[发明专利]一种基于FAF-LSTM深度神经网络的居民负荷预测方法及系统

说明书

本发明公开了一种基于FAF‑LSTM深度神经网络的居民负荷预测方法及系统，包括，构建基于融合激活函数的LSTM深度神经网络；对构建的LSTM深度神经网络进行训练；输出训练后的LSTM深度神经网络；采集待测负荷数据；将待测数据输入训练后的LSTM深度神经网络进行预测；LSTM深度神经网络输出预测结果。本发明的有益效果：通过对LSTM人工神经网络深度学习预测模型进行改进，提高了电力负荷预测的准确性，且更能够满足工程应用的要求。

技术领域

本发明涉及负荷预测的技术领域，尤其涉及一种基于FAF-LSTM深度神经网络的居民负荷预测方法及系统。

背景技术

近年来，随着计算机技术、传感器技术、存储技术的逐步飞跃，越来越多的数据进入了人们的视线。然而随着数据量的增加，数据的复杂度和冗余度也逐级攀升，继而如何从海量数据中发掘出有用的信息成为研究热点。

由于电力能源难以大量存储以及电力需求时刻变化等特点，这就要求系统发电侧应随时与用户侧负荷需求保持动态平衡。但用户侧的负荷需求并没有固定的规律，且电力能源在传输过程中容易受到外界干扰，而具有非线性、时变等特点。因此精确的短期电力负荷预测显得尤为重要，它既可以保证电力供应的稳定，减少用电成本，又有助于电力系统提高供电质量，使其健康发展。经研究显示，短期负荷预测的误差每增加百分之一，每年的电网将增加约800万元的附加运行成本。由此可见，提高短期负荷的预测误差成为当下研究热点。

以往的短期负荷预测技术，多采用诸如前馈人工神经网络、支持向量机等进行短期的电力负荷预测，网络中没有记忆单元，缺少对时序数据时间相关性的考虑。由于电力负荷时间序列具有非线性、时变、易干扰、观察时间有限等特点，采用传统的预测模型预测一般精度不高，实际应用效果较差；而对于采用深度神经网络回归模型进行预测的方法而言，在机器学习过程中由于存在梯度下降缓慢的问题，导致其数值不随时间或者模型的变化而变化，从而局限了模型的泛化能力，严重影响预测精度的提高。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的一个技术问题是：提出一种基于FAF-LSTM深度神经网络的居民负荷预测方法，提高对居民用电负荷的预测准确性。

为解决上述技术问题，本发明提供如下技术方案：一种基于FAF-LSTM深度神经网络的居民负荷预测方法，包括，构建基于融合激活函数的LSTM深度神经网络；对构建的LSTM深度神经网络进行训练；输出训练后的LSTM深度神经网络；采集待测负荷数据；将待测数据输入训练后的LSTM深度神经网络进行预测；LSTM深度神经网络输出预测结果。

作为本发明所述的基于FAF-LSTM深度神经网络的居民负荷预测方法的一种优选方案，其中：所述LSTM深度神经网络包括记忆单元，记忆单元内包括遗忘门、输入门和输出门，能够选择性记忆反馈的损失函数随梯度下降的修正参数。

作为本发明所述的基于FAF-LSTM深度神经网络的居民负荷预测方法的一种优选方案，其中：所述遗忘门的计算公式为，

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

其中，f_t为遗忘门的输出值，W_f为遗忘门神经网络的权值，h_t-1为t-1时刻节点的输出，x_t为t时刻节点的输入，b_f为遗忘门神经网络的偏置。