo分别表示输入门、两种遗忘门和输出门的权重，bi、bf、bc、bo分别表示输入门、两种遗忘门和输出门的偏置，it、ft、ot分别表示输入状态、两种遗忘状态和输出状态。ht-1表示上一时刻的输入；ct表示长记忆状态，ht表示短记忆状态。σ表示sigmoid激活函数，tanh表示tanh激活函数；
25、步骤3.2：建立lstm解码器
26、解码器由lstm模块、拼接模块、残差模块和注意力模块组成；其中：
27、lstm模块承接编码器中lstm模块的记忆状态作为初始输入记忆，解码器中的lstm模块承接未来信息；
28、残差模块的加入使深层网络保留了浅层网络中的部分信息，模型整体减少了过拟合现象的发生；一个残差块表示为：
29、xa+1＝h(xa)+xa
30、式中h表示xa所经过的网络层运算；
31、拼接模块承接编码器的输入和解码器lstm模块的输出，将两者在对应维度有序结合为包含历史信息和未来信息的高维特征序列；
32、注意力模块使用点积注意力机制对高维特征序列重组，将输入的矩阵q、k、v根据q与k之间的匹配度对v进行加权，公式如下：
33、
34、其中，dk表示q的维度。
35、进一步的，所述步骤4的具体过程如下：
36、模型的效果检验采用均方差误差(rmse)作为评估指标，rmse的值越小，模型的预测效果越好，指标计算公式如下：
37、
38、式中，yi表示真实数据，表示模型的输出，k表示测试集包含样本个数。
39、通过采用上述技术，与现有技术相比，本专利技术的有益效果如下：
40、本专利技术模型采用编码-解码结构，综合使用历史信息和未来信息；同时，lstm机制将数据间的时序特性充分提取，并通过点积注意力机制对信息进行重组，加重重要信息权重；提高了负荷预测的准确度，有利于电厂对用电量的合理调度。
本文档来自技高网...【技术保护点】
1.一种嵌入长短期记忆细胞的编码器负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的缺陷检测机器人，其特征在于，所述步骤1的具体过程如下：
3.根据权利要求1所述的缺陷检测机器人，其特征在于，所述步骤2的具体过程如下：
4.根据权利要求1所述的缺陷检测机器人，其特征在于，所述步骤3的具体过程如下：
5.根据权利要求1所述的缺陷检测机器人，其特征在于，所述步骤4的具体过程如下：
【技术特征摘要】
1.一种嵌入长短期记忆细胞的编码器负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的缺陷检测机器人，其特征在于，所述步骤1的具体过程如下：
3.根据权利要求1所述的缺陷检测机器人，其...
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。