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LSTM及縱向?qū)Ρ鹊碾娏ο到y(tǒng)負(fù)荷評價

        2022-02-08 05:52:18河北大學(xué)國際學(xué)院黃澤壯張澤宇范涵笑
        電力設(shè)備管理 2022年24期
        關(guān)鍵詞:模型

        河北大學(xué)國際學(xué)院 黃澤壯 張澤宇 范涵笑

        基于需求,我國電力系統(tǒng)工業(yè)規(guī)模不斷擴(kuò)大,但與此同時電力工業(yè)的發(fā)展需要投入大量的社會和自然資源,對于財力物力消耗也較大,因此電力系統(tǒng)預(yù)測能夠帶來更高的經(jīng)濟(jì)收益,反之則會產(chǎn)生較大浪費(fèi)。所以,本文對于電力規(guī)劃進(jìn)行分析研究,致力于獲得最大效益,其先行條件便是做好電力負(fù)荷預(yù)測,以保證電力系統(tǒng)的安全穩(wěn)定運(yùn)行,提高電力系統(tǒng)的運(yùn)營效益[1]。

        1 概念模型建立

        如上文所述,電力系統(tǒng)負(fù)荷預(yù)測具有重要意義,為了做到準(zhǔn)確預(yù)測需要結(jié)合現(xiàn)代預(yù)測方法盡可能消除不穩(wěn)定自然因素、社會因素的相關(guān)影響。首先,從普遍意義上分析如何進(jìn)行負(fù)荷預(yù)測。為進(jìn)行準(zhǔn)確的負(fù)荷預(yù)測,滿足以下五個原則是必要的,即延續(xù)性原則、類推原則、相關(guān)原則、 概率推斷原則以及反饋原則[2]。

        神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)預(yù)測模式是當(dāng)下較為先進(jìn)并且精確的數(shù)據(jù)預(yù)測模式。使用神經(jīng)網(wǎng)絡(luò)預(yù)測,可以通過對已有的數(shù)據(jù)訓(xùn)練、對于未來數(shù)據(jù)進(jìn)行檢驗以及重復(fù)訓(xùn)練的循環(huán)構(gòu)建模式來形成規(guī)避損失的預(yù)測圖線以及數(shù)據(jù)成果。但很明顯,使用傳統(tǒng)的RNN 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模式難以對于不同隱藏層(即不同時期輸入數(shù)據(jù))進(jìn)行綜合考慮預(yù)測,因此無法取得隨時間規(guī)律性變化的電力系統(tǒng)負(fù)荷曲線的有效擬合方案,本文嘗試使用一種更高級的數(shù)據(jù)預(yù)測方式——LSTM 神經(jīng)網(wǎng)絡(luò)。

        使用這種更為優(yōu)化的神經(jīng)網(wǎng)絡(luò),可以通過一條聯(lián)系不同時間數(shù)據(jù)的“主線”,通過對相關(guān)數(shù)據(jù)的抓取以及合理舍棄得到更加精確的、具有時間累積性的數(shù)據(jù)圖像,同時為盡可能規(guī)避不確定性因素帶來的困擾,還需嘗試依據(jù)類推原則得出一定的規(guī)律性模型,從而對于數(shù)據(jù)的相關(guān)性原則以及反饋原則進(jìn)行闡釋??梢栽谑褂肔STM神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測存在較大誤差的某些點(diǎn)處使用縱向比對,獲取規(guī)律性預(yù)測結(jié)果,通過比較驗證來確定精度為兩種算法加權(quán)取得當(dāng)前時刻或者當(dāng)日的負(fù)荷數(shù)據(jù),從而削減突發(fā)因素造成的不穩(wěn)定性影響,獲得較為符合實際的預(yù)測曲線。

        基于上文構(gòu)想,筆者嘗試使用兩種算法進(jìn)行預(yù)測。借助一個對比決策模型來對于某節(jié)點(diǎn)如何取用兩種算法計算出的數(shù)據(jù)結(jié)果,如何分配權(quán)重的問題進(jìn)行考慮決策。從而在保證一般的預(yù)測規(guī)律的同時,實現(xiàn)對于突發(fā)因素的考慮,提升模型的穩(wěn)定性。

        2 預(yù)測模型的基本原理

        2.1 LSTM模型基本概述

        長短期記憶網(wǎng)絡(luò)是一種具有“二輸入”特點(diǎn)的預(yù)測神經(jīng)網(wǎng)絡(luò),其主要特征是以時間為基本鏈進(jìn)行循環(huán),屬于一種RNN神經(jīng)網(wǎng)絡(luò)。與普通RNN神經(jīng)網(wǎng)絡(luò)相比,LSTM神經(jīng)網(wǎng)絡(luò)在一定程度上克服了RNN神經(jīng)網(wǎng)絡(luò)對于時間的長期依賴性。

        LSTM是一種特殊的RNN,相較于普通的RNN神經(jīng)網(wǎng)絡(luò),LSTM 神經(jīng)網(wǎng)絡(luò)通過遺忘運(yùn)算來盡可能消除數(shù)據(jù)對于神經(jīng)網(wǎng)絡(luò)時間脈絡(luò)的長期依賴特性。將以往的每個神經(jīng)元作為節(jié)點(diǎn)串聯(lián)在主線結(jié)構(gòu)上,使用一條線性結(jié)構(gòu)“記錄”每個神經(jīng)元的發(fā)生時刻,這樣在需要使用到過去的神經(jīng)元時,只需要通過主線結(jié)構(gòu)對于過去的內(nèi)容進(jìn)行索引即可獲得相關(guān)的數(shù)據(jù),而不需要通過神經(jīng)元的鏈接進(jìn)行逐個遞推,進(jìn)而大大減少神經(jīng)網(wǎng)絡(luò)對于時間數(shù)據(jù)的依賴特性,提升預(yù)測精度。

        LSTM的關(guān)鍵即為上文提到的主線結(jié)構(gòu)。所需要處理的信息往往按著主線結(jié)構(gòu)進(jìn)行時間順序的相關(guān)處理,當(dāng)使用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測時,信息便開始從最初的神經(jīng)元接收函數(shù)處理并且沿著主線結(jié)構(gòu)向下一級進(jìn)行傳遞。經(jīng)過多級傳遞之后,便可以得到較為精確的預(yù)測結(jié)果。實際上,數(shù)據(jù)在通過主線流通神經(jīng)元的過程中,每通過一級神經(jīng)元總要經(jīng)歷一個選擇結(jié)構(gòu),這個結(jié)構(gòu)就像一個門一樣,選擇使完全符合條件的數(shù)據(jù)通過該門,而完全不符合條件的數(shù)據(jù)結(jié)構(gòu)被遺忘。門結(jié)構(gòu)主要由sigmoid 神經(jīng)網(wǎng)絡(luò)層以及計算的逐點(diǎn)相乘形成,其中神經(jīng)網(wǎng)絡(luò)層主要輸出的為0到1之間的數(shù)據(jù),表示對于數(shù)據(jù)的認(rèn)可程度,0為最低認(rèn)可度,不予以輸出;為最高認(rèn)可度,可以將數(shù)據(jù)完全輸出。

        在LSTM神經(jīng)網(wǎng)絡(luò)之中主要存在三種門結(jié)構(gòu),其主要功能特點(diǎn)如下:輸入門。決定當(dāng)前時刻網(wǎng)絡(luò)的輸入數(shù)據(jù)有多少需要保存到單元狀態(tài)。遺忘門。決定上一時刻的單元狀態(tài)有多少需要保留到當(dāng)前時刻。輸出門??刂飘?dāng)前單元狀態(tài)有多少需要輸出到當(dāng)前的輸出值。

        2.2 縱向比對模型基本概述

        使用LTSM神經(jīng)網(wǎng)絡(luò)對于一定時序下的數(shù)學(xué)模型能夠產(chǎn)生較為完美的擬合關(guān)系,使用這種數(shù)學(xué)模型可以較好地貼合對于電力系統(tǒng)負(fù)荷的時序分析。通過對于數(shù)據(jù)的時序記憶產(chǎn)生遞歸分析,從而生成所需要的擬合預(yù)測曲線。

        但是使用預(yù)測方法對于現(xiàn)實社會進(jìn)行指導(dǎo)的同時,需要考慮到現(xiàn)實社會中產(chǎn)生的不確定因素對于該模型的影響,其中電力系統(tǒng)負(fù)荷往往與風(fēng)力、溫度、天氣等方面的影響存在著較大聯(lián)系。對于其產(chǎn)生的影響,通過數(shù)學(xué)模型可以形象地得到。因此,在處理這些數(shù)據(jù)的時候不得不引入新的運(yùn)算模式。對于這樣的問題本文跳出橫向預(yù)測的結(jié)果,并且使用縱向比對的方式來 給以更加準(zhǔn)確的數(shù)據(jù)模式。

        經(jīng)過前期對于數(shù)據(jù)的分析易知,電力系統(tǒng)的負(fù)荷從年度角度來看具有極高的周期性規(guī)律。使用縱向?qū)Ρ鹊姆绞娇梢宰畲笙薅葴p弱使用LSTM預(yù)測模型時,訓(xùn)練集中天氣因素帶來的不確定性,同時對于特殊節(jié)假日帶來的非常規(guī)用電數(shù)據(jù)做出了有效解釋,其具體原理如下:

        首先,使用兩年的已知數(shù)據(jù)進(jìn)行數(shù)據(jù)運(yùn)算。然后,對于已知兩年的數(shù)據(jù)取其相關(guān)特征數(shù)據(jù),利用AM特征進(jìn)行分析。假設(shè)取日期為自變量,若某日具有特殊性意義或者存在較大溫度變化,對于該時刻的電力系統(tǒng)負(fù)荷直接進(jìn)行負(fù)荷預(yù)測有可能得到較大的誤差。可以通過AM特性對于數(shù)據(jù)的極端性進(jìn)行平衡或者對于具有特殊意義的規(guī)律性日期進(jìn)行數(shù)據(jù)的合理推移,求得:

        同時,還可以計算預(yù)測誤差程度:

        至此,可以構(gòu)建一條基于前兩年一般性數(shù)據(jù)的推導(dǎo)模型并且擬合出新的預(yù)測曲線。

        2.3 動態(tài)綜合模型的基本概述

        目前,本文通過綜合分析得到了兩種不同側(cè)重角度下的模型——LSTM長短期預(yù)測模型以及基于規(guī)律性因素所得到的縱向比對模型。使用這兩種模型,可以較為全面地考慮到負(fù)荷預(yù)測的五項原則——使用LSTM模型,利用天氣因素作為訓(xùn)練集要素,考慮時間序列下的電力負(fù)荷歷史數(shù)據(jù)從而產(chǎn)生預(yù)測圖線;同時使用縱向比對模型,考慮到特別節(jié)假日、極端天氣等問題產(chǎn)生的突發(fā)性要素,模糊突發(fā)性因素的影響,從而獲得規(guī)律化曲線。本文在關(guān)鍵節(jié)點(diǎn)可以加入一個動態(tài)擬合兩種模型的新模型——動態(tài)綜合模型,從而將兩種算法相結(jié)合,優(yōu)化原有模型并且生成一個具有高精度、高穩(wěn)定性的優(yōu)秀模型。

        本文嘗試構(gòu)建的動態(tài)綜合模型將具有兩種不同特征的算法納入考慮范圍之內(nèi),在已有研究的基礎(chǔ)之上嘗試探尋一種風(fēng)險性更低、精度更高、穩(wěn)定度更好的動態(tài)綜合模型,嘗試考慮兩種算法在某一時間點(diǎn)給出的數(shù)據(jù)的可靠度,并且以此為依據(jù)為兩種算法得到的數(shù)據(jù)集分配權(quán)重,從而獲得一條更加成熟的擬合曲線用以解決實際問題。

        本文在實現(xiàn)綜合動態(tài)預(yù)測的時候使用以下步驟進(jìn)行預(yù)測:①首先使用前兩年的數(shù)據(jù),應(yīng)用預(yù)測值與實際值差值單一評價各個模型從而得到每一個模型預(yù)測結(jié)果的優(yōu)劣程度,進(jìn)而獲取其分權(quán)。②構(gòu)造權(quán)重概率分布函數(shù),從而依據(jù)函數(shù)期望獲取優(yōu)越方法集合。③應(yīng)用綜合預(yù)測算法,優(yōu)化步驟②中的組合函數(shù),獲得預(yù)測結(jié)果。通過該模型,可以最終獲得一條精度更高的預(yù)測數(shù)據(jù)擬合曲線。

        3 實際問題求解

        3.1 LSTM模型應(yīng)用

        首先建立基于LSTM的模型:

        其中,ft表示遺忘門,遺忘門的意義在于它可以選擇ct-1中的哪些特征能夠被用于計算ct。其中,ft是一個向量,ft的每一個值均位于[0,1]區(qū)間內(nèi)。選擇sigmoid函數(shù)作為激活函數(shù), sigmoid函數(shù)的輸出是一個介于[0,1]區(qū)間內(nèi)的值。其中是LSTM最重要的門機(jī)制,表示ft和ct-1之間的單位乘的關(guān)系。

        具體函數(shù)表達(dá)式如下所示:

        it用于控制的哪些特征用于更新ct,使用方式和ft相同。

        然后,為了計算預(yù)測值和生成下個時間片完整地輸入,應(yīng)計算隱節(jié)點(diǎn)的輸出ht。ht由輸出門ot和單元狀態(tài)ct得到,其中ot的計算方式和ft以及it相同。

        在迭代過程中ct與ht相互更新形成了LSTM神經(jīng)網(wǎng)絡(luò)。

        最后,使用基于python開發(fā)的動態(tài)綜合算法進(jìn)行數(shù)據(jù)修正。在LSTM時間序列得到的預(yù)測數(shù)據(jù)完全是深度學(xué)習(xí)的結(jié)果,沒有對節(jié)假日、天氣等因素進(jìn)行考慮,基于python開發(fā)的動態(tài)綜合算法可對其進(jìn)行修正。

        3.2 求解結(jié)果分析

        本文選取使用某地三年的電力系統(tǒng)負(fù)荷數(shù)據(jù),以及氣候因素作為數(shù)據(jù)集進(jìn)行模型求解以及模擬。

        首先選取兩個月的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò),劃分訓(xùn)練集與測試集并進(jìn)行分析。之后將這兩個月中90%的數(shù)據(jù)均用于訓(xùn)練對未來進(jìn)行預(yù)測,10%的數(shù)據(jù)用于驗證。為了獲得較好的擬合并防止訓(xùn)練發(fā)散,將訓(xùn)練數(shù)據(jù)標(biāo)準(zhǔn)化使其具有零均值和單位方差。在預(yù)測時,使用與訓(xùn)練數(shù)據(jù)相同的參數(shù)來標(biāo)準(zhǔn)化測試數(shù)據(jù)。

        其次定義LSTM網(wǎng)絡(luò)架構(gòu),創(chuàng)建LSTM回歸網(wǎng)絡(luò)。指定LSTM層有200個隱含單元。先確定訓(xùn)練選項參數(shù):將求解器設(shè)置為adam并進(jìn)行800輪訓(xùn)練。為了防止梯度爆炸,將梯度閾值設(shè)置為1。指定初始學(xué)習(xí)率0.005,在800輪訓(xùn)練后通過乘以因子0.2來降低學(xué)習(xí)率。

        最后訓(xùn)練神經(jīng)網(wǎng)絡(luò)。預(yù)測時,使用predict And Update State函數(shù)一次預(yù)測一個時間步,并在每次預(yù)測時更新網(wǎng)絡(luò)狀態(tài)。每次預(yù)測,使用前一次預(yù)測作為函數(shù)的輸入,并使用與訓(xùn)練數(shù)據(jù)相同的參數(shù)來標(biāo)準(zhǔn)化測試數(shù)據(jù)。在進(jìn)行標(biāo)準(zhǔn)化、算均方根誤差、訓(xùn)練、繪圖后,得到結(jié)果,并且將預(yù)測數(shù)據(jù)與觀測值數(shù)據(jù)集進(jìn)行對比,對于預(yù)測結(jié)果進(jìn)行檢驗如圖1所示。

        圖1

        可見預(yù)測結(jié)果較為良好,同時使用基于python開發(fā)的動態(tài)綜合算法對數(shù)據(jù)進(jìn)行校準(zhǔn)后預(yù)測結(jié)果可以得到進(jìn)一步改善。

        在電力系統(tǒng)負(fù)荷預(yù)測的過程中,特殊節(jié)假日以及某些溫度節(jié)點(diǎn)處的預(yù)測結(jié)果常常存在較大誤差,這是由于在進(jìn)行預(yù)測的過程中,突發(fā)性因素的影響不可避免,預(yù)測精度難以保證。因此,本文嘗試使用多方案的動態(tài)綜合模型給出解決方法,綜合比對直接預(yù)測結(jié)果以及縱向預(yù)測結(jié)果對于擬合曲線進(jìn)行改善校準(zhǔn)。最后,使用該動態(tài)綜合模型,對于示例數(shù)據(jù)求出了較為可靠的預(yù)測數(shù)據(jù)結(jié)果。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機(jī)模型
        提煉模型 突破難點(diǎn)
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達(dá)及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        无码吃奶揉捏奶头高潮视频| 久久国产综合精品欧美| 国产 中文 制服丝袜 另类| 成人午夜免费福利| 中文字幕国内一区二区| 亚洲成人av在线播放不卡| 99久久国内精品成人免费| 亚洲三区av在线播放| 精品极品一区二区三区| 久久精品国产亚洲av麻豆会员 | 曰韩内射六十七十老熟女影视| 先锋中文字幕在线资源| 男人j进女人j啪啪无遮挡| 欧美极品美女| 久久国产精品视频影院| 国产高清亚洲精品视频| 国产三级av在线精品| 中国一级黄色片久久久| 精品国产第一国产综合精品| 国内精品人妻无码久久久影院导航 | 一本大道熟女人妻中文字幕在线| 一本色道久久88亚洲精品综合 | 亚洲一区二区三区重口另类| 日日噜噜夜夜狠狠视频| 国产成人久久精品一区二区三区| 亚洲国产成人va在线观看天堂| 亚洲AV无码久久久一区二不卡 | 欧美一级欧美一级在线播放| 国产成人亚洲综合小说区| 久久99精品综合国产女同| 日本护士xxxxhd少妇| 成人无码免费一区二区三区| 亚洲国产夜色在线观看| 国产黄片一区视频在线观看| 日本在线观看三级视频| 欧美老肥婆牲交videos| 曰本女人牲交全视频免费播放| 2022国内精品免费福利视频| 美女被插到高潮嗷嗷叫| 亚洲一二三四区免费视频| 国产无夜激无码av毛片|