基于LSTM模型的短期電網(wǎng)負荷預測分析案例概述目錄TOC\o"1-3"\h\u7849基于LSTM模型的短期電網(wǎng)負荷預測分析案例概述 1129041.1總體架構(gòu) 1230131.2數(shù)據(jù)獲取 1123961.3數(shù)據(jù)處理 298091.4模型建立 2304421.5負荷預測 51.1總體架構(gòu)LSTM神經(jīng)網(wǎng)絡就是為了處理梯度消失這一問題而開發(fā)和創(chuàng)建的，結(jié)構(gòu)類似于RNN。它的一個計算子程序的節(jié)點包括輸入門，輸出窗口，遺忘門及Cell。Cell作為一個數(shù)據(jù)庫和計算節(jié)點的核心，用于實現(xiàn)對當前時刻的記錄；輸入窗口用來控制對信息的輸入；遺忘門可以用來控制人類細胞的歷史狀況信息；輸出閥門是用于控制信息的輸出。門可以通過使用一個sigmoid函數(shù)作為被激活的函數(shù)，使得這個被遺忘門的輸入值大約是在[0，1]之間。當遺忘門的輸出設置為0時，表示把上一個狀態(tài)下所有的數(shù)據(jù)信息都完全放棄；例如，當一個遺忘門的輸入值變化為1時，則代表上一種狀態(tài)下所有的信息都被全部保存。1.2數(shù)據(jù)獲取LSTM要代入兩種數(shù)據(jù)集，第一種是上述第三章介紹的河北秦皇島地區(qū)的3個多月的綜合數(shù)據(jù)；第二種是國外電網(wǎng)系統(tǒng)的負荷數(shù)據(jù)加氣象數(shù)據(jù)，兩種數(shù)據(jù)集都是小時級的，由于CNN-LSTM組合模型所需要的數(shù)據(jù)集極為龐大，之前原有的秦皇島地區(qū)負荷數(shù)據(jù)已經(jīng)不再滿足需求，所以從負荷數(shù)據(jù)共享平臺獲得了歐洲輸電系統(tǒng)電網(wǎng)負荷數(shù)據(jù)，拓寬數(shù)據(jù)集的深度，從2003年3月1日到2009年6月17日共有1048576條數(shù)據(jù)，包括了當時的氣溫，運用此數(shù)據(jù)集，測試LSTM的預測能力以及性能。1.3數(shù)據(jù)處理將現(xiàn)有的秦皇島負荷數(shù)據(jù)分為兩個部分，第一個部分是2016年3月到5月的數(shù)據(jù)，這部分數(shù)據(jù)將作為訓練輸入，放到模型當中；第二部分是2016年6月的數(shù)據(jù)，作為對比數(shù)據(jù)。在模型當中設定預測2016年的6月的數(shù)據(jù)，將預測之后的數(shù)據(jù)與對比數(shù)據(jù)作對比，進而可以研究預測的準確性。而國外輸電系統(tǒng)的負荷數(shù)據(jù)已經(jīng)放到模型當中使用過了，所以只做個簡單的預處理即可直接使用。1.4模型建立對于一個給定的輸入時間序列x=(x1，?，xT?tyt式中：Wx?、W??、W?y可以分別被用來表示由一個連接輸入端與層內(nèi)部連接兩端到另一個連接隱含端兩層、輸入端與層內(nèi)部、隱含端與層外部連接到另一個連接輸出端兩層的各種類型網(wǎng)絡偏移權(quán)重密度系數(shù)；LSTM是一種特殊類型的循環(huán)神經(jīng)網(wǎng)絡，主要依靠經(jīng)過精心設計的"門"結(jié)構(gòu)來實現(xiàn)，從而通過去除或者停止使用更多的神經(jīng)信息從而進入人體細胞正常狀態(tài)的一種功能。LSTM門是否互通意指如何讓用戶信息可以自由選擇性流通的這種管理方法，LSTM擁有3個門，用于保護和控制細胞狀態(tài)，分別為：輸入門、輸出門和遺忘門。圖4-1給出了一個典型的LSTM長短期記憶模塊的結(jié)構(gòu)。圖4-1LSTM網(wǎng)絡的長短期記憶模塊結(jié)構(gòu)圖4-1中所示的細胞狀態(tài)神經(jīng)元即是標準循環(huán)神經(jīng)網(wǎng)絡中隱含層的神經(jīng)元，該細胞狀態(tài)神經(jīng)元的激發(fā)輸出ct函數(shù)可由式(3)表示ct式中：ct?1賦值代替了第t到t-1個神經(jīng)細胞控制狀態(tài)下的一個神經(jīng)元網(wǎng)絡輸出；ft和it分別是被用來用于表示當前遺忘輸入門和當前輸入窗口的網(wǎng)絡激發(fā)和控制輸出計算結(jié)果；WXc輸入門主要是依據(jù)上個輸出?t?1和當前的輸入xt來決定需要更新哪些屬性以及新屬性的信息，式(4)給出了輸入門的激發(fā)輸出it式中：S（·）函數(shù)可以直接用來表示logisticsigmoid中的函數(shù)；WXi則表示從當前一個網(wǎng)絡模塊輸入門的層閥門開始到當前一個模塊網(wǎng)絡輸入門的一個網(wǎng)絡偏移權(quán)重對比系數(shù)；W?i則表示從第t-1個模塊網(wǎng)絡長短期的網(wǎng)絡記憶點在模塊被網(wǎng)絡送出后開始得到當前一個模塊輸入層閥門的一個網(wǎng)絡偏移權(quán)重對比系數(shù)；輸出門主要是依據(jù)上個輸出?t?1和當前的輸入xt決定現(xiàn)在要輸出什么，式(5)給出了輸出門的激發(fā)輸出ot式中：WXo分別表示從當前記憶網(wǎng)絡直接輸入輸出層閥門到當前一個模塊網(wǎng)絡輸出層閥門的長度網(wǎng)絡偏差權(quán)重矢量系數(shù)；W?o分別表示從第t或t-1個處于網(wǎng)絡長短期的長度記憶網(wǎng)絡模塊被直接送入閥門到當前一個模塊輸出層閥門的長度網(wǎng)絡偏差權(quán)重矢量系數(shù)；Wco分別表示從第t或t-1個處于細胞活動狀態(tài)的網(wǎng)絡神經(jīng)元送入到當前一個模塊輸出層閥門的長度網(wǎng)絡偏差權(quán)重矢量系數(shù)；bft式中：WXf表示從網(wǎng)絡輸入層到當前模塊遺忘門的網(wǎng)絡權(quán)重系數(shù)；W?f分別表示從第t-1個長短期記憶模塊輸出到當前遺忘門的網(wǎng)絡權(quán)重系數(shù)；最終，長短期記憶模塊的輸出h_t可由式(7)求取。 ?t1.5負荷預測（1）河北秦皇島地區(qū)綜合數(shù)據(jù)集圖4-2訓練進度實時跟蹤圖將迭代次數(shù)設置為250次，學習率為0。001，經(jīng)過簡單的訓練之后，可以看到RMSE降到了很低，而損失從第100次之后就是幾乎為0的狀態(tài)，說明LSTM具有很好的不失真表現(xiàn)，不過訓練出來的誤差還是差強人意。（2）國外