-9-基于CNN-LSTM的短期電網(wǎng)負荷預測分析案例概述目錄TOC\o"1-3"\h\u10754基于CNN-LSTM的短期電網(wǎng)負荷預測分析案例概述 1273291.1總體架構 1254251.2數(shù)據(jù)獲取 1143161.3數(shù)據(jù)處理 1294781.4模型建立 2313681.5負荷預測 31.1總體架構本文主要是通過綜合研究最新提出的一維CNN-LSTM網(wǎng)絡組合計算模型，充分利用一維卷積記憶神經網(wǎng)絡和長短期卷積記憶神經網(wǎng)絡在一維時間向量序列數(shù)據(jù)預測計算技術應用中的各種綜合應用優(yōu)勢，本文通過研究借鑒了我國現(xiàn)代自然語言處理計算技術及其發(fā)展演化過程研究其中傳統(tǒng)單詞法和嵌入式的數(shù)據(jù)表示計算法，將某一瞬間或者更多時刻的歷史節(jié)點特征負荷和其數(shù)值與其密切相關的各個歷史節(jié)點的特征負荷串聯(lián)在一起來對其進行構建并轉換形成一個全新的時間向量表示，進而形成一個全新的時間向量序列數(shù)據(jù)，每一時刻的歷史負荷均由與其相關的特征共同表示，然后利用一維卷積的平移不變性，使用滑動窗口表示形式依次將所有歷史用戶在計算機中輸入的各個歷史特征向量進行預測的數(shù)據(jù)逐一地產生并轉換形成一張具有歷史特征的流程圖，然后通過綜合地利用一維LSTM神經網(wǎng)絡針對其功能和特點進行訓練，最后預測電網(wǎng)負荷，與其它模型進行對比。1.2數(shù)據(jù)獲取通過之前在負荷數(shù)據(jù)分享平臺得到的數(shù)據(jù)，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，干濕度，運用此數(shù)據(jù)集，測試CNN-LSTM的預測能力以及性能。1.3數(shù)據(jù)處理現(xiàn)有的數(shù)據(jù)已經被使用過了，只做簡單的預處理即可。1.4模型建立本文分析研究人員提出的一維網(wǎng)絡cnn-LSTM神經網(wǎng)絡的多層組合堆疊模型及其結果結構如下如上圖圖示所示，主要由兩個大部分神經網(wǎng)絡共同堆疊組成：一維網(wǎng)絡CNN與LSTM，一維卷積神經網(wǎng)絡分別處理每個輸入序列段，一維卷積神經網(wǎng)絡的架構與二維卷積神經網(wǎng)絡相同，它是經過Conv1D層和MaxPooling1D層的堆疊，最后我們可以直接得到一個完整的網(wǎng)絡全局池和優(yōu)化層或者說Flatten層。在LSTM網(wǎng)絡部分，通過循環(huán)層堆疊，增加網(wǎng)絡容量，進一步提高模型預測能力，增加了每層丟失神經元的組合參考值總數(shù)或者是新增的各層的組合參考值總數(shù)，本次模擬實驗共分別累計設置3層每個LSTM網(wǎng)絡層，各層的丟失神經元組合參考值的數(shù)量依次分別設定為32，64，128，在每層每個LSTM網(wǎng)絡層間加入隨機Dropout，在每次訓練迭代過程中，會隨機地在神經網(wǎng)絡中放棄25%的神經元，以便于訓練避免被模擬化組合迭代過度。圖5-1網(wǎng)絡組合模型圖1.5負荷預測圖5-2網(wǎng)絡數(shù)據(jù)實時匯報圖此為CNN-LSTM的模型以及每個模塊對應的參數(shù)變