[发明专利]基于LSTM优化器的电力标准成本预测方法

权利要求书

1.一种基于LSTM优化器的电力标准成本预测方法，其特征在于，包括以下步骤：

(1)搜集历史电力成本数据及电力公司每日售电收入的日现金流数据，进行标准化预处理，准备用于训练的数据集；

(2)构建LSTM预测网络及LSTM优化器，训练并交替更新LSTM预测网络及LSTM优化器的权重参数；

(3)利用训练好的LSTM预测网络进行电力标准成本预测，得到预测结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤(1)具体包括：

(1.1)从电力局收集历史电力成本数据用于构建数据集，所述成本数据至少包括人工成本、运维成本和检修成本；筛选出大类数据，计算该数据集的波动率；

鉴于电力成本数据与售电收入日现金流数据都具有异方差性，选取至少5年的售电收入日现金流数据用于构建数据集，且两个数据集的波动率不大于8％；将两个数据集一并作为用于训练的数据集；

(1.2)对数据集进行连续采样，其中电力成本数据以年为计时单位，售电收入日现金流数据以周为计时单位；训练过程中，以前N个连续时间点数值作为一个样本，后1个时间点数值作为该样本标签；

(1.3)对数据进行最大值归一化处理，每个样本和标签除以这N+1个数值中的最大值。

3.根据权利要求1所述的方法，其特征在于，所述步骤(2)具体包括：

(2.1)从预处理后的数据集中选取近N+1年的电力成本数据作测试集，其余数据作为训练集；

此处N的取值，与在步骤(2)的训练过程中用于构成一个样本所用连续时间点数值对应的连续时间点的数量一致；

(2.2)构建LSTM预测网络及LSTM优化器，用于学习训练；其中，LSTM预测网络由2层LSTM层和全连接层实现，损失函数为均方误差；LSTM优化器由1层LSTM层和全连接层实现，损失函数如式(1)所示：

其中，L表示LSTM优化器的损失，T表示当前的时间点，l表示LSTM预测网络的损失；t表示时间步长；

(2.3)将步骤(2.1)中准备好的训练集输入步骤(2.2)中的LSTM预测网络，对LSTM预测网络及LSTM优化器中的参数进行训练，通过训练降低损失函数值并交替更新LSTM预测网络及LSTM优化器权重参数；经过若干次训练后，得到学习后的网络权重参数。

4.根据权利要求3所述的方法，其特征在于，在所述步骤(2.3)中的训练过程中，根据极小化预测的标准成本与真实标准成本之间的均方差进行训练，如式(2)所示：

其中n表示样本个数，y_i表示样本标签，表示网络输出的预测值，i表示样本编号。

5.根据权利要求3所述的方法，其特征在于，所述步骤(2.3)步骤具体包括：

(2.3.1)随机初始化LSTM预测网络参数θ和LSTM优化器参数φ，通过初始化参数得到LSTM预测网络初始的损失l₀；

(2.3.2)根据时刻t的LSTM预测网络参数θ_t，求出网络损失关于参数的偏导

(2.3.3)将及LSTM优化器前一时刻隐藏层作为LSTM优化器的输入，得到θ_t的更新梯度g_t，将LSTM预测网络的权重更新为θ_t+1＝θ_t+g_t；

(2.3.4)当t整除20时，通过LSTM优化器的损失L_t(φ)更新优化器的权重φ，即每20个step更新LSTM优化器的权重；

(2.3.5)循环(2.3.2)至(2.3.4)交替更新θ和φ，直到网络收敛。