[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

说明书

本发明涉及一种采用深度Q神经网络调参的LSTM风电负荷预测方法，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，利用DQN调节预测模型中的超参数具体包括环境参数调节、状态调整、动作选择、调整学习率的强化学习奖励；3)将训练集代入调节参数后的预测模型，利用经验回收方法，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。与现有技术相比，本发明无需不同的地域时需要专业人才去调节，可大大提高预测效率。

技术领域

本发明涉及电力信息技术领域，尤其是涉及一种采用深度Q神经网络调参的LSTM风电负荷预测方法。

背景技术

风电负荷预测是电力调度工作中的重要组成部分，其预测好坏直接决定了风电能否接入电网系统。风电负荷属于时间序列，随着时间的变化不断更新。具有LSTM(LongShort Term Memory networks，长短期记忆网络)结构的RNN(Recurrent NeuralNetworks，循环神经网络)可以有效解决RNN网络的时间梯度消失的问题，并且由于RNN特殊的网络结构使得其对时间序列数据有独特的优势。

循环神经网络有特殊的网络结构，即隐藏层的输入：除了当前时刻的输入层输入，还有上一时刻的输入层输入，如图1所示。在图1中，x、x1、x2分别为不同时间节点的输入，o、o1、o2则分别为对应时间的输出，U、V为线性关系矩阵，在整个RNN中是共享的。将与风电负荷相关的数据包括时间、风场的风速、实时功率、频率、风向、室外温度在内作为预测模型的输入，通过网络计算并得到输出结果o，然后将o与对应的风力负荷进行比较可以得到误差，得到误差后采用梯度下降(Gradient Descent)和BPTT(Back-Propagation Through Time，基于时间的反向传播)方法对模型进行训练，BPTT采用反向传播求解梯度并更新网络参数权重。将RNN中的循环展开，上一层的神经网络会传递信息给下一层，这就是RNN对时间序列数据的处理有优势的原因。不需要训练所有神经网络的参数，只需要训练一层即可，其中的参数均为共享参数。

普通的RNN面对长时间跨度可能会有梯度消失或梯度爆炸的问题，LSTM可保留误差，用于沿时间和层进行反向传递。LSTM将误差保持在更为恒定的水平，让循环网络能够进行许多个时间步的学习(超过1000个时间步)，从而打开了建立远距离因果联系的通道。

LSTM将信息存放在循环网络正常信息流之外的门控单元中。这些单元可以存储、写入或读取信息，就像计算机内存中的数据一样。单元通过门的开关判定存储哪些信息，以及何时允许读取、写入或清除信息。但与计算机中的数字式存储器不同的是，这些门是模拟的，包含输出范围全部在0～1之间的sigmoid函数的逐元素相乘操作。相比数字式存储，模拟值的优点是可微分，因此适合反向传播。这些门依据接收到的信号而开关，而且与神经网络的节点类似，它们会用自有的权重集对信息进行筛选，根据其强度和导入内容决定是否允许信息通过。这些权重就像调制输入和隐藏状态的权重一样，会通过循环网络的学习过程进行调整。也就是说，记忆单元会通过猜测、误差反向传播、用梯度下降调整权重的迭代过程学习何时允许数据进入、离开或被删除。其结构如图2所示。图2中最底部的三个箭头表示信息从多个点流入记忆单元(cell)。当前输入与过去的单元状态不只被送入记忆单元本身，同时也进入单元的三个门，而这些门将决定如何处理输入黑点即是门，通过与不同的系数相乘分别决定何时允许新输入进入(yⁱⁿ)，何时清除当前的单元状态以及何时让单元状态对当前时间步的网络输出产生影响(y^out)。S_c是记忆单元当前的状态，而gyⁱⁿ是当前的输入。每个门都可开可关，而且门在每个时间步都会重新组合开关状态。记忆单元在每个时间步都可以决定是否遗忘其状态，是否允许写入，是否允许读取。LSTM预测是否准确与超参数有直接关系，因此，合适的超参数使预测模型能达到或者极为接近全局最优点。现有技术通常采用Q-Learning算法，其算法流程为：