[发明专利]基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法

权利要求书

1.基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，具体按照以下步骤实施：

步骤1、将待预测目标的历史数据进行预处理，随机选取80％作为训练数据，20％作为验证数据，同时设置模型网络动态参数：数据批处理尺寸和数据移动窗口大小；

步骤2、以训练数据、验证数据作为输入组，构建模型网络，以LSTM神经网络为第一层，将第一层输出结果作为全连接层的输入构建神经网络，得到联合神经网络模型；

步骤3、将训练数据输入联合神经网络模型，得到训练数据模型输出结果output；将验证数据输入联合神经网络模型，得到验证数据模型输出结果output；

步骤4、通过训练样本集中负荷数据真实值和训练数据模型输出结果output构建损失函数loss，运用梯度优化器优化，并控制学习速度，根据梯度进行动态调整，使损失函数loss尽可能达到全局最优，得到已训练的联合神经网络模型；

同时根据验证样本集中的负荷数据真实值和验证数据模型输出结果output计算联合神经网络模型的预测精度值ACC；

步骤5、利用TensorFlow中Tensorboard将损失函数loss、预测精度值ACC界面实时动态展示；

步骤6、待预测样本集输入已训练的联合神经网络模型，得到预测数据。

2.根据权利要求1所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，步骤1所述预处理是指对数据进行对比处理和归一化处理。

3.根据权利要求2所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，所述预处理具体过程为：

对原始数据纵向对比处理：将t时刻的负荷值与t-1～t-10区间内时刻的负荷值的数据进行对比，若负荷值没发生变化，则判断该数据为死区数据，进行剔除；

归一化处理：采用以下公式进行归一化

式(1)中，L_max和L_min分别为训练样本集中特征数据的最大值和最小值；L_i为归一化前特征数值，为归一化后的特征数值。

4.根据权利要求1所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，步骤2具体过程为：

步骤2.1、以训练数据、验证数据作为输入组，建立LSTM神经网络，设定神经网络输入层神经元个数、状态值初始化、网络迭代次数、输入特征个数，输出迭代结果；

步骤2.2、将迭代结果作为输入建立全连接神经网络，设定输入层神经元个数、神经元激活函数、内核初始化、网络迭代次数、输出变量个数，得到联合神经网络模型。

5.根据权利要求1所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，步骤4所述损失函数loss为：

式中，为训练样本集中负荷数据的预测值，y_i为训练样本集中负荷数据的真实值；n为预测值的个数。

6.根据权利要求1所述基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，步骤4所述计算联合神经网络模型的预测精度值ACC公式为：

式(3)中，为训练样本集中负荷数据的预测值，y_i为训练样本集中负荷数据的真实值；m为预测值的个数。