亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于多尺度跳躍深度長(zhǎng)短期記憶網(wǎng)絡(luò)的短期多變量負(fù)荷預(yù)測(cè)

        2021-01-21 03:23:34鄭楷洪鄭鎮(zhèn)境馬千里
        計(jì)算機(jī)應(yīng)用 2021年1期
        關(guān)鍵詞:時(shí)刻尺度建模

        肖 勇,鄭楷洪,鄭鎮(zhèn)境,錢(qián) 斌,李 森,馬千里*

        (1.南方電網(wǎng)科學(xué)研究院有限責(zé)任公司,廣州 510080;2.華南理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,廣州 510006)

        0 引言

        隨著社會(huì)經(jīng)濟(jì)的發(fā)展和人民生活水平的提高,對(duì)供電質(zhì)量提出了更高的要求。精確的電力負(fù)荷預(yù)測(cè)能為電量生產(chǎn)和供電調(diào)度提供可靠的指導(dǎo),從而提升電力系統(tǒng)的供電質(zhì)量。

        傳統(tǒng)的電力負(fù)荷預(yù)測(cè)方法有時(shí)間序列分析[1]、回歸分析[2]和卡爾曼濾波[3]等。隨著人工智能技術(shù)的發(fā)展,神經(jīng)網(wǎng)絡(luò)[4-5]、支持向量回歸[6]和高斯過(guò)程[7]等智能方法被應(yīng)用于電力負(fù)荷預(yù)測(cè),其中神經(jīng)網(wǎng)絡(luò)擁有較強(qiáng)的非線(xiàn)性擬合和自學(xué)習(xí)能力,能夠較好地解決傳統(tǒng)方法非線(xiàn)性擬合能力差的缺陷。循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)[8]是一類(lèi)擁有循環(huán)連接的神經(jīng)網(wǎng)絡(luò),能夠?qū)r(shí)序數(shù)據(jù)進(jìn)行建模。因此,在人工智能方法中使用RNN 為主體構(gòu)建的預(yù)測(cè)模型成為短期電力負(fù)荷預(yù)測(cè)模型的典型代表。雖然RNN 具有時(shí)序建模的能力,但存在“梯度消失”和“梯度爆炸”的問(wèn)題。為了解決該問(wèn)題,Hochreiter 等[9]提出了長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)。文獻(xiàn)[10]和文獻(xiàn)[11]成功將LSTM 應(yīng)用到短期電力負(fù)荷預(yù)測(cè)中,提升了負(fù)荷預(yù)測(cè)精度。然而,短期電力負(fù)荷數(shù)據(jù)中存在著多尺度時(shí)序特征,其具體表現(xiàn)為在年、月、星期和日不同期限上均具有明顯的周期性[12]。近年來(lái),在時(shí)間序列分類(lèi)[13]和聚類(lèi)[14]任務(wù)中,多尺度特征已經(jīng)展示出能有效提升模型性能的潛力。然而,如何高效地對(duì)存在于短期電力負(fù)荷數(shù)據(jù)中的多尺度時(shí)間結(jié)構(gòu)進(jìn)行建模,進(jìn)一步提升短期電力負(fù)荷預(yù)測(cè)的精度,仍未得到廣泛的研究。

        針對(duì)電力負(fù)荷數(shù)據(jù)中存在的多尺度時(shí)間結(jié)構(gòu),本文提出了一種基于多尺度跳躍深度LSTM(Multi-scale Skip Deep Long Short-Term Memory,MSD-LSTM)的短期電力負(fù)荷預(yù)測(cè)模型。該模型使用多層LSTM 網(wǎng)絡(luò)架構(gòu)并且每層設(shè)計(jì)不同的跳躍連接。LSTM能夠較好地對(duì)電力負(fù)荷進(jìn)行建模,跳躍連接使得模型具有捕獲負(fù)荷數(shù)據(jù)中多尺度時(shí)序特征的能力。實(shí)驗(yàn)結(jié)果證明該模型有效地提升了短期電力負(fù)荷預(yù)測(cè)的精度。

        本文的主要貢獻(xiàn)如下:

        1)提出了一種基于多尺度跳躍深度LSTM 的短期電力負(fù)荷預(yù)測(cè)模型,通過(guò)使用不同的跳躍連接來(lái)捕獲短期電力負(fù)荷數(shù)據(jù)中的多尺度時(shí)序結(jié)構(gòu)特征,幫助模型更好地進(jìn)行負(fù)荷預(yù)測(cè);

        2)兩個(gè)地區(qū)負(fù)荷數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明所提出的短期負(fù)荷預(yù)測(cè)方法可以有效提高電力負(fù)荷預(yù)測(cè)精度。

        1 時(shí)間序列分析

        電力負(fù)荷數(shù)據(jù)從長(zhǎng)期來(lái)看是波動(dòng)變化的,但是這種波動(dòng)變化會(huì)呈現(xiàn)出周期性和連續(xù)性的特點(diǎn)。對(duì)于短期電力負(fù)荷預(yù)測(cè)而言,其在年、月、星期、日不同期限上均具有明顯的周期性。

        圖1 所示為某地區(qū)四個(gè)星期的電力負(fù)荷變化曲線(xiàn)。從圖1 可以看出,每個(gè)星期中工作日的負(fù)荷值較為平穩(wěn),此時(shí)工業(yè)和商業(yè)用電主導(dǎo)。在休息日,負(fù)荷從工業(yè)和商業(yè)用電主導(dǎo)轉(zhuǎn)變?yōu)榧彝ビ秒娭鲗?dǎo),負(fù)荷值呈現(xiàn)下降趨勢(shì)。此外,從圖1 中可以看出電力負(fù)荷值在星期這個(gè)時(shí)間尺度上呈現(xiàn)出明顯的周期性。

        通過(guò)上述分析可以發(fā)現(xiàn),時(shí)間是短期電力負(fù)荷預(yù)測(cè)中重要的影響因素,這使得電力負(fù)荷數(shù)據(jù)呈現(xiàn)出規(guī)律波動(dòng)的特點(diǎn)并具有明顯的周期性。針對(duì)短期電力負(fù)荷數(shù)據(jù)存在的周期性變化,本文利用多層LSTM 并且在每層設(shè)置不同的跳躍連接數(shù),顯式地建模電力負(fù)荷數(shù)據(jù)中存在的多尺度時(shí)間結(jié)構(gòu),從而更好地進(jìn)行短期電力負(fù)荷預(yù)測(cè)。

        圖1 某地區(qū)四周的負(fù)荷變化曲線(xiàn)Fig.1 Four-week load curve of an area

        2 LSTM

        雖然RNN 具有時(shí)序建模的能力,能夠較好地應(yīng)用于電力負(fù)荷預(yù)測(cè)任務(wù),但在誤差反向傳播時(shí),會(huì)存在“梯度消失”和“梯度爆炸”的問(wèn)題。為了解決RNN 存在的問(wèn)題,Hochreiter等[9]提出了LSTM。LSTM 通過(guò)專(zhuān)門(mén)地設(shè)計(jì)隱含層單元來(lái)解決長(zhǎng)期依賴(lài)問(wèn)題。不同于標(biāo)準(zhǔn)的RNN,LSTM 在隱含層的內(nèi)部設(shè)計(jì)了遺忘門(mén)、輸入門(mén)、輸出門(mén)以及細(xì)胞狀態(tài),這使得LSTM能夠擁有良好的長(zhǎng)短期記憶能力。

        LSTM的隱含層單元可以看作一個(gè)細(xì)胞,細(xì)胞狀態(tài)保存了長(zhǎng)期記憶。細(xì)胞狀態(tài)在每個(gè)時(shí)刻與當(dāng)前輸入進(jìn)行少量的線(xiàn)性交互,從而允許網(wǎng)絡(luò)在較長(zhǎng)持續(xù)時(shí)間內(nèi)保存信息。此外,當(dāng)信息被使用,網(wǎng)絡(luò)可以遺忘舊的狀態(tài)。

        LSTM 的隱含層內(nèi)部結(jié)構(gòu)如圖2 所示,其中xt表示t時(shí)刻LSTM 輸入變量,ht和ht-1分別表示t和t-1 時(shí)刻的隱含層狀態(tài),Ct和Ct-1分別表示t和t-1時(shí)刻的細(xì)胞狀態(tài),ft表示遺忘門(mén)的輸出,it表示輸入門(mén)的輸出,C~t表示t時(shí)刻用來(lái)更新細(xì)胞狀態(tài)的備選信息,ot表示輸出門(mén)的輸出,σ表示sigmoid函數(shù)。

        圖2 LSTM隱含層內(nèi)部結(jié)構(gòu)Fig.2 Hidden layer internal structure of LSTM

        式(1)中:Wf表示遺忘門(mén)權(quán)重矩陣,bf表示遺忘門(mén)偏置。根據(jù)式(1)和式(2)可知,ft為一個(gè)0 到1 的實(shí)數(shù),這決定了細(xì)胞狀態(tài)的遺忘比例。

        同樣的,式中的Wi和WC表示連接權(quán)重矩陣,bi和bC表示偏置。it為0到1的實(shí)數(shù)表示t時(shí)刻用來(lái)更新細(xì)胞狀態(tài)的備選信息,tanh(·)表示雙曲正切函數(shù)。

        在遺忘門(mén)中細(xì)胞狀態(tài)與ft相乘,遺忘需要丟棄的信息;在輸入門(mén)中再加上更新細(xì)胞狀態(tài)。這可以用以下公式表示:

        最后,LSTM 需要確定輸出什么值,這個(gè)輸出是基于經(jīng)過(guò)更新的細(xì)胞狀態(tài),具體過(guò)程可以用以下公式表示:

        其中:Wo表示輸出門(mén)權(quán)重矩陣,bo表示輸出門(mén)偏置。簡(jiǎn)便起見(jiàn),本文將LSTM 隱含層狀態(tài)的更新過(guò)程表示為函數(shù)FLSTM(·),在長(zhǎng)短期記憶網(wǎng)絡(luò)的前向傳播過(guò)程中,隱含層狀態(tài)的更新公式為:

        3 基于MSD-LSTM的負(fù)荷預(yù)測(cè)模型

        3.1 MSD-LSTM

        LSTM 雖然有效地解決了RNN 存在的無(wú)法有效學(xué)習(xí)長(zhǎng)時(shí)依賴(lài)的問(wèn)題,但是電力負(fù)荷數(shù)據(jù)中存在著不同尺度的時(shí)間結(jié)構(gòu)特征,而LSTM 卻不具備捕捉多尺度時(shí)間特征的能力。針對(duì)該問(wèn)題,本文對(duì)LSTM 進(jìn)行改進(jìn),提出了一種基于多尺度跳躍深度長(zhǎng)短期記憶(MSD-LSTM)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法,使其具有捕捉電力負(fù)荷數(shù)據(jù)中多尺度時(shí)序信息的能力。MSD-LSTM 通過(guò)把LSTM 的拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)為多層并且加入循環(huán)跳躍連接[15],以此改變歷史信息與當(dāng)前信息的交互周期,使得每層擁有了不同時(shí)間周期的建模能力,顯式地對(duì)電力負(fù)荷數(shù)據(jù)中的多尺度時(shí)間結(jié)構(gòu)進(jìn)行建模。MSD-LSTM 的每一層使用不同循環(huán)跳躍尺度的LSTM,即每個(gè)時(shí)刻的隱含層狀態(tài)更新時(shí)依賴(lài)的不是上一個(gè)時(shí)刻的隱含層狀態(tài),而是依賴(lài)多個(gè)時(shí)刻之前的狀態(tài)。如圖3 所示,第一層的跳躍連接數(shù)為1,則第一層為傳統(tǒng)的LSTM;第二層的跳躍連接數(shù)為2,則隱含層狀態(tài)更新時(shí)依賴(lài)的是往前兩個(gè)時(shí)刻的隱含層狀態(tài);第三層的跳躍連接數(shù)為4,則隱含層狀態(tài)更新時(shí)依賴(lài)的是往前4個(gè)時(shí)刻的隱含層狀態(tài)。加入循環(huán)跳躍連接后的LSTM 的更新過(guò)程可以表示為:

        其中上標(biāo)i表示層數(shù),后續(xù)模型部分的所有上標(biāo)皆為該含義。

        在網(wǎng)絡(luò)訓(xùn)練的前向傳播過(guò)程中,第一層LSTM 的輸入為預(yù)處理后的電力負(fù)荷數(shù)據(jù)以及天氣數(shù)據(jù)組成的多維變量序列,如圖3 中輸入數(shù)據(jù)為1 到T時(shí)刻的負(fù)荷數(shù)據(jù),維度為T(mén)×D,T表示輸入的時(shí)刻數(shù),D表示每個(gè)時(shí)刻輸入的向量的維度;輸出為T(mén)+1時(shí)刻的負(fù)荷預(yù)測(cè)值。天氣數(shù)據(jù)幫助模型更好地進(jìn)行負(fù)荷預(yù)測(cè)。其余層的輸入為上一層LSTM 的輸出,最后把每一層最后一個(gè)時(shí)刻的隱含層狀態(tài)進(jìn)行拼接后輸入到全連接層形成融合特征,利用該融合特征進(jìn)行未來(lái)負(fù)荷值的預(yù)測(cè)。多層不同跳躍尺度的LSTM 前向傳播過(guò)程可以用下列公式表示:

        MSD-LSTM的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,其中方框內(nèi)的圓形表示圖2的LSTM 單元,圓形左邊的箭頭表示接收上一個(gè)時(shí)刻的隱含層狀態(tài);右邊的箭頭當(dāng)前時(shí)刻的隱含層狀態(tài)輸入到下一個(gè)時(shí)刻的LSTM 單元;下方的箭頭表示當(dāng)前時(shí)刻的輸入;上方的箭頭表示當(dāng)前時(shí)刻的LSTM 單元的輸出。使用前T個(gè)時(shí)刻的數(shù)據(jù)來(lái)預(yù)測(cè)T+1 時(shí)刻的負(fù)荷值,每個(gè)時(shí)刻的輸入為一個(gè)6維向量,即D為6,包含負(fù)荷數(shù)據(jù)以及天氣數(shù)據(jù)。網(wǎng)絡(luò)層數(shù)設(shè)為3 層,每一層的跳躍連接數(shù)分別為1,2 和4。最后,通過(guò)全連接層將每層LSTM 第T個(gè)時(shí)刻的隱含層狀態(tài)進(jìn)行融合得到融合特征,利用該融合特征去預(yù)測(cè)下一時(shí)刻的負(fù)荷值。

        圖3 MSD-LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Structure of MSD-LSTM network

        MSD-LSTM 通過(guò)給每層LSTM 設(shè)計(jì)不同的跳躍連接數(shù),使得每層擁有不同時(shí)間周期的建模能力。本文研究的負(fù)荷預(yù)測(cè)是短期電力負(fù)荷預(yù)測(cè),其在年、月、星期、日不同期限上均具有明顯的周期性。因此,MSD-LSTM 第一層的跳躍連接數(shù)設(shè)為1,捕捉日依賴(lài)關(guān)系;第二層的跳躍連接數(shù)設(shè)為7,捕捉周依賴(lài)關(guān)系;第三層的跳躍連接數(shù)設(shè)為30,捕捉月依賴(lài)關(guān)系。最后通過(guò)引入全連接層,把每層提取到的不同尺度信息進(jìn)行融合,即將每層T時(shí)刻的隱含層狀態(tài)拼接后作為全連接層的輸入,實(shí)現(xiàn)多尺度結(jié)構(gòu)信息的融合,并把全連接層的輸出作為預(yù)測(cè)值,即T+1時(shí)刻的負(fù)荷值。全連接層可以使用以下公式表示:

        其中:Wfc為全連接層權(quán)重,b表示偏置,xT+1為全連接層的輸出,HT為各層LSTM 最后一個(gè)時(shí)刻隱含層狀態(tài)的拼接,可以用以下公式表示:

        3.2 基于MSD-LSTM的短期負(fù)荷預(yù)測(cè)算法流程

        步驟1 構(gòu)建時(shí)間序列數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試。對(duì)電力負(fù)荷數(shù)據(jù)以及天氣數(shù)據(jù)進(jìn)行歸一化,采取一步預(yù)測(cè)的方法并對(duì)歸一化后的數(shù)據(jù)做窗口滑動(dòng)處理得到N條長(zhǎng)度為T(mén)的負(fù)荷序列樣本集,即以前T個(gè)時(shí)間點(diǎn)的數(shù)據(jù)作為“特征”,下一個(gè)時(shí)間點(diǎn)的數(shù)據(jù)作為“標(biāo)簽”。將樣本集按7∶3 的比例劃分為訓(xùn)練集和測(cè)試集,即前0.7×N條序列作為訓(xùn)練集,后0.3×N條序列作為測(cè)試集。

        步驟2 逐層構(gòu)建LSTM,每一層設(shè)置不同的跳躍連接以建模多尺度時(shí)序依賴(lài)關(guān)系。

        步驟3 構(gòu)建全連接層將各層LSTM 的依賴(lài)關(guān)系進(jìn)行融合并把全連接層的輸出作為預(yù)測(cè)值形成多尺度跳躍深度LSTM模型。

        步驟4 訓(xùn)練步驟3構(gòu)建的模型,在網(wǎng)絡(luò)訓(xùn)練的前向傳播過(guò)程中,第一層LSTM 輸入為經(jīng)步驟1 處理過(guò)的訓(xùn)練數(shù)據(jù)集,其余層的輸入為上一層LSTM 的輸出,把每一層最后一個(gè)時(shí)刻的隱含層狀態(tài)進(jìn)行拼接后輸入到全連接層形成融合特征,利用該融合特征進(jìn)行未來(lái)負(fù)荷值的預(yù)測(cè)。在網(wǎng)絡(luò)訓(xùn)練的反向傳播過(guò)程中,使用基于時(shí)間的反向傳播(BackPropagation Through Time,BPTT)算法[16]來(lái)最小化損失函數(shù),即均方誤差,從而優(yōu)化模型的參數(shù)。

        步驟5 使用訓(xùn)練后的模型對(duì)經(jīng)步驟1 處理過(guò)的電力負(fù)荷測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè),計(jì)算預(yù)測(cè)值和真實(shí)值之間的均方誤差。

        4 實(shí)驗(yàn)分析與比較

        4.1 數(shù)據(jù)來(lái)源

        本文研究的是帶有天氣數(shù)據(jù)的短期電力負(fù)荷預(yù)測(cè),使用2012年1月1日到2014年12月31日兩個(gè)地區(qū)真實(shí)負(fù)荷數(shù)據(jù),數(shù)據(jù)來(lái)源于2016 年電工數(shù)學(xué)建模競(jìng)賽A 題。此外,這個(gè)數(shù)據(jù)集還提供最高溫度、最低溫度、平均溫度、相對(duì)濕度和降雨量5個(gè)天氣數(shù)據(jù)。本文利用這5個(gè)天氣數(shù)據(jù)來(lái)幫助負(fù)荷預(yù)測(cè),即將負(fù)荷數(shù)據(jù)以及5個(gè)天氣數(shù)據(jù)拼接為6維向量。

        本文分別抽取兩個(gè)地區(qū)每天6:00、12:00和18:00的負(fù)荷值進(jìn)行負(fù)荷預(yù)測(cè),因此總的樣本集有6 個(gè),每個(gè)樣本集中有1 096 個(gè)時(shí)間點(diǎn),每個(gè)時(shí)間點(diǎn)為一個(gè)6 維的向量,包含負(fù)荷及天氣數(shù)據(jù)。負(fù)荷和天氣數(shù)據(jù)擁有不同的數(shù)量級(jí)和量綱。為了去除這些影響,需要對(duì)輸入量進(jìn)行歸一化處理,將其轉(zhuǎn)化為無(wú)量綱的純數(shù)值。本文采取離差標(biāo)準(zhǔn)化的歸一化方式。每個(gè)樣本集原始數(shù)據(jù)表示為s=[s1,s2,…,sn]T其中sj=對(duì)原始數(shù)據(jù)進(jìn)行如下歸一化:

        得到歸一化的樣本集e=[e1,e2,…,en]T。

        4.2 實(shí)驗(yàn)設(shè)置

        這部分展示了MSD-LSTM 應(yīng)用在短期電力負(fù)荷預(yù)測(cè)上的實(shí)驗(yàn)設(shè)置。本文將MSD-LSTM 與多層長(zhǎng)短期記憶(Multi-layer Long Short-Term Memory,MLSTM)網(wǎng)絡(luò)、單層長(zhǎng)短期記憶(Single-layer Long Short-Term Memory,SLSTM)網(wǎng)絡(luò)、支持向量回歸(Support Vector Regression,SVR)[17]和高斯過(guò)程(Gaussian Process,GP)[18]進(jìn)行了對(duì)比實(shí)驗(yàn)。使用過(guò)去35 天的負(fù)荷值和天氣數(shù)據(jù)來(lái)預(yù)測(cè)下一天的負(fù)荷值,則對(duì)樣本集做窗口滑動(dòng)處理得到1 062 條長(zhǎng)度為35 的序列,即樣本。構(gòu)建時(shí)間序列數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試時(shí),將1 062 個(gè)樣本集按7∶3 的比例劃分為訓(xùn)練集和測(cè)試集。MSD-LSTM 的層數(shù)設(shè)為3,每層的跳躍尺度分別設(shè)為1、7、30,相應(yīng)的每層分別對(duì)時(shí)間尺度以天、周、月為單位的電力負(fù)荷數(shù)據(jù)時(shí)序依賴(lài)關(guān)系進(jìn)行捕捉。為了檢驗(yàn)MSD-LSTM 對(duì)電力負(fù)荷數(shù)據(jù)中的多尺度時(shí)間結(jié)構(gòu)的捕捉能力,本文設(shè)置了MLSTM 和SLSTM 兩個(gè)對(duì)比實(shí)驗(yàn)。MLSTM 的層數(shù)設(shè)為3,每一層的跳躍尺度設(shè)為1,以檢驗(yàn)多尺度時(shí)間結(jié)構(gòu)對(duì)預(yù)測(cè)性能的提升;SLSTM 的層數(shù)設(shè)為1,跳躍尺度設(shè)為1,以檢驗(yàn)深層網(wǎng)絡(luò)結(jié)構(gòu)對(duì)預(yù)測(cè)性能的提升。LSTM 的隱含層單元數(shù)固定為48。為了保證對(duì)比實(shí)驗(yàn)的公平,本文保持上述三種模型在每個(gè)樣本集上所使用的隱含層單元數(shù)一致。SVR 和GP 同樣使用過(guò)去35 天的負(fù)荷值和天氣數(shù)據(jù)來(lái)預(yù)測(cè)下一天的負(fù)荷值。每天的數(shù)據(jù)包含負(fù)荷值以及5 個(gè)天氣數(shù)據(jù),因此本文將35天的數(shù)據(jù)拼接成一個(gè)35×6的向量作為模型的輸入,并預(yù)測(cè)下一天的負(fù)荷值。此外,SVR 和GP 都是基于核函數(shù)的模型,在本文中SVR 和GP 的核函數(shù)都選取高斯核函數(shù)。

        MSD-LSTM、MLSTM 和SLSTM 訓(xùn)練時(shí)使用mini-batch 技術(shù),batch size 設(shè)置為32,即訓(xùn)練時(shí)每次迭代輸入32 個(gè)樣本并計(jì)算損失函數(shù),根據(jù)損失函數(shù)反向傳播更新網(wǎng)絡(luò)的參數(shù)。訓(xùn)練時(shí)使用mini-batch 技術(shù),可以使網(wǎng)絡(luò)參數(shù)更新更快,同時(shí)有利于網(wǎng)絡(luò)參數(shù)更加魯棒地收斂。此外,為了防止過(guò)擬合,在全連接層使用Dropout,Dropout率設(shè)為0.05。

        4.3 實(shí)驗(yàn)結(jié)果

        4.3.1 對(duì)比實(shí)驗(yàn)

        使用MSD-LSTM 與MLSTM、SLSTM、SVR 和GP 分別進(jìn)行實(shí)驗(yàn)并對(duì)比。表1 為各模型在短期電力負(fù)荷上的預(yù)測(cè)結(jié)果,采用均方誤差(Mean Squared Error,MSE)作為評(píng)判標(biāo)準(zhǔn):

        其中:yi和分別表示測(cè)試集中對(duì)應(yīng)第i個(gè)樣本的真實(shí)值和預(yù)測(cè)值,M表示測(cè)試集樣本個(gè)數(shù)。

        從表1 可以看出,MSD-LSTM 在6 個(gè)樣本集中的短期負(fù)荷預(yù)測(cè)都取得了較好的預(yù)測(cè)精度。一方面,與SVR 和GP 對(duì)比,MSD-LSTM 是以L(fǎng)STM 為主體構(gòu)建的預(yù)測(cè)模型,能夠較好地處理序列建模任務(wù),而SVR和GP并未對(duì)存在于電力負(fù)荷數(shù)據(jù)中的時(shí)序依賴(lài)關(guān)系進(jìn)行建模,因此MSD-LSTM 的預(yù)測(cè)性能要明顯優(yōu)于這兩種方法;另一方面,與SLSTM 對(duì)比,MSD-LSTM 由三層LSTM 構(gòu)成,能夠更好地建模電力負(fù)荷數(shù)據(jù)中的動(dòng)態(tài)特性,取得了更好的預(yù)測(cè)精度,表明深層網(wǎng)絡(luò)結(jié)構(gòu)有利于預(yù)測(cè)性能的提升。與MLSTM 對(duì)比,MSD-LSTM 通過(guò)循環(huán)跳躍連接對(duì)短期電力負(fù)荷中的日、周和月的時(shí)序依賴(lài)關(guān)系進(jìn)行建模,增強(qiáng)了LSTM 對(duì)多尺度時(shí)序結(jié)構(gòu)建模的能力,取得了更好的預(yù)測(cè)精度,表明多尺度時(shí)間結(jié)構(gòu)能夠提升預(yù)測(cè)性能。因此,MSDLSTM 通過(guò)結(jié)合深層網(wǎng)絡(luò)結(jié)構(gòu)建模動(dòng)態(tài)特性的能力以及多尺度跳躍連接提取多尺度時(shí)間結(jié)構(gòu)信息的能力,有效地提升了短期電力負(fù)荷預(yù)測(cè)精度。

        表1 不同方法的負(fù)荷預(yù)測(cè)均方誤差(MSE)對(duì)比Tab.1 Comparison of load forecasting MSE of different methods

        更進(jìn)一步地,本文從6 個(gè)樣本集中隨機(jī)抽取1 個(gè)樣本集,使用上述各種模型對(duì)其進(jìn)行負(fù)荷預(yù)測(cè),并對(duì)比了各種模型的絕對(duì)誤差。絕對(duì)誤差越接近0說(shuō)明預(yù)測(cè)精度越高,越遠(yuǎn)離0說(shuō)明預(yù)測(cè)精度越低。圖4 展示了MSD-LSTM、SLSTM、MLSTM、SVR 和GP 五種模型預(yù)測(cè)的負(fù)荷值與實(shí)際負(fù)荷值的絕對(duì)誤差曲線(xiàn)。對(duì)比5 條絕對(duì)誤差曲線(xiàn),可以看出MSD-LSTM 能夠取得最好的預(yù)測(cè)精度,具體表現(xiàn)為取得了最低的絕對(duì)誤差,平均值為0.069。

        圖4 不同方法的絕對(duì)誤差曲線(xiàn)Fig.4 Absolute error curves of different methods

        4.3.2 超參數(shù)探究

        為了探究層數(shù)、跳躍數(shù)以及步長(zhǎng)(即使用過(guò)去多少天的數(shù)據(jù)來(lái)進(jìn)行下一天的負(fù)荷預(yù)測(cè))對(duì)MSD-LSTM 性能的影響,本文設(shè)置了7組使用不同超參數(shù)的對(duì)比實(shí)驗(yàn),其在6個(gè)樣本集上的結(jié)果如表2所示。首先,對(duì)比實(shí)驗(yàn)1和實(shí)驗(yàn)4的結(jié)果,實(shí)驗(yàn)4取得了更低的MSE,這表明深層網(wǎng)絡(luò)有利于提升短期負(fù)荷預(yù)測(cè)的精度。對(duì)比實(shí)驗(yàn)2 和實(shí)驗(yàn)7 可以得到同樣的結(jié)果。進(jìn)一步的,對(duì)比實(shí)驗(yàn)4,5 和7 的結(jié)果,實(shí)驗(yàn)7 取得了最低的MSE。這表明跳躍數(shù)會(huì)影響模型的性能,同時(shí)根據(jù)數(shù)據(jù)實(shí)際的多尺度時(shí)間結(jié)構(gòu)來(lái)選擇合適的跳躍數(shù)有利于提升模型的性能。最后,對(duì)比實(shí)驗(yàn)2,3 以及實(shí)驗(yàn)6,7 的結(jié)果,可以發(fā)現(xiàn)具有更短步長(zhǎng)的模型可以取得更好的結(jié)果。因此,有效地使用MSDLSTM需要綜合考慮多個(gè)超參數(shù)的影響。

        表2 不同超參數(shù)設(shè)置的負(fù)荷預(yù)測(cè)均方誤差(MSE)對(duì)比Tab.2 Comparison of load forecasting MSE of different hyperparameter settings

        5 結(jié)語(yǔ)

        本文針對(duì)LSTM 無(wú)法有效建模電力負(fù)荷數(shù)據(jù)中存在的多尺度時(shí)間結(jié)構(gòu)的問(wèn)題,提出了MSD-LSTM。MSD-LSTM 將LSTM 的拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)為多層并在每層中設(shè)置不同的跳躍連接,顯式地對(duì)短期電力負(fù)荷數(shù)據(jù)中的多尺度時(shí)間結(jié)構(gòu)進(jìn)行建模。通過(guò)兩個(gè)地區(qū)負(fù)荷數(shù)據(jù)的實(shí)驗(yàn)分析,證明了MSD-LSTM能夠有效地捕捉短期電力負(fù)荷數(shù)據(jù)中的多尺度時(shí)間結(jié)構(gòu),從而提升負(fù)荷預(yù)測(cè)精度。

        MSD-LSTM 采取的跳躍連接數(shù)是手工設(shè)置的,需要依靠先驗(yàn)知識(shí),無(wú)法自適應(yīng)地學(xué)習(xí)電力負(fù)荷數(shù)據(jù)的多尺度結(jié)構(gòu)。未來(lái)的工作會(huì)研究如何動(dòng)態(tài)自適應(yīng)地學(xué)習(xí)跳躍連接,更好地根據(jù)電力負(fù)荷數(shù)據(jù)來(lái)學(xué)習(xí)多尺度結(jié)構(gòu)并對(duì)其進(jìn)行建模,進(jìn)一步提高電力負(fù)荷預(yù)測(cè)的精度。

        猜你喜歡
        時(shí)刻尺度建模
        冬“傲”時(shí)刻
        捕獵時(shí)刻
        聯(lián)想等效,拓展建?!浴皫щ娦∏蛟诘刃?chǎng)中做圓周運(yùn)動(dòng)”為例
        財(cái)產(chǎn)的五大尺度和五重應(yīng)對(duì)
        基于PSS/E的風(fēng)電場(chǎng)建模與動(dòng)態(tài)分析
        電子制作(2018年17期)2018-09-28 01:56:44
        不對(duì)稱(chēng)半橋變換器的建模與仿真
        宇宙的尺度
        太空探索(2016年5期)2016-07-12 15:17:55
        街拍的歡樂(lè)時(shí)刻到來(lái)了
        9
        一天的時(shí)刻
        蜜桃视频在线免费观看| 亚洲国产精品中文字幕日韩| 亚洲精彩视频一区二区| 福利利视频在线观看免费| 亚洲精品国产一区二区| 国产亚洲av人片在线观看| 欧美亚洲另类自拍偷在线拍| 日本女同视频一区二区三区| 欧美老肥婆牲交videos| 看国产黄大片在线观看| 天啦噜国产精品亚洲精品| 亚洲天堂一区二区三区| 国产精品美女一区二区视频 | 亚洲国产成人精品激情| 精品一区二区三区国产av| 成品人视频ww入口| 天天躁日日躁狠狠躁av中文| 国产亚洲成年网址在线观看| 中文字幕女同人妖熟女| 国产熟女内射oooo| 国产一区二区三区在线观看精品| 一区二区三区午夜视频在线观看 | 亚洲精品视频免费在线| 真实夫妻露脸爱视频九色网| 米奇777四色精品人人爽| 专区亚洲欧洲日产国码AV| 日本成年少妇人妻中文字幕| 日韩精品人成在线播放| 无码人妻丰满熟妇片毛片| 婷婷五月亚洲综合图区| 日本人妻系列中文字幕| 麻豆精品国产精华液好用吗| 国产精品刺激好大好爽视频| 一本色道久久综合亚州精品| 国产亚洲av无码av男人的天堂| 国外亚洲成av人片在线观看| 亚欧同人精品天堂| 日本一区二区三区视频免费在线| 99国产精品人妻噜啊噜| 久久福利资源国产精品999| 亚洲中文字幕在线第六区|