【多因素输入的LSTM模型在电力系统负荷预测中的实证14000字(论文)】_第1页
【多因素输入的LSTM模型在电力系统负荷预测中的实证14000字(论文)】_第2页
【多因素输入的LSTM模型在电力系统负荷预测中的实证14000字(论文)】_第3页
【多因素输入的LSTM模型在电力系统负荷预测中的实证14000字(论文)】_第4页
【多因素输入的LSTM模型在电力系统负荷预测中的实证14000字(论文)】_第5页
已阅读5页,还剩23页未读, 继续免费阅读

付费下载

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

绪论由于电能存在很难大量存储以及电力需求时刻变化等特点,需要做到汽轮机发电应该与负荷的改变实现动态平衡(李天宇,张晨曦,2022)。提高负荷预测精确度对提高发电设备的利用率和经济调度的有效性与可靠性有着重大收益,特别是在市场化改革之后,电力供应需求处于实时交易平衡的状态,中短期的负荷预测精准度越来越重要(李天宇,张晨曦,2022)。另一方面,随着电网需求不断的扩张,这确切地体现出了并网设备的逐渐增加,信息化程度便不断提高,智能电网调度系统对负荷的采集频率和数据准准度也需要不断提升,为负荷特性分析和负荷预测提供了高质量、多样化的数据集,为深度学习的研究和建模提供了宝贵的数据基础(王欣怡,刘宇翔,2023)。神经网络作为海量机器学习模型中的一种,已经存在了50多年。神经网络来源于哺乳动物大脑中生物神经元,其基本框架的构建早在二十世纪八十年代中期就已基本完成,但由于当时计算机计算能力的限制,神经网络的发展进程受到了很大影响。随着计算机硬件设备以及软件的快速更新发展,计算速度不断提升,神经网络的发展也在飞速发展,综合现有结果我们得出了以下推论深度学习在这样的大环境下脱颖而出,并赢得了一-席之地,如今,在有机器学习的地方都能看到深度学习的身影(陈雨泽,赵佳琪,2021)。近年来,深度学习不断发展并在算法领域不断取得重大突破,目前许多成功案例证明了循环神经网络(RecurrentNeuralNetwork,RNN)对蒸汽负荷预测有着很好的效果,它不仅可以像神经网络那样对特征进行学习,挖掘数据不同的分布式特征,而且它的神经元具有记忆与传递记忆的功能,这在一定层面上证明使得--些影响因素可以加以利用(李飞,孙思琪,2021)。但是RNN也有着很明显的缺陷,因为大量的数据样本,导致RNN只能进行短期记忆,当数据为长时间序列数据,会引起梯度消失的状况,从而导致较长时间以前的数据的遗忘,所以RNN并不适用于长时间序列中(周节,黄亭和,2021)。提高中短期蒸汽负荷预测的预测精准度,对电网与汽轮机的安全运行有着重要意义。所以本文采用深度学习中的长短期记忆网络(LongShort-TermMemory,LSTM)模型来进行蒸汽负荷预测。蒸汽负荷影响因素分析蒸汽负荷的变化会与许多因素相关联,为保证蒸汽负荷预测精度,需要分析这些因素的影响。影响负荷预测因素的选取负荷具有众多的影响因素,虽然在负荷预测的过程中存在一些通用的影响因素,但是负荷还具有一定的地域性,例如经济发达地区的负荷定会高于经济落后的地区,人口密集地区的负荷一定会大于人口稀疏的地区(杨浩然,高文博,2021)。这在一定程度上凸显出因此,负荷的影响因素会因为地域的不同而发生变化,所以在进行负荷预测之前需要对影响因素进行分析与筛选,以此来选出影响较大的影响因素,提高负荷预测的精度(刘辰,王乐婷,2021)。在设计阶段本文强调跨学科的合作,通过整合不同领域的专业知识提高了设计方案的全面性和创新性,这种做法使得研究团队能够及时响应新出现的问题,并根据实际情况灵活调整研究路径。目前关于负荷影响因素的选取主要存在以下两问题。一个是影响因素的选取是否全面的问题,即预测之前是否已经对负荷的影响因素进行全面的考虑:二是影响因素选取的准确性,在此类情况下即选取的影响因素是否会真正的对负荷产生影响(赵晨辉,马睿杰,2021)。所以,在负荷预测之前需要完成对影响因素的选择与初步处理。通过对专家学者的研究成果的分析和实际情况的调研,对中短期负荷预测的主要影响因素总结如下(李俊杰,张雅楠,2021)。(1)日期类型方面负荷具有明显的周期性,在不同的日期类型的用电负荷与变化趋势也会存在明显的区别。对于工作日与非工作日来说,工作日的负荷要明显高于非工作日的,对于节假日来说,负荷会明显不同于正常日期(许志鹏,吴雪萍,2021)。图2-1为文献[1]中所举山西省年中工作日与非工作日的电力负荷对比,电力负荷对汽轮机蒸汽量有直接影响,因此日期会对蒸汽负荷预测产生影响。本文细致对比了本研究得出的主要结论与该领域内已被认可的理论,以验证其合理性和逻辑严密性。图2-1工作日与非工作日负荷对比曲线(2)天气情况在汽轮机并网的情况下,蒸汽流量或蒸汽瞬时质量会随着电网负荷而改变。而在电网运行过程中,不同的天气状况会造成不同程度上负荷的变化,同时这也是对电网安全运行的一种保障(陆婉婷,黄昊然,2021)。例如2004年8月12日,“云娜”台风在浙江登陆,损坏的环线电路达到3342km。这一发现与理论上的预测基本一致,表明在既定条件下,实际情况与理论模型之间具有高度的一致性。受这次台风影响,在这等情况下浙江电网500kv系统线路跳闸68次,主变压器跳闸5万次,这样会导致汽轮机负荷突然减小,转速加快,蒸汽量减少。并且例如高温天气或者气温突降会导致人们开启空调等一系列降温设备,这就会增加汽轮机的负荷,使蒸汽量增加(周宇,陈慧玲,2021)。(3)历史负荷历史负荷是蒸汽负荷预测中最重要的一环,所以在预测之前,选取历史负荷指标也是需要考虑的方面,本文选取18个用户的瞬时质量,温度,天气,日期及要预测点的历史压力负荷来预测管口蒸汽压力这个输出(王诗,杨煜晨,2021)。(4)其它因素影响当然,汽轮机的负荷也会受其他因素的影响,例如2020年疫情期间,因为受到疫情影响导致企业及工厂的大规模停工与倒闭,从这些规定可以认识到导致电网的负荷下降,也会使蒸汽流量产生较大变化。当然群众疫情在家会增加民业用电的增加,但这与工业用电相比相差甚远。电网的负荷也会收到当地或者国家的重大活动影响,所以这些随机的社会因素也不可以被忽略,也要算作预测的输入变量的考虑范围之内(张思源,李博文,2021)。经过以上分析,关于蒸汽负荷预测的影响指标选取见下表2-1所示表2-1蒸汽负荷影响因素的选取类别指标温度类管口实时温度日期类型工作日双休日天气类晴天多云小雨中雨大雨暴雨蒸汽压力历史负荷类被预测点管口蒸汽压力续表2-1蒸汽负荷影响因素的选取瞬时质量管口的瞬时质量皮尔森相关性分析皮尔森相关系数在统计学中,皮尔森相关系数(Pearsoncorrelationcoefficient),也被称皮尔森积矩相关系数(Pearsonproduct-momentcorrelationcoefficient),是用于计算两个变量X和Y之间的相关程度(线性相关),其值介于[0,1]区间之内。因此,促进不同背景的研究人员协同工作,从多样化的角度和层次分析问题,可以带来意想不到的创新成果。假设有两个变量X、Y,两个变量之间的皮尔森相关系数定义为两个变量之间的协方差和标准差的商,公式如下(黄瑜,马悦琳,2021):(2-1)(2-2)(2-3)(2-4)式中:表示的是X,Y的相关性;E表示的是数学期望:表示的是样本的标准差;表示的是X的期望值;cov表示的是协方差;N表示的是变量个数;分别表示X和Y的平均值(赵雅慧,刘弘宇,2021)。公式(2-1)与公式(2-4)之间是相互等价的。所以可以经过计算得到皮尔森相关系数,可以得到两个变量之间的相关性:当皮尔森相关系数为0,说明X,Y两个变量无关。当皮尔森系数在0.00~1.00之间,说明X,Y两个变量成正相关。当皮尔森在-1.00~0.00之间,说明X,Y两个变量成负相关。本项研究不仅确认了当前理论框架的有效性,还揭示了实践运用中可能存在的缺陷与改进空间。通过深入分析实际状况,本文发现现有理论在不同情境下的应用成效存在差异,这促使本文进一步思考如何根据具体情况调整并优化理论架构,以增强其实用性和参考价值。皮尔森相关性分析中变量的相关性是由变量的相关系数的绝对值大小决定的,相关系数的绝对值越大证明两个变量的相关性越强,相关系数的绝对值越小证明两个变量的相关性越弱,强弱关系如表2-2所示(李佳怡,王旭东,2021):表2-2皮尔森相关性强弱范围参数范围0.0~0.20.2~0.40.4~0.60.6~0.80.8~1.0相关性极弱或无相关弱相关中等相关强相关相关极强影响因素的量化处理在对影响蒸汽负荷预测影响因素的收集与编辑的过程中,得到的影响因素基本上都是以文字的形式进行描述的,从这些意见中看出虽然这样在观察时会比较简单明了,但是在机器语言的识别中会造成出现识别困难或者是无法识别的情况,这种情况就需要把影响因素进行数量化,转换成机器可以识别的语言,在这种结构下图表2-3表示出了相关影响因素的编辑格式,因为温度因素与蒸汽瞬时质量收集的时候就是数字形式的,所以可以不加处理,但其它因素,例如天气与日期类型则需要进行量化处理(陈和,孙艺璇,2021)。表2-3蒸汽负荷预测影响因素的收集格式瞬时质量温度天气日期类型压力0.194184.5晴天休息日0.9950.197184.2多云休息日0.9890.204184.3小雨休息日0.9870.19184.6中雨休息日0.9920.202184.5大雨工作日0.997(1)时间时间可以不进行量化处理。(2)瞬时质量瞬时质量可以不进行量化处理。(3)温度温度可以不进行量化处理。(4)天气天气类指标对天气分为了6种类型,分别为晴天、多云、小雨、中雨、大雨、暴雨,所以将其进行量化,例如晴天量化为1,多云量化为2,小雨量化为3,中雨量化为4,大雨量化为5,暴雨量化为6.表2-4天气类型量化编辑天气晴天多云小雨中雨大雨暴雨量化数值123456(5)日期类型日期类型指标需要对休息日,工作日来进行相应的量化处理,例如将休息日量化为1,工作日量化为2,量化明细表如图2-5所示。表2-5工作日期类型量化编辑日期类型双休日工作日量化数值12皮尔森相关性分析情况本章2.2节分析了很多影响蒸汽负荷预测的影响因素,这时就需要对他们进行相关性分析,来分析他们之间对变化之间的相关性,并且以此来选择并且确定用那些因素来作为输入参数(郑子韬,周慧琳,2021)。在此基础上,本文参考了现有的方法体系来构思计算途径,并进行了合理简化,以提升其实用效能和便捷性。采用上海某闵行工业园热网采集系统的数据,并且用皮尔森相关性分析,在这种安排下判断所选取的蒸汽负荷影响因素对蒸汽负荷所产生的影响。采用spss25.0来进行分析5个因素对上海某闵行工业园热网采集系统,相关性分析表如下表2-6所示(刘佳慧,王一鸣,2021)。表2-6spss软件得到皮尔森相关性瞬时质量温度天气日期类型压力瞬时质量1温度.171**1天气.028**-.046**1日期类型-.159**-.035**-.014**1.*历史负荷-.177**-.077**.063**.161**1**.在0.01级别(双尾),代表相关性显著。根据表2-7所示,得到以结论:(1)瞬时质量由表可以得知瞬时质量与历史负荷显著相关,程度较弱。(2)温度由表可以得知温度类型影响因素与历史负荷显著相关,程度较弱。(3)天气在天气类型的相关因素影响中,可以看出显著相关,当程度较弱。(3)日期类型由表可以得知日期类型与历史负荷负荷数据显著相关,但程度较弱。本章小结本章对蒸汽负荷预测影响因素做出了分析,且根据上海某闵行工业园热网采集系统所提供的数据,提出了上海某闵行工业园热网采集系统的中短期负荷有可能出现的6类的相关影响因素。并且采用皮尔森相关性分析来对出现的的影响因素进行相关性分析(吴思雨,张语嫣,2021)。但在进行皮尔森相关性分析之前,需要对这些与蒸汽负荷相关的影响因素进行量化处理,并且用SPSS25.0软件来进行相关性分析,总体而言,本研究在理论探索和实践应用方面均取得了重要进展。本阶段的研究工作通过综合多学科的专业智慧、研究范式和技术工具,研究团队在众多领域上取得了突破性的成果。并用分析结果来确定相关程度,选取对上海某闵行工业园热网采集系统有很大影响的重要指标,这一章主要研究了需要考虑并加以处理的相关预测影响因素,为后面的蒸汽负荷预测奠定了一定的基础。蒸汽负荷数据的预处理因为在蒸汽负荷预测的过程中可能存在数据畸形与短缺的情况,这种误差导致负荷预测过程中产生较大波动,并影响负荷预测结果。因此,这一章着手数据畸形与短缺的原因、特征,处于这般情境时并提出解决办法,本文利用spss25.0来进行缺失数据的插补(孙佳琪,李月怡,2021)。畸形数据的概念与类型畸形数据从蒸汽负荷预测的角度来讲,加入有一些数据违背了负荷曲线的大概规律,那么畸形数据会对预测结果产生误差影响,这些点被称为畸形数据。本文的研究不仅验证了现有理论的准确性和实用性,还推动了相关领域的知识创新与发展,为未来的研究和实践提供了有益的借鉴。汽轮机系统的蒸汽压力负荷数据主要是通过工业园区热网采集系统来进行获取数据的,获取数据的过程分为数据的采集,数据的记录以及数据的传输,但当这其中任何一环出现问题时,都会导致数据的错误采集、重复采集、数据缺失或者数据的突增或者突减,而且,从这些迹象中显而易见还会有其他因素会导致采集数据的异常(黄晨宇,赵佳欣,2021)。根据上述情况,通常会将畸形数据分为一下几类:(1)缺失数据通常缺失数据为采集的数据消失或者为零的情况。数据消失或者零数据产生的主要因素是因为电力系统导致的,电力系统的停电维修或者其他因素导致的电力系统故障导致一段时间数据的消失(杨颖博,王宏宇,2021)。现有结果足以支持我们推出这些数据会被模型当作是真正的负荷数据,这就会对负荷预测结果造成影响,这种情况就需要在负荷预测之前进行消失数据的填充。本文的研究不仅验证了现有理论的准确性和适用性,还推动了相关领域的知识更新和发展进程,为未来的研究和实践提供了有益的参考蓝图。(2)突变数据突变数据指的是蒸汽负荷在普通运行时,发生不可控的的突发事件造成某时刻的蒸汽负荷的突增和突减现象,可将突变数据分为两种类型(王梓浩,王子杰,2021),:1)冲击型数据导致冲击性数据的情况分为以下几类:经济政治重大事变、社会突发类事件、自然灾害等。但是这种数据可以进行解体,这在一定层面上证实了分解成正常型与特殊因素造成的变异型数据。2)带毛刺的负荷数据通常带有毛刺的负荷数据是指在某个时间序列中或一段时间点内有数据的突增或者突减的情况,这种突然增大或者突然减小的负荷点就被叫做毛刺(李思齐,黄俊凯,2021)。在与同行研究的对比中,作者发现尽管在具体成果的表述上可能存在微小差异,但核心结论和趋势均高度一致,这进一步提升了本研究结论的可靠性。数据预处理流程对不同的工程问题,数据预处理没有标准的流程和方法。常用的数据预处理流程为:处理空值、数据标准化和归一化以及特征选择。(1)处理空值空值处理的方法有三种(李雅琳,张志豪,2021):直接使用含有空值的特征、删除掉含有空值的特征(该种方法在空值较多,从这些描述中揭示而有效值较少的情况下比较有效)以及空值补全。最常用的是空值补全,补全方法主要包括:均值补全、同类均值补全、建模预测补全、高维映射补全、多重补全、极大似然估计补全、压缩感知补全以及矩阵补全。前述成果在一定程度上佐证了本文预先建立的理论架构。初步的研究数据与理论预期保持了较高的一致性,验证了理论模型中机制的有效性。1)均值补全如果样本属性距离可测量,那么可以使用该组数据的平均值来进行插值补全:如果样本距离不可测量,那么可以使用该组数据的众数进行插值补全,但是该方法有时候会引起数据倾斜,导致数据挖掘的效果不好(王文泽,赵欣妍,2021)。2)同类均值补全将所获得的样本进行分类,这确切表明了情况然后使用同类的样本均值对空值进行填补,称为同类均值补全。3)建模预测补全将缺失的数据作为预测对象来进行预测,使用机器学习算法对待预测对象进行预测。这种方法的缺点在于,如果缺失值和其他值无关,则预测结果没有实际意义:如果缺失值非常准确,说明该缺失值的缺失对现有数据集并没有实际影响。实际情况一般介于两种情况之间(刘秋婷,周昕悦,2021)。这些实践数据使研究能够识别并理解理论模型在应用于实际情况时可能遇到的挑战和偏差。4)高维映射补全使用属性值one-hot技术将属性映射到高维空间,将K维的扩展到K+1维,如果属性值丢失,那么将扩展后的K+1维设置为1。5)多重补全多重补全是指对空值进行估计,其中能看得然后加上不同的白噪声形成多组候补值,然后通过制定的选择规则,选出最佳的插补值(陈浩宇,王思博,2021)。6)手动补全根据专业人员对相应领域的理解,可以在空缺值中补全主观估计值,这样的值可能不能完全与实际相符,但是实际应用中往往这种方法效果都比较好。此方案的检测工作本文从理论探讨与实际检验两方面着手。在理论探讨部分,深入分析了该设计的核心原理及预设成果,并通过建立理论框架和逻辑推导为后续分析奠定了理论基础。数据的归一化处理数据标准化是指将所得到的样本数据缩放到指定的范围区间内。在机器学习中很多算法对样本数据有均值和方差的要求。这在一定层面上传递了除此之后,标准化可以消除不同属性数据之间因为量纲不同而导致的误差,一般情况下,数量级较大的属性在训练中起主导作用,同时会使机器学习算法迭代收敛的速度减慢,因此需要在训练之前将数据进行标准化(林思哲,杨俊杰,2021)。本文通过融入更加新颖的设计理念,它实现了效率的飞跃与错误率的锐减,从而大幅度提升了整体的可执行度。负荷数据归一化指对每一个数据样本的属性,假如负荷数据中最大的值与最小值分别为与,那么初始数据通过公式3-1来标准化到[0,1]区间之内的。(3-1)这在某种程度上确认了在LSTM模型通过训练得到了蒸汽负荷预测模型之后,需要将数据进行反归一化,反推回负荷数据预测值,公式如3-2所示(王家伟,邱慧敏,2021)。(3-2)上式中,代表着预测数值,代表着归一化后的预测数值,为保证属性值不同的数据得到相同规范,所以归一化采用统一标准。利用spss进行缺失数据的多重插补多重插补是指以某种插补方法为基础,引入随机项,对数据产生多个不同的插补结果,在形式上是一种贝叶斯方法(李晨曦,胡晓波,2021)。虽然本研究受到了何其飞教授工作的启发,但本文也在多个环节中融入了自己的创新点,在研究设计阶段采取了更为灵活多样的数据收集方式;在数据分析过程中探索了不同变量之间的复杂关系,旨在使研究不仅具有理论价值,也具备一定的实践指导意义。多重插补在MCAR、MAR和MNAR类型的数据中几乎总是首选的插补方法,被评价为“最先进”的插补方法。3.3.1多重插补理论多重插补一般分为三个阶段,这从一个侧面说明了分别为指定插补模型、选择插补次数、分析与合并。1)指定插补模型在指定插补模型时,建议纳入3类变量,分别为理论上感兴趣的变量、缺失机制相关的变量、缺失数据变量的相关的变量,这三类数据可以辅助多重插补。但是辅助变量选择的过程中,需要选择与主变量相关系数在0.4以上的辅助变量纳入模型(赵和,范佳慧,2021)。2)选择插补次数选择插补次数时,这在一定层面上揭示需要判断数据的复杂性,如果数据为简单数据,推荐20次或者25次以上的插补。当数据为进阶复杂时,插补次数应该与缺失信息分数相关联,当为0.1、0.3、0.5、0.7和0.9时,对应的插补次数为20、20、40、100和大于100次3)分析与合并每一种统计分析都需要对各个插补结果单独进行,将每个插补在同一次分析上的统计结果进行数学合并,这在一定角度上表达了因为软件的发展,现在多数软件已经能够自动对使用多重插补数据集的统计结果进行合并,无需动手操作,spss支持此项功能。但是合并方法并不完善,部分统计方法的结果暂时无法合并。这种拓展也为本文提供了新的研究视角与启发,有助于推动该领域理论的持续进步。本研究同样强调理论与实践的结合,通过解决实际问题验证了理论的可行性与实用性,为相关领域实践提供了坚实的理论支撑。spss软件插补应用1)建立变量试图将所要插补的数据输入变量视图,并定义数据格式如下图3-1所示。图3-1spss变量视图设置并将测量设置为标度,这样就可以进行多重插补数据缺失值、需要设置变量、方法、约束、输出,变量设置如下图3-2,方法设置如下图3-3,处在这个局面下约束设置如下图3-4,输出设置如下图3-5所示(何博文,张梦婷,2021)。在此基础上,本文结合研究主旨,精心规划了一套科学的研究设计,包括数据收集方式、样本选取原则及分析架构。图3-2插补缺失数据值变量设置将变量导入模型中的变量,并将插补值选择为20,当插补值为1时,插补方式为随即插补,不符合本次数据处理要求,并设置本次数据集名称为QWE。图3-3插补缺失数据值方法设定将自动切换到定制模式,根据这种情形并勾选完全条件制定方法,并防止拟合不出曲线,增加最大迭代次数,将其改为50次,并勾选包括分类预测变量之间的双向交互,因为目前大部分分析软件都选择预测平均值匹配PMN作为默认方法,所以此处选择PMN。图3-4插补缺失数据值约束设定约束设定主要目标是设定模型的变量所表示的角色,根据现有背景在这里即全部设定为插补并用作预测变量(王浩然,杨雪丽,2021)。图3-5插补缺失数据值设定在这里选择选择插补模型作为插补数据的输出方式(张亭合,刘妍妍,2021)。本章小结本章主要对蒸汽负荷数据进行预处理,对数据可能产生的错误类型进行总结并提出解决方法。以上海某闵行工业园热网采集系统的实际蒸汽负荷数据为例,进行数据的插补,并将数据进行规范化处理,从这些因素可以推测以消除属性值不同而造成的误差(陈伟杰,王瑾萱,2021)。本文在研究方法上的革新体现在对过去工作成果的有效整合,以此来推动对这个主题的深刻理解。多输入影响因素的神经网络LSTM时间序列负荷预测相比于RNN,基于深度学习的神经网络LSTM,有其特有的算法和性质与优势,它尤其适用于中短期的蒸汽负荷预测,所以这一章在基于LSTM神经网络的理论基础上开展研究,并且开展建立在LSTM神经网络的基础下的蒸汽负荷预测模型,并将对其有着重要影响的众多负荷预测影响因素,这在某种程度上表示创建多输入影响因素的LSTM时间序列负荷预测模型,并将其进行编程来对上海某闵行工业园热网采集系统来进行中短期的蒸汽负荷进行预测,并进行验证(赵宇豪,许婉,2021)。LSTM(LongShort-TermMemory)模型概述LSTM又称长短期记忆神经网络,长短期记忆神经网络是由RNN(RecurrentNeuralNetwork)发展改进增加算法所得到的,其主要目的就是解决RNN神经网络中数据无法长期记忆数据与数据间有着互相依赖的问题,LSTM神经网络可以有效地记忆长期的数据,并且可以很轻松的调用记忆数据(吴俊杰,林婷怡,2021)。从这些证据中可以看出事实上LSTM神经网络通过数据训练所得的东西,并不完全与其长期记忆的数据相同,这是LSTM本身算法与结构决定的(许天翔,郑晓晴,2021)。不仅对既有的理论展开了更为深入透彻的剖析,还在此根基上开拓出全新的研究视角与分析架构。普通标准的RNN循环神经网络存在着梯度爆炸与梯度消失的情况,LSTM神经网络有效的解决了这样的问题,给神经网络的进步提供了很大的基础,他让神经网络可以长时间的记忆数据,这在某些方面表现出了并且不会出现数据信息衰减情况,LSTM神经网络靠自己特有的算法和结构在自然语言和数据攫取领域获得了巨大成功(刘志强,孙玲玲,2021)。长短期记忆网络的设计核心:在RNN循环神经网络的隐藏层(Hiddenlayer)添加一个可以把记忆数据信息从初始数据到末尾数据的数据单元状态w,以此来实现数据的长期储存(李俊豪,张韵霖,2021)。关于长期状态的控制则是通过LSTM包含的的三个“门”来实现,分别为输入门、输出门、遗忘门,这三个门来决定对每个神经单元的改变,并且决定上一个神经单元遗传多少信息给下一个神经单元,和此刻的神经单元保留多少信息遗传给下一个神经单元。本研究着重突出理论与实践的紧密融合,努力把抽象的理论应用到具体的实践问题解决过程中,以此验证理论的有效性和实用价值。这在某种程度上表征所以,长短期记忆网络的每一个神经元在有数据输入时,是可以对自己内部状态进行不断更新的,这样就可以持续提取有效信息。LSTM网络模型结构循环神经网络是由很多相同的神经单元模块组成的,但循环神经网络的机构比较简单时,但这个神经网络单元可能仅仅只有一个tanh神经层。长短期记忆网络与循环神经网络的大体结构是相似的,这在一定程度上凸显出但是LSTM结构不再是一个简单的tanh层,如图4-1为RNN内部结构,如图4-2为LSTM内部结构。在信息流程的设计层面,本文引用了经典的信息处理模型,保证信息从搜集、传送至分析的每个阶段都能高效且无误地运作。神经网络结构图中的每一条线象征着一个数据的传输,从一个神经元传递到下一个神经元:这在一定程度上透露了圆圈象征这加权(高思源,何小雪,2021);矩形代表着神经网络层;数据线的合并代表着数据传输的合并,而拆开代表着对数据的复制,并且传到不同的地方。图4-1RNN的内部结构图4-2LSTM的内部结构神经元的状态以及神经元状态的传送时LSTM网络的关键,神经元状态的传输为上面结构图中带有箭头的线,这无疑揭示了他们的作用就是进行数据信息的传输。这种传输的形式如下图4-3所示。在数据收集环节,本文应更重视样本的多样性和广泛代表性,确保样本能准确反映目标群体的特性。其中,代表时的输出与下一时刻的输入;而代表着时的输出(崔晓彤,周涛杰,2021)。图4-3神经元之间数据传输形式数据在传递的过程中需要对数据信息进行修补或者插删,这种功能可以由一种“门”来实现。这种“门”是由sigmoid神经层并且每一个点逐步相乘构成,用这种办法来实现数据信息的筛查,这在一定范围内显示了这种结构如下图4-4所示(杨昊天,孙佳琦,2021)。本研究的临时结果与以前的计算结果和文献综述结果显示出高度的一致性,这表明了本研究方法论的有效性和可靠性。图4-4sigmoid神经层门结构长短期记忆神经网络结构中,这确切地体现出了每一个神经网络层都会有输入门、输出门、遗忘门这三种结构来进行数据的维护与控制(王梓浩,王子杰,2021)。(1)遗忘门长短期记忆网络首先会对数据信息进行筛查,来选择信息是否可以通过这个神经元传输给下一个神经元,在这时遗忘门就派上了用场。比如假设遗忘门的输入分别为与,综合现有结果我们得出了以下推论而传递输出则是由下面公式4-1来计算,设输出为,并且这个输出是在[0,1]区间内,这表示了在时刻的输入传递而来的数据传递到下个神经元所占的比重,具体的结构下图4-5所示。这不仅帮助本文明确了研究问题的独特贡献点,也确保了本文的研究建立在充分理解现有知识的基础上,本文精心挑选了多种来源的第一手和第二手资料包括但不限于类似文献、官方报告等。长短期记忆网络来进行预测时主要是通过海量的历史数据来构建模型,并对下一个时间段进行负荷预测,这是每个神经元中都包含了相对应时间段的历史信息。但是例如日期类型的影响因素中,这在一定层面上证明当在预测周末的负荷时,就需要把工作日的历史负荷数据遗忘掉,因为工作日与双休日的负荷差别较大,但双休日与上一个双休日的负荷很像(陈瑞杰,黄晓玲,2021)。图4-5遗忘门机构)(4-1)公式中:代表这遗忘门的输出;表示sigmoid函数;代表着权重;代表着偏置。(2)输入门在经过遗忘门筛选数据之后,就是对神经元中的信息状态来进行更新,其中包括了两个关键步骤:第一步需要输入门中的sigmoid选择需要更新的数据,并用tanh层生成更新后的内容;这在一定程度上凸显出第二步便是将这两个部分相结合,这就完成了对神经元状态的更新,下图4-6表示输入门的结构,公式4-2为决定计算更新那些数据的公式,公式4-3为更新内容具体的公式(王子文,张梓涵,2021)。在实证层面,本文重新分析了原始数据,采用了多种统计技术和工具进行交叉验证,并引入外部数据集作为对照样本,力求排除任何可能影响结论准确性的因素,确保研究发现的可靠性和广泛应用性。图4-6输入门(4-2)(4-3)公式中:代表着输入门的输出;代表着输出结果;代表着sigmoid函数;tanh代表着tanh函数;代表着权重;代表着偏置;代表着更新之后的数据。蒸汽负荷预测过程中,在此类情况下数据信息需要不停的输送到神经元状态中,而且需要新的状态对旧状态进行等比例替换(张文博,陈思琪,2021)。输入门可以对神经元状态进行更新,将更新到。这样的神经元更新流程如图4-7所示,这里需要将老状态与遗忘门的输出做乘法,在这等情况下并且加上输入们的输出并且乘以更新后的状态。公式4-4表示了如何计算过呢更新后的神经元状态。从上可以可以看出该方案相比于其他方案具有更好的性价比,同时在操作简便性和用户体验方面也有显著提升。图4-7更新后的神经元状态(4-4)公式中:表示神经元更新后的状态;代表着遗忘门的输出;代表着原始的状态;代表着输入们的输出(林飞,刘俊杰,2021)。(3)输出门这时候最关键的一步便是输出了,当然这个输出是要进行筛查的。第一步,需要先定下时刻的输出,然后将得出的输出先经过tanh层进行处理,然后在乘与sigmoid层输出的权重最后得到。流程结构如下图4-8所示。具体的数值筛查方法由公式(4-5)所示,从这些规定可以认识到得到的计算方法由公式4-6所示。图4-8输出结构(4-5)(4-6)公式中:代表着输出门的输出结果;代表着神经网络最终输出;代表着sigmoid函数;代表函数;代表着加权权重;代表着偏置。蒸汽负荷预测过程中,如果训练模型刚刚得到某天的负荷信息数据,并且还要把这一天的负荷模式输出,从这些意见中看出那么就应该将这一天相关的数据信息输入到神经元状态中,以此为基础来进行下一步蒸汽负荷预测。这一结果为后续研究设计提供了坚实的支持,指导了研究方向的选择,影响了分析方法的安排,并预见了可能的研究成果和前景。从大体上来讲,长短期记忆网络通过输入门、输出门、遗忘门的控制将一系列时间顺序上的控制衔接起来,在这种结构下这就使得模型可以在当前状态,可以获取此前所有数据筛选过的状态并把这种控制传递下去(陈雨泽,赵佳琪,2021)。仿真实验与结果分析这一节结合以上所描述的LSTM的预测模型来进行仿真实验,在对历史负荷数据进行规范化处理的基础上来进行仿真实验,在这种安排下并在最后会用spss软件来进行仿真效果分析。实验环境介绍本次实验运行环境采用Windows10环境下开发。在win10操作系统下,运用PyCharm2021.1.1x64软件和Anacoda3-2020.11开发环境,使用Tensorflow中的keras来进行程序模型的构造。python中的keras是一种开源的人工神经网络第三方库,处于这般情境时可以用来做深度学习的研究、审核、评估、数据可视化(李飞,孙思琪,2021)。构造模型数据规范为了让长短期记忆网络拥有更好的数据格式,第一步便需要将所使用的数据格式进行规范化处理。(1)第一步进行训练数据集的选取,训练集选取2019年10月1日2分到2020年8月31日6时20分,时间间隔为2分钟。(2)第二步则是选取测试集,测试集选取从2020年9月5日下午4时20分到2020年9月5日下午11点22分,时间间隔为2分钟。(3)第三步则是将选取好的数据列表输入到numpy函数库,它是python的一个开源计算拓展所用的第三方库,从这些迹象中显而易见可以用来存储与处理大型矩阵数据。LSTM蒸汽负荷预测模型预测结果通过之前的历史负荷数据处理,已经可以把2019年10月1日2分到2020年8月31日6时20分的历史数据传送进编辑好的LSTM模型,模型经过训练后便可以对上海某闵行工业园热网采集系统的蒸汽负荷数据进行预测研究(周节,黄亭和,2021)。这一结果为后续研究设计提供了坚实的支持,指导了研究方向的选择,影响了分析方法的安排,并预见了可能的研究成果和前景。(1)建立LSTM网络模型,选择输入层作为输入层,并且选择第二章中对蒸汽压力负荷有重大影响的5个因素作为输入,分别为瞬时质量、温度、天气、日期类型、历史负荷。(2)将历史负荷数据划分为测试集与训练集,并且开始构建历史负荷数据的训练集与测试集,训练集的作用时完成蒸汽压力负荷预测模型的的构建,并且对模型进行相应的训练次数。测试集则是查看模型的负荷预测能力。在LSTM模型中,单元层对数据有选择遗忘的功能,现有结果足以支持我们推出即忘记不重要的信息数据(杨浩然,高文博,2021)。因此,将本次长短期记忆网络预测模型的隐藏层设置为2层,将第一层中设置200个隐藏神经元,第二层也设置200个隐藏神经元。输出神经元设置为1个。在与同行研究的对比中,作者发现尽管在具体成果的表述上可能存在微小差异,但核心结论和趋势均高度一致,这进一步提升了本研究结论的可靠性。当结束循环时,将负荷预测的结果输入到三维数组中,得到蒸汽负荷预测曲线与实际负荷数据的对比图。这在一定层面上证实了长短期记忆网络的预测曲线与实际曲线对比如下图4-9.本次设计的LSTM网络结构如下表4-1所示。表4-1神经网络层网络结构神经元个数第一层输入层5第二层LSTM200第三层LSTM200第四层输出层1(3)构造负荷数据的测试集和训练集,如上述4.3.2所示,按照要预测的数据按照一定的比例划分,从这些故事中看出在划分工作完成后,将划分好的数据输入到长短期记忆网络模型,完成预测模型的构建(刘辰,王乐婷,2021)。前述成果在一定程度上佐证了本文预先建立的理论架构。初步的研究数据与理论预期保持了较高的一致性,验证了理论模型中机制的有效性。将蒸汽符合预测出的曲线与原始历史负荷曲线相对比,这里以分钟为单位,如下图4-9、图4-10、4-11所示。从图片4-9得出,蒸汽负荷预测模型与历史负荷数据的变化趋势虽有一定程度上的偏离,但基本相似,从这些描述中揭示对某一些波谷的预测效果会有一些偏差。图4-9长短期记忆预测模型与历史负荷数据对比图(1)从图片4-10中可以看出,这确切表明了情况蒸汽负荷预测模型当历史负荷数据短时间内大幅度下降时,预测值会有相对偏差。图4-10长短期记忆预测模型与历史负荷数据对比图(2)从图4-11可以看出,其中能看得蒸汽负荷预测模型在较低蒸汽压力值时的负荷预测精度较低。图4-11长短期记忆预测模型与历史负荷数据对比图(3)预测输出评价对预测数值使用均方根误差(MeanSquareErrorm,MSE)与平均绝对值百分误差(MeanAbsolutePercentageError,MAPE)两种评估方法作为本次蒸汽负荷预测模型输出的评价指标,其中均方根误差和平均绝对值百分误差表达式如下:(4-7)(4-8)(4-9)以上公式中,代表着蒸汽负荷预测值,代表着实际蒸汽负荷实际数值,代表着负荷点总数量,这在一定层面上传递了平均绝对值百分误差结果在,当平均绝对值百分误差接近于0时,模型趋近完美(赵晨辉,马睿杰,2021);这在某种程度上确认了而当平均绝对值百分误差高于1时,可以认为模型为劣质模型,这是预测结果会很差。这些实践数据使研究能够识别并理解理论模型在应用于实际情况时可能遇到的挑战和偏差。上述三个预测中,本模型计算出平均绝对值百分误差分别为0.55909、0.65771、0.6845,说明模型较好。总结与展望结论本文在利用已有的负荷预测模型的基础值上,并结合上海某闵行工业园热网采集系统的实际情况,采用长短期记忆网络作为结构、算法基础,进行了预测模型的搭建,数据的预测等,并得到了以下结论:蒸汽负荷会受有许多的干扰因素,且根据上海某闵行工业园热网采集系统的实际情况,这从一个侧面说明了并结合皮尔森相关系数分析得到与蒸汽负荷显著相关的因素,有瞬时质量、管口温度、日期类型、历史负荷、天气影响等。从热网采集系统得到的数据可能存在质量问题,为避免因采集数据对负荷预测造成不良影响,所以在进行其他操作之前,需要对数据进行处理,为之后进行的压力负荷预测奠定基础。在研究了长短期记忆网络之后,开始建立长短期记忆网络模型,作为含有时间序列的神经网络之一,可以根据历史负荷数据完成对目标负荷的预测,并且该网络可以融入多个相关影响因素,这在一定层面上揭示并能在时间序列之中完成对相关影响因素的等比例替换。使用python软件中的keras库完成模型训练并进行预测。展望蒸汽负荷预测对于发电

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论