【《基于LSTM模型的短期电网负荷预测分析案例概述》2600字】

基于LSTM模型的短期电网负荷预测分析案例概述目录TOC\o"1-3"\h\u7849基于LSTM模型的短期电网负荷预测分析案例概述 1129041.1总体架构 1230131.2数据获取 1123961.3数据处理 298091.4模型建立 2304421.5负荷预测 51.1总体架构LSTM神经网络就是为了处理梯度消失这一问题而开发和创建的，结构类似于RNN。它的一个计算子程序的节点包括输入门，输出窗口，遗忘门及Cell。Cell作为一个数据库和计算节点的核心，用于实现对当前时刻的记录；输入窗口用来控制对信息的输入；遗忘门可以用来控制人类细胞的历史状况信息；输出阀门是用于控制信息的输出。门可以通过使用一个sigmoid函数作为被激活的函数，使得这个被遗忘门的输入值大约是在[0，1]之间。当遗忘门的输出设置为0时，表示把上一个状态下所有的数据信息都完全放弃；例如，当一个遗忘门的输入值变化为1时，则代表上一种状态下所有的信息都被全部保存。1.2数据获取LSTM要代入两种数据集，第一种是上述第三章介绍的河北秦皇岛地区的3个多月的综合数据；第二种是国外电网系统的负荷数据加气象数据，两种数据集都是小时级的，由于CNN-LSTM组合模型所需要的数据集极为庞大，之前原有的秦皇岛地区负荷数据已经不再满足需求，所以从负荷数据共享平台获得了欧洲输电系统电网负荷数据，拓宽数据集的深度，从2003年3月1日到2009年6月17日共有1048576条数据，包括了当时的气温，运用此数据集，测试LSTM的预测能力以及性能。1.3数据处理将现有的秦皇岛负荷数据分为两个部分，第一个部分是2016年3月到5月的数据，这部分数据将作为训练输入，放到模型当中；第二部分是2016年6月的数据，作为对比数据。在模型当中设定预测2016年的6月的数据，将预测之后的数据与对比数据作对比，进而可以研究预测的准确性。而国外输电系统的负荷数据已经放到模型当中使用过了，所以只做个简单的预处理即可直接使用。1.4模型建立对于一个给定的输入时间序列x=(x1，⋯，xTℎtyt式中：Wxℎ、Wℎℎ、Wℎy可以分别被用来表示由一个连接输入端与层内部连接两端到另一个连接隐含端两层、输入端与层内部、隐含端与层外部连接到另一个连接输出端两层的各种类型网络偏移权重密度系数；LSTM是一种特殊类型的循环神经网络，主要依靠经过精心设计的"门"结构来实现，从而通过去除或者停止使用更多的神经信息从而进入人体细胞正常状态的一种功能。LSTM门是否互通意指如何让用户信息可以自由选择性流通的这种管理方法，LSTM拥有3个门，用于保护和控制细胞状态，分别为：输入门、输出门和遗忘门。图4-1给出了一个典型的LSTM长短期记忆模块的结构。图4-1LSTM网络的长短期记忆模块结构图4-1中所示的细胞状态神经元即是标准循环神经网络中隐含层的神经元，该细胞状态神经元的激发输出ct函数可由式(3)表示ct式中：ct−1赋值代替了第t到t-1个神经细胞控制状态下的一个神经元网络输出；ft和it分别是被用来用于表示当前遗忘输入门和当前输入窗口的网络激发和控制输出计算结果；WXc输入门主要是依据上个输出ℎt−1和当前的输入xt来决定需要更新哪些属性以及新属性的信息，式(4)给出了输入门的激发输出it式中：S（·）函数可以直接用来表示logisticsigmoid中的函数；WXi则表示从当前一个网络模块输入门的层阀门开始到当前一个模块网络输入门的一个网络偏移权重对比系数；Wℎi则表示从第t-1个模块网络长短期的网络记忆点在模块被网络送出后开始得到当前一个模块输入层阀门的一个网络偏移权重对比系数；输出门主要是依据上个输出ℎt−1和当前的输入xt决定现在要输出什么，式(5)给出了输出门的激发输出ot式中：WXo分别表示从当前记忆网络直接输入输出层阀门到当前一个模块网络输出层阀门的长度网络偏差权重矢量系数；Wℎo分别表示从第t或t-1个处于网络长短期的长度记忆网络模块被直接送入阀门到当前一个模块输出层阀门的长度网络偏差权重矢量系数；Wco分别表示从第t或t-1个处于细胞活动状态的网络神经元送入到当前一个模块输出层阀门的长度网络偏差权重矢量系数；bft式中：WXf表示从网络输入层到当前模块遗忘门的网络权重系数；Wℎf分别表示从第t-1个长短期记忆模块输出到当前遗忘门的网络权重系数；最终，长短期记忆模块的输出h_t可由式(7)求取。 ℎt1.5负荷预测（1）河北秦皇岛地区综合数据集图4-2训练进度实时跟踪图将迭代次数设置为250次，学习率为0。001，经过简单的训练之后，可以看到RMSE降到了很低，而损失从第100次之后就是几乎为0的状态，说明LSTM具有很好的不失真表现，不过训练出来的误差还是差强人意。（2）国外