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】
本专利技术属于电力负荷预测,涉及一种基于fp-growth-bilstm组合模型的短期电力负荷预测方法。
技术介绍
1、电力负荷作为电网中重要的组成成分,而电力负荷预测影响电力系统的安全经济运行。通过电力负荷预测有效地降低发电成本,提高企业的经济效益,还可以知道企业制定交易策略等。电力负荷预测分为长期、中期及短期电力负荷预测。短期电力负荷预测是指对未来几个小时或几天的电力负荷进行预测。
2、对电力负荷进行预测,当前的研究获得较大的进展。常规的电力负荷预测手段有时间序列法、回归分析法以及指数平滑法等。电力负荷常常处于不同的环境中,容易被各种影响因素干扰,产生的数据一般都是波动性大、没有明显规律性,所以使用上述常规方式来处理电力负荷存在较大的不足。一旦原始数据集的分布不满足模型对数据的要求,模型预测结果就会不准确。随着计算机技术不断发展,人工智能及机器学习被广泛应用于负荷预测领域。循环神经网络(recurrent neural network,rnn)是一种针对序列输入而设计的网络结构,原理上可以处理任意长度的时间序列,但输入序列过长会产生梯度消失与梯度爆炸的情况。长短期记忆神经网络(long short-term memory,lstm)是基于rnn改进的神经网络,其优点在于不仅继承了rnn在序列问题预测中的优势,而且该算法解决了rnn对间隔距离过长数据无法记忆的缺点,有效解决了梯度消失和梯度爆炸问题。
3、双向长短期记忆神经网络(bidirectional long short-term memory,b
技术实现思路
1、为了达到上述目的,本专利技术提供一种基于fp-growth-bilstm组合模型的短期电力负荷预测方法。在本专利技术中,bilstm提高电力负荷数据内部规律的能力,建立iwoa-bilstm网络模型,采用改进鲸鱼优化算法求取bilstm神经网络模型的超参数最优解,将超参数赋予所述bilstm网络结构,在bilstm中引入注意力机制,结构上选择在bilstm和输入层之间加入一层attention层,attention机制可以为相关性高的输入向量如遇更高的权重,最后通过全连接层输出预测值。
2、为实现上述目的,本专利技术提供如下的技术方案:一种基于fp-growth-bilstm组合模型的短期电力负荷预测方法,包括以下步骤:获取电力负荷数据和气象数据,通过fp-growth算法得到电力负荷和气象因素的关联分析。对原始数据进行预处理,包括数据缺失处理、异常数据检测与处理及数据归一化。采用改进鲸鱼优化算法寻找对bilstm网络结构的最优超参数,将最优超参数赋予所述iwoa-biltsm网络结构,对短期电力的负荷进行预测。
3、优选地,所述fp-growth算法对电力负荷数据和气象数据进行关联分析包括:
4、步骤1:扫描事务数据库d。
5、步骤2:预设置最小支持度与最小置信度,其中支持度和置信度计算公式如下表示为:
6、
7、
8、支持度是指项集a和项集b同时出现的概率。
9、
10、置信度是值同时包含a和b的事务占包含a的事务的比例。
11、步骤3:从d中挖掘满足条件的频繁项集,计算d中每个项的支持度ssupport(a,b)。判断ssupport(a,b)是否小于最小支持度?若是,将该项加入频繁项集;否则,删除该项。按照置信度大小进行降序排列,生成项头表。
12、步骤4:构造fp-growth结构:1)创建根节点;2)遍历频繁项集中的每项事务;3)把每项事务映射到fp-growth结构中;
13、步骤5:构造条件fp-growth。
14、步骤6:基于条件递归挖掘,产生频繁项集。
15、步骤8:从频繁项集中产生关联规则,即气象因素与电力负荷之间的关联规则。
16、优选地,所述改进的鲸鱼优化算法寻找最优超参数的方法包括:
17、猎物包围捕食阶段是该算法是寻找最优解的一种位置更新策略,其公式如下:
18、
19、
20、其中,i为当前迭代的次数,为其鲸鱼同伴位置向量,为当前最优解的鲸鱼位置向量,其鲸鱼同伴的i+1次迭代的位置向量为其中是系
21、数向量,其公式如下:
22、
23、
24、其中,为随机向量,其取值范围[0,1]之间,是一个控制参数,它与迭代次数有关,是线性递减的。其公式如下:
25、
26、其中,max_iter是最大迭代次数。
27、气泡网攻击阶段由两种行为构成,其公式所示:
28、
29、其中,非线性收敛因子公式所示:
30、
31、其中,t为总迭代次数,i为当前迭代次数,μ和β是其表达式相关参数,选取μ=2,β=0。
32、最优地,所述改进鲸鱼优化算法包括自适应权重策略,公式如下:
33、
34、
35、其中,p为0到1之前的随机值。
36、最优地,所述改进的鲸鱼优化算法包括反向学习方法,所述包括:
37、初始化的反向学习的公式如下所示:
38、
39、其中,l为该算法的参数下界,u为该算法的参数上界,为随机初始化位置。最优地,所述改进的鲸鱼优化算法还包括随机反向学习方法,所述公式如下:
40、
41、其中,l为该算法的参数下界,u为该算法的参数上界。
42、最优地,所述建立iwo-bilstm-attention网络模型包括:
43、初始化iwoa-bilstm网络模型结构,根据iwoa-bilstm网络结构的输入及输出,确定所述iwoa-bilstm网络结构的输入层与输出层节点数,iwoa-bilstm网络模型结构将预处理后的电力负荷数据和对应的气象因素进行特征提取,并获取所述iwoa-bilstm网络模型结构的隐层状态的不同权重。
44、在bilstm中引入注意力机制,结构上选择在bilstm和输入层之间加入一层attention层,对bilstm隐含层输出信号分配不同的权重参数,提升模型对关键信息的学习能力,降低模型的预测误差。在加入注意力机制的结构中,是对bilstm的输出向量进行权重计算,然后对bilstm输出向量相乘得到输出向量,最后通过全连接层得到预测结果。
45、最优地,所述将最佳超参数赋予iwoa-bilstm-本文档来自技高网...
【技术保护点】
1.一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法,其特征在于,所述一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法步骤包括:
2.根据权利要求1所述的一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法,其特征在于:所述S1中,FP-Growth关联算法具体步骤如下:
3.根据权利要求说明书1所述的一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法,其特征在于:所述S2中,数据预处理具体步骤如下:
4.根据权利要求1所述的一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法,其特征在于,所述S3中,改进鲸鱼优化算法具体步骤如下:
5.根据权利要求1所述的一种基于FP-Growth算法组合模型的短期电力负荷预测方法,其特征在于:所述S3中,改进鲸鱼优化算法还包括自适应权重策略,所述自适应权重公式如下:
6.根据权利要求1所述的一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法,其特征在于:所述S4中,
7.根据权利要求1所述的一种基于FP-Growth-BiLSTM组合模型的短期电力负荷预测方法,其特征在于:所述S5中,建立IWOA-BiLSTM-Attentin网络模型具体步骤如下:
...【技术特征摘要】
1.一种基于fp-growth-bilstm组合模型的短期电力负荷预测方法,其特征在于,所述一种基于fp-growth-bilstm组合模型的短期电力负荷预测方法步骤包括:
2.根据权利要求1所述的一种基于fp-growth-bilstm组合模型的短期电力负荷预测方法,其特征在于:所述s1中,fp-growth关联算法具体步骤如下:
3.根据权利要求说明书1所述的一种基于fp-growth-bilstm组合模型的短期电力负荷预测方法,其特征在于:所述s2中,数据预处理具体步骤如下:
4.根据权利要求1所述的一种基于fp-growth-bilstm组合模型的短期电力负荷预测方法,其特征在于...
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。