[发明专利]一种基于LSTM神经网络的线损预测方法及系统

权利要求书

1.一种基于LSTM神经网络的线损预测方法，其特征在于，包括：

基于预先确定的线损率影响因素，按时序采集线损率的特征数据；

对所述线损率的特征数据进行处理；

将处理后的特征数据输入到预先训练好的LSTM神经网络线损预测模型中，经提取处理后得到线损预测值；

其中，所述LSTM神经网络的线损预测模型将所述线损率影响因素作为模型的输入层，将隐含层的普通神经元用包含门控机制的记忆模块进行代替，经过训练后得到线损预测值。

2.如权利要求1所述的方法，其特征在于，所述线损率影响因素，包括：供电量、配变容量、线路长度、功率因数、气温和节假日。

3.如权利要求2所述的方法，其特征在于，所述对所述线损率的特征数据进行处理，包括：

基于预先确定的线损率影响因素，确定所述预先采集的线损率的特征数据的缺失值，并对所述缺失值进行填充，并进行一致处理；

对所述预先采集的线损率的特征数据中的异样特征数据，以相邻正常线损平均值代替所述异样特征数据并进行错误修正；

基于正常的、填充的和错误修正后的特征数据进行标准化处理。

4.如权利要求1所述的方法，其特征在于，所述LSTM神经网络线损预测模型的构建，包括：

基于线损率影响因素获取包含时序的线损率的历史数据，并将所述历史数据进行处理；

将处理后的历史数据划分为训练数据集和测试数据集；

将所述训练数据集中的线损率影响因素作为输入层，将所述训练数据集中的线损值作为输出层，将隐含层的普通神经元用包含门控机制的记忆模块进行代替，进行训练得到初始的LSTM神经网络线损预测模型；

将所述测试数据集的线损率影响因素值带入所述初始的LSTM神经网络线损预测模型，得到线损预测值；

基于所述线损预测值和所述测试数据集中的实际线损值对所述初始的LSTM神经网络线损预测模型进行校验得到训练好的LSTM神经网络线损预测模型。

5.如权利要求4所述的方法，其特征在于，所述基于所述线损预测值和所述测试数据集中的实际线损值对所述初始的LSTM神经网络线损预测模型进行校验得到训练好的LSTM神经网络线损预测模型，包括：

将所述测试数据集输入到所述训练好的LSTM神经网络预测模型中；

基于所述线损预测值与所述测试数据集的线损实际值，采用均方根误差指标和平均绝对百分比误差指标进行准确性评估；

当准确性未达到预设阈值时，继续进行基于所述时序一特征对所述LSTM神经网络线损预测模型进行训练，直至达到预设阈值得到训练好的LSTM神经网络线损预测模型。

6.如权利要求5所述的方法，其特征在于，所述将处理后的特征数据输入到预先训练好的LSTM神经网络线损预测模型中，经提取处理后得到线损预测值，包括：

将所述训练数据集、上一时刻隐含层的状态参数及上一时刻记忆模块的状态参数发至记忆模块进行计算，得到一维列向量的计算结果，并保留所述训练数据集中的当前输入信息后将所述训练数据集发至记忆模块的遗忘门；

利用所述遗忘门对所述训练数据集进行计算，得到一维列向量的计算结果，并保留更新后的记忆模块中需保留的历史信息后将所述训练数据集发至记忆模块的输出门；

利用所述输出门对所述训练数据集进行计算，得到一维列向量的计算结果，并保留所述训练数据集中需保留的输出信息的后输出当前时刻记忆模块的状态参数、当前时刻隐含层的状态参数；

基于线性函数的激活公式对所述一维列向量的计算结果进行计算，得到线损预测值。

7.如权利要求6所述的方法，其特征在于，所述线性函数的激活公式如下所示：

y＝actv(w·a+b)

式中，a为一维列向量的计算结果，y为线损预测值，actv()是激活函数，w为输入数据的权重参数，b为常数。