【《基于深度学习的电力系统负荷预测仿真与分析案例》1700字】

基于深度学习的电力系统负荷预测仿真与分析案例目录TOC\o"1-3"\h\u20594基于深度学习的电力系统负荷预测仿真与分析案例 1133731.1深度学习理论 1295291.2普通RNN 2209801.3LSTM原理 220481.4基于LSTM的负荷预测模型 4286861.4.1基本思路 4215821.4.2模型结构 41.1深度学习理论《science》期刊上发表了一篇基于神经网络的研究论文,在该研究论文中,作者们首先建议在不受控制的情况下，从一层到另一层对神经网络进行初步培训，然后使用反向算法对其进行有效学习。最后将各层已经训练好的神经网络层次相互叠加形成一个更具深度的神经网络,经过培训的神经网络参数可以在所有层次上用于形成整个神经网络,这样一种网络结构称为深度置信网络(DeepBelifNetwork,DBN)。这样新型的前馈神经网络机器人学习技术突破传统的前馈神经网络训练模式,并且可以大幅度地改善和提升训练的效率。把这种算法作为一个可以通过对多层次的神经网络信号进行深度学习和训练[22],称为"深度学习"。1.2普通RNNRNN叫做循环神经网络（RecurrentNeuralNetwork)[23],它会将上一时刻的隐藏层状态信息应用于当前输出的计算中，能够处理时间序列数据，目前主要应用于计算机领域与人工智能领域中的自认语言处理方向，在电力系统方向也有部分应用[24]。与前馈神经网络相比，每个RNN隐藏层中的神经元都可以通过自链接循环使用。给定输入数据X={x1,x2，…，xt，…，xT}，RNN采用式(1)和式(2)计算隐藏状态s={s1,s2，…，st，…，sT}和输出o={o1,o2，…，ot，…，oT}。其中T为1天内根据采样间隔计算的采样点数量。图3-1循环神经网络（3-1）（3-2）公式中:xt为t时刻的输入值;st-1为t时刻的输出值;ot-1为t时刻的隐藏状态;U,W,V分别为输入、隐藏和输出权重;bs,bo分别为隐藏状态和输出-的偏置;f(-)，g(-)分别为隐藏层和输出层激活函数。RNN模型存在的问题在于,随着时间的推移，RNN失去了学习古老信息的能力,这种现象被称为梯度消失[25]。1.3LSTM原理LSTM就是为了解决梯度消失的问题而产生的,其结构是基于RNN的改进。在每个隐藏记忆层的每个记忆神经元结构中都分别引入了一个新的记忆控制单元,并且分别采用了分为遗忘记忆门、输入记忆门、输出记忆门3个层的神经元结构来直接控制每个层的记忆控制单元的工作状态,解决普通RNN不能学习过去较久远信息的问题。LSTM的细胞单元结构如下:图3-2LSTM神经网络LSTM神经网络的细胞单元具有三个门控单元[26],分别是输入门(InputGate),遗忘门(ForgetGate),输出门(OutputGate)。其中输入门it用来判断是否接受输入过来的信息,遗忘门ft是用来判断保留或者删除每一状态的信息,输出门则是用来判断运行出的数据是否输出。激活函数使得遗忘门的输出值在[0,1]之间,当遗忘门输出为0的时候,这意味着删除关于以往情况的信息;为1的时候,表示上一状态的信息全部保留。 其过程可用以上公式表示,xt为输入,ht为输出,it为输入门的输出,ft为遗忘门的输出,ct为当前时刻t的细胞单元状态,ot为输出门的输出,其中W和b为参数矩阵。记忆单元与隐藏状态一起记忆序列数据的历史信息。记忆单元中的信息受3个门控单元的控制。遗忘门根据ht-1和xt删除记忆单元中的信息；输入门根据ht-1和xt向记忆单元中新增信息；it为需要记忆的信息;为候选记忆单元，用于更新记忆单元;遗忘门和输出门计算完成后，采用式(3-6)更新记忆单元；输出门根据ht-1,xt,Ct，决定ht。采用LSTM替换普通RNN中的神经元构建负荷预测模型，利用LSTM能学习过去较久远信息的优点，对电力负荷中隐藏的历史运行规律进行学习。1.4基于LSTM的负荷预测模型1.4.1基本思路电力系统负荷受人文活动规律的影响，具备周期性、趋向性，同时又受天气变化、自然灾害及重大事件等随机因素的影响，具有较大的不确定性、不稳定性。某天某一时刻的负荷lt,d受当天日期类型(周几、是否节假日)和当前时刻天气因素(温度、湿度等)的影响，同时又与当天历史n个时刻的负荷和历史几天同一时刻的负荷有关。利用LSTM能学习长距离时序依赖的优点，在考虑预测日当天相关因素对负荷影响的基础上，从横向上识别预测日当天负荷变化的规律，从纵向上识别历史日期窗口内同一时刻负荷的变化规律。1.4.2模型结构基于LSTM网络，用预测日前w天的负荷曲线和负荷影响因素对预测日负荷进行预测，LSTM网络结构如图所示，图中，模型输出为预测日的预测负荷，如式（3-8）所示。式中：当采样间隔为15min时，T=96。历史负荷为：式中：lt,d-w为预测日前t时刻的负荷。负荷影响因素为：式中:wt,d为天气信息;ht,d为0-1变量