【技术实现步骤摘要】
本申请属于电费收入预测领域，特别是涉及一种基于超参数优化的cnn-bilstm串行神经网络电费预测方法。
技术介绍
1、电费收入是电力企业营收的主要组成部分，也是电力营销和财务管理的重要内容，基于准确的电费收入预测，电网公司可以更好地规划现金流资金，为公司制定项目预算、优化成本结构、精准高效融资提供可靠依据。当前用于电费收入预测的主要方法包括：1.利用各类企业报表，结合经验通过人工判断来进行预测，但此方法严重缺乏科学依据；2.采用人工智能算法，但此类算法模型较多，预测效果参差不齐，模型在应用时往往只考虑电费数据在不同时间维度上的特征，而忽略空间上的局部特征，对数据挖掘的深度不够，除此之外，模型的运行调参也较为麻烦，人工调参需要消耗大量的时间成本才能得到相对满意的模型参数，当外部环境改变引起数据特征发生变化时，还要不断重复调参更新模型。
技术实现思路
1、本申请实施例提供一种基于超参数优化的cnn-bilstm串行神经网络电费预测方法，解决现有算法在数据挖掘的深度以及计算耗时的问题。
...【技术保护点】
1.基于超参数优化的CNN-BiLSTM串行神经网络电费预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于超参数优化的CNN-BiLSTM串行神经网络电费预测方法，其特征在于，所述CNN-BiLSTM模型包括CNN输入层和CNN隐含层，设置CNN隐含层包含2个卷积层，每层分别包含一个卷积计算操作和一个池化聚合操作，用于提取局部特征，卷积核参数共享，池化方式为平均池化，激活函数选择RELU，数据经过第二卷积层的池化处理后进行一次展平操作。展平后的一维数据输入BiLSTM模型，设置BiLSTM模型为单层结构，包含两个LSTM层，分别用于提取过去...
【技术特征摘要】
1.基于超参数优化的cnn-bilstm串行神经网络电费预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于超参数优化的cnn-bilstm串行神经网络电费预测方法，其特征在于，所述cnn-bilstm模型包括cnn输入层和cnn隐含层，设置cnn隐含层包含2个卷积层，每层分别包含一个卷积计算操作和一个池化聚合操作，用于提取局部特征，卷积核参数共享，池化方式为平均池化，激活函数选择relu，数据经过第二卷积层的池化处理后进行一次展平操作。展平后的一维数据输入bilstm模型，设置bilstm模型为单层结构，包含两个lstm层，分别用于提取过去和未来的时序特征，两个lstm层的输出结果合成为bilstm输出值，输出值归一化还原后得到cnn-bilstm模型的电费预测值。
3.根据权利要求1所述的基于超参数优化的cnn-bilstm串行神经网络电费预测方法，其特征在于，所述特征数据集a中的特征数据与待预测时间段的特征数据均包括年、月、日、星期、短信催费日、采暖期、法定节假日，其中年、月、日、星期为自然发生的时间特征，短信催费日、采暖期、法定节假日为根据政策规定得到的包含固定业务属性的时间特征，全部7种特征数据均为已知数据。
4.根据权利要求1所述的基于超参数优化的cnn-bilstm串行神经网络电费预测方法，其特征在于，将特征数据集a中的全部历史特征数据与电费收入数据集d中的全部历史电费收入建立一一对应关系形成数据库，数据库共包含8列数据，前7列为特征...
【专利技术属性】
技术研发人员：郭昊天，吕旭沉，刘雅鑫，芦姗，臧佳欣，
申请(专利权)人：国网吉林省电力有限公司延边供电公司，
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。