[发明专利]一种基于随机神经网络的短期负荷预测方法

权利要求书

1.一种基于随机神经网络的短期负荷预测方法，其特征在于，对随机神经网络最后保存模型提出一个判断条件，当训练模型的损失小于一个我们设定的阈值时记录最小的整个训练数据集的损失min，每次随机神经网络的参数调整，都与最小的损失比较，保留最小的损失值和模型，具体包括以下步骤：

Step1:数据预处理，在输入模型进行训练前进行归一化处理，一般归一化公式如下：

Step2:确定神经网络模型隐藏层数、每层节点数、学习目标、训练次数、学习速率，激活函数等；

Step3:确定随机神经网络模型batch大小，把Step1归一化的数据输入到Step2生成的神经网络，计算神经网络的输出值；

Step4：计算神经网络输出y^(t)与目标值的损失函数L，并且采用Adam优化算法，对神经网络模型参数更新；

Step5：计算全部训练数据集在Step4参数更新后的损失函数。由于算法保存模型需要时间长，为了减少模型训练时间，设定损失函数阈值，只有损失函数小于阈值，再与保存的最小损失函数相比，如果当前损失函数小于保存的最小损失函数，则说明模型参数更优，更新保存的模型和最小损失函数值，否则跳过Step5。

2.根据权利要求1所述的一种基于随机神经网络的短期负荷预测方法，其特征在于：所述Step1中的输入模型为三层的神经网络模型，在时间为t(t＝1，2，3......，N-1，N)的时间序列中，输入值为x^(t)，目标输出值为输入层和输出层的节点数为1，M为隐藏层的节点数，b为输入层的偏置和c为隐藏层偏置，U、V分别代表输入层到隐藏层和隐藏层到输出层的权重；

为输入层到隐藏层第j个节点输入值，U_j为输入层到隐藏层第j个节点的权重；

为隐藏层第j个节点的输入值，为隐藏层第j个节点输出值；

隐藏层第j个节点的输出值与隐藏层第j个节点与输出节点的权重对应相乘累加求和即为输出节点的值；

L记为训练数据的损失函数，通过Adam优化算法更新模型参数。

3.根据权利要求1所述的一种基于随机神经网络的短期负荷预测方法，其特征在于：所述Step2中，激活函数为tanh函数。

4.根据权利要求2所述的一种基于随机神经网络的短期负荷预测方法，其特征在于：所述Adam优化算法的具体公式如下：

m_t＝β₁m_t-1+(1-β₁)g_t (6)

其中，m_t，v_t分别是对梯度的一阶矩估计和二阶矩估计；是对m_t，v_t的校正，这样可以近似对期望的无偏估计。Adam算法β₁默认值为0.9，β₂的默认值为0.999，ε默认值为10^-8。

5.根据权利要求1所述的一种基于随机神经网络的短期负荷预测方法，其特征在于，所述短期负荷预测方法采用MAPE,MAE和RMSE作为评价标准对准确度进行评价：

y^(t)代表在t时刻的预测结果，代表在t时刻真实情况下的负荷值，N代表预测范围。