[发明专利]基于粒子群算法优化LSTM的地铁牵引能耗预测方法

权利要求书

1.一种基于粒子群算法优化LSTM的地铁牵引能耗预测方法，其特征在于，包括如下步骤：

步骤1：获取地铁牵引能耗原始数据；

步骤2：根据灰色关联分析法选取牵引能耗的影响因素作为模型的输入；

步骤3：将数据集划分为训练集和测试集，对训练集数据进行归一化处理；

步骤4：用改进的粒子群算法优化LSTM神经网络预测模型的超参数，结合训练样本和所得的最优参数组合构建用于地铁牵引能耗预测的LSTM网络模型；

步骤5：将测试集输入回归预测模型，预测地铁下个时间段的牵引能耗值；

步骤4所述的用改进的粒子群算法优化LSTM神经网络预测模型的超参数，结合训练样本和所得的最优参数组合构建用于地铁牵引能耗预测的LSTM网络模型，具体如下：

步骤4.1：通过动态调节惯性权重ω来改进粒子群算法，改进后粒子群算法的速度更新公式、位置更新公式以及惯性权重ω分别如下：

其中，v为当前粒子的速度；x为当前粒子的位置；pbest为个体最优位置；gbest为全局最优位置；ω是惯性权重，它描述了粒子上一代速度对当前代速度的影响水平；c₁和c₂是学习因子，分别用于调节向个体最优位置pbest和全局最优位置gbest的步长；r₁和r₂为介于(0,1)之间的随机数；k为当前迭代次数；i为当前粒子标号；d是维数的标号；ω_max和ω_min分别为惯性权重的最大值和最小值；K_max为最大迭代次数；

步骤4.2：用改进的粒子群算法优化LSTM神经网络预测模型的超参数，包括LSTM神经网络隐藏层神经元个数、批处理样本数量、训练迭代次数、学习速率和时间窗口大小；

步骤4.3：在参数搜索空间里，以预测误差最小为目标函数，结合训练样本对参数组合进行优化，得到粒子群算法优化好的参数组合，采用时间窗口大小参数对输入数据进行处理，通过隐藏层神经元个数、批处理样本数量、训练迭代次数、学习速率来对LSTM神经网络进行设置，构建用于地铁牵引能耗预测的LSTM神经网络预测模型。

2.根据权利要求1所述的基于粒子群算法优化LSTM的地铁牵引能耗预测方法，其特征在于，步骤1中所述的获取地铁牵引能耗原始数据，具体如下：

从SCADA系统中获取地铁牵引能耗原始数据，原始数据包括待预测日之前设定天数的地铁牵引能耗历史数据以及温度、客流、运行里程、开行列次的历史数据。

3.根据权利要求1所述的基于粒子群算法优化LSTM的地铁牵引能耗预测方法，其特征在于，步骤2所述的根据灰色关联分析法选取牵引能耗的影响因素作为模型的输入，具体如下：

步骤2.1：选取地铁日牵引能耗为参考数列，能耗的影响因素变量为比较数列，记为Z_i＝{z_i(k)|k＝1,2,…,n},i＝0,1,2,…m；

其中，z_i(k)为选取出来的参考数列和比较数列，将参考数列设为z₀(k)，i为参考数列和比较数列各自的编号，m为参考数列和比较数列的总数，k为选取数据的日期，n为总的天数；

步骤2.2：对地铁日牵引能耗与各影响因素进行无量纲化：

其中，为序列Z_i的算术平均值；

步骤2.3：计算各影响因素与地铁日牵引能耗的关联系数：

其中，Δ_i(k)＝|z₀(k)-z′_i(k)|，z′_i(k)为对z_i(k)进行无量纲化后的值，为所选日期中Δ_i(k)的最大值，为所选取日期中Δ_i(k)的最小值，ρ称为分辨系数，设置为0.5；

步骤2.4：计算各影响因素与地铁日牵引能耗的关联度r_0i：

其中，ξ_0i(k)为步骤2.3求得的关联系数，k为选取数据的日期，n为总的天数；

步骤2.5：按求得的关联度数值大小，选取关联系数值大于0.6的影响因素作为模型的输入变量。

4.根据权利要求1所述的基于粒子群算法优化LSTM的地铁牵引能耗预测方法，其特征在于，步骤3中所述的对训练集数据进行归一化处理，具体如下：

数据归一化方法采用Z-score标准化，公式如下：

其中，d^*为归一化后的数据，d为原始数据，为训练集数据的均值，σ为训练集数据的标准差。