[发明专利]基于BI-LSTM的重点工业设备负荷预测方法

权利要求书

1.一种基于BI-LSTM的重点工业设备负荷预测方法，其特征在于：包括如下步骤：

步骤1：采集重点工业设备的负荷历史数据，绘制日负荷曲线，分析日负荷曲线的特点，以此来确定预处理方案，对重点工业设备负荷数据进行前置预处理；

步骤2：将步骤1中前置预处理后的数据进行归一化处理；

步骤3：构建Dropout层，随机忽略设定比例特征检测器；

步骤4：构建BI-LSTM神经网络模型；

步骤5：负荷预测并对预测结果进行数据评估。

2.根据权利要求1所述的一种基于BI-LSTM的重点工业设备负荷预测方法，其特征在于：所述步骤1中，采集重点工业设备的负荷历史数据是以30s为采样频率，以一月为时间长度的时间序列，将长时间序列切割，分离出日负荷时间序列；将分离出来的时间序列进行解析、数据清洗以及数据补充，对影响预测结果的气象数据进行缓存读写。

3.根据权利要求1所述的一种基于BI-LSTM的重点工业设备负荷预测方法，其特征在于：所述步骤2中将步骤1中前置预处理后的数据进行归一化处理的公式如下：

式中，X_n是归一化后数据，X是数据集原始数据，X_min是数据集中数据最小值，X_max是数据集中数据最大值。

4.根据权利要求1所述的一种基于BI-LSTM的重点工业设备负荷预测方法，其特征在于：所述步骤4中构建BI-LSTM神经网络模型，具体包括以下步骤：

步骤4-1：通过sigmoid的神经层和一个逐点相乘的操作，选择性地让信息通过，实现对遗忘门的构建，公式如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f) (2)

式中W_f是权值系数，b_f是偏置常数，σ是sigmoid激活函数，h_t-1和x_t分别为上一时刻输入和当前输入；

步骤4-2：构建输入门结构，公式如下：

i_t＝σ(W_i·[h_t-1，x_t]+b_i) (3)

c_t＝tanh(W_C·[h_t-1，x_t]+b_C) (4)

y_t＝f_t*y_t-1+i_t*c_t (5)

式中W_c为c_t的权值系数，W_i为输入的权值系数，tanh是激活函数；

步骤4-3：构建输出门结构，公式如下：

o_t＝σ(W_o[h_t-1，x_t]+b_o) (6)

h_t＝o_t*tanh(y_t) (7)

在步骤4-1和步骤4-2后，细胞信息y_t已经得到更新，将细胞信息通过一个tanh进行处理，输出一个-1到1之间的值，并将结果与sigmoid门的输出相乘，得到确定的输出部分；

步骤4-4：计算BI-LSTM结构总输出值，在t时刻的BI-LSTM结构的总输出值为前向LSTM和后向LSTM输出之和，公式如下：

其中为向量取和操作；

步骤4-5：迭代训练BI-LSTM网络参数，

在每一次迭代中，首先将BI-LSTM网络进行后向传递，之后通过后向传递的输出，计算每个时刻输出层的误差，和前向LSTM、后向LSTM的参数导数；最后，更新BI-LSTM的网络参数。