[发明专利]一种基于BILSTM-MDN的传输线路动态热定值概率预测方法

权利要求书

1.一种基于BILSTM-MDN的传输线路动态热定值概率预测方法，其特征在于，包括以下步骤：

步骤1：选取一段传输线，对传输线周围环境数据和DTR序列数据进行归一化处理，其值域范围为[0,1]，其中，环境数据包含风速序列、风向序列、环境温度序列以及太阳辐照序列；

步骤2：分别计算风速序列、风向序列、环境温度序列、太阳辐照序列以及DTR序列的自相关系数；取自相关系数第一次小于0.6的时间点之前的序列的长度作为该序列的输入长度，并选取所有输入长度中最大的一个作为所有序列的共同输入长度M；

步骤3：将数据按照步骤2计算出的共同输入长度生成滑窗特征和标签；当计算得到的输入长度为M时，将数据集中风速序列、风向序列、环境温度序列、太阳辐照序列以及DTR序列的第1到第M行作为输入数据矩阵，而DTR数据的第M+1个作为目标数据，并滚动生成滑窗数据集；将滚动生成的滑窗数据集分为训练部分和预测部分，训练部分用于模型的参数学习，预测部分用于对训练结果进行检验和评估；

步骤4：搭建BILSTM-MDN神经网络，设定超参数后，输入滑窗数据集的训练部分进行学习从而得到训练部分误差，再调整超参数直至误差达到最小；将传统的MDN的前置网络替换为BILSTM，结合BILSTM的时序特征提取能力和MDN输出概率密度的能力，对DTR进行精确的概率预测；

步骤5：保存训练好的模型，通过步骤3中分出的预测部分数据对模型的预测准确度进行评估，并得到最终的预测结果和预测误差；通过BILSTM-MDN预测出概率密度后，通过积分计算其置信区间；计算出其置信区间之后，对预测的准确性进行评估。

2.根据权利要求1所述的一种基于BILSTM-MDN的传输线路动态热定值概率预测方法，其特征在于，所述的步骤4中，搭建的BILSTM-MDN神经网络结构从前往后分别为输入层、BILSTM层、全连接层、MDN层、输出层；

网络通过输入层输入训练数据，通过BILSTM提取数据中的时序特征，再通过MDN层得到预测值的概率密度，积分得到的概率密度即得到概率分布；其中：

BILSTM是由从前往后运算的前向LSTM神经网络和从后往前运算的后向LSTM神经网路堆叠起来组成；

混合密度网络MDN的网络结构包含两个隐含层和一个输出层，输出层输出高斯混合模型的σ、μ以及π参数；当给定输入变量x，高斯混合模型通过公式(3)的形式给出条件概率分布p(y|x)：

其中，m为混合分布组件数，π_i(x)是第i个高斯组件的混合系数，μ_i(x)和σ_i(x)对应第i个高斯组件的均值和方差；

需要指出的是，所有混合系数之和应当为1，如公式(4)所示；

通常采用softmax函数来输出π_i(x)的值，其表达形式如公式(5)所示

式(5)中为上一层网络的输出，softmax函数保证了输出混合组件系数之和为1，并且每个混合系数均在[0，1]的范围之内；

标准差σ_i(x)和均值μ_i(x)采用了如下的形式进行输出以保证其大于0：

其中，和是上一层网络的输出值；

最后，通过最大似然函数构建混合密度网络的损失函数，其定义的公式如下：

logL(y|x)的值会在训练过程中随着迭代逐渐减小，代表预测误差减小。