[发明专利]一种采用深度Q神经网络调参的LSTM风电负荷预测方法

权利要求书

1.一种采用深度Q神经网络调参的LSTM风电负荷预测方法，其特征在于，该方法包括以下步骤：

1)采集电力系统环境的原始数据，选取训练集及预测集；

2)采用LSTM作为预测模型，利用DQN调节预测模型中的超参数；

3)将训练集代入调节参数后的预测模型，将训练结果反馈至DQN中进行参数优化，获取最优LSTM预测模型；

4)利用最优LSTM预测模型进行风电负荷预测。

2.根据权利要求1所述的一种采用深度Q神经网络调参的LSTM风电负荷预测方法，其特征在于，步骤2)中，利用DQN调节预测模型中的参数的具体内容包括环境参数调节、状态调整、动作选择及调整学习率的强化学习奖励，环境参数调节结合LSTM预测模型及一系列的动作，形成一个马尔科夫决策模型，状态调整、动作选择及调整学习率的强化学习奖励的实现基于所述的马尔科夫决策模型。

3.根据权利要求2所述的一种采用深度Q神经网络调参的LSTM风电负荷预测方法，其特征在于，环境参数调节的具体内容为：

采用学习率调节函数f(x)调节适应学习率，采用正则参数调节函数g(x)调节适应正则参数，假设(p，y)为一个训练样本，p为输入，包括学习率x_t和正则参数z_t，y为期望的输出，a为实际输出，则有：

式中，n为样本个数。

4.根据权利要求3所述的一种采用深度Q神经网络调参的LSTM风电负荷预测方法，其特征在于，状态调整的具体内容为：

采用包含六个状态特征的特征向量来表示状态，六个状态特征的特征向量包括期望调整的超参数、候选迭代目标值、过去M步最大目标值、下降方向与梯度之间的点积、MI/MAX编码、函数评价数和对齐度量，则有：

设为时间t-1得到的M个最低目标值的列表，状态[S_t]编码由下式决定：

式中，当f(x_t)小于的最小值时，编码为1，在之前的M个F中则取0，其他情况取-1；

给出状态调整[st]_alignment为：

5.根据权利要求4所述的一种采用深度Q神经网络调参的LSTM风电负荷预测方法，其特征在于，下降方向的表达式为：

式中，为关于的梯度，为学习率的均值。

6.根据权利要求5所述的一种采用深度Q神经网络调参的LSTM风电负荷预测方法，其特征在于，动作选择的具体内容为：

对于给定的状态，采用在接受迭代之后将学习速率或正则化参数重置为初始值的方法进行动作选择，当控制学习速率时，有两个动作，保持学习速率或一半学习速率；对于调整正则化系数，除了两种选择之外，允许其增加四分之一。

7.根据权利要求6所述的一种采用深度Q神经网络调参的LSTM风电负荷预测方法，其特征在于，调整学习率的强化学习奖励r_id(f，x_t)的表达式为：

式中，f_lb为函数值的目标下界，c为目标下界值。

8.根据权利要求1所述的一种采用深度Q神经网络调参的LSTM风电负荷预测方法，其特征在于，步骤3)的具体内容为：

对训练部分采用经验回放的技巧，在每一次对神经网络的参数进行更新时，从数据里随机地调取部分之前的训练结果，用于更新DQN，进而获取最优LSTM预测模型。