[发明专利]一种基于输入凸神经网络的电力能耗优化控制方法

权利要求书

1.一种基于输入凸神经网络的电力能耗优化控制方法，其特征在于，包括以下步骤：

S1，取得电力系统控制数据，并将取得的数据分为训练集和测试集；

S2，对所得数据做预处理：过滤掉差异值较大的误差数据，并做归一化，利用xgboost过滤掉无用特征；

S3，确定ICNN网络的网络层数、节点数以及连接方式；

S4，将处理好的数据输入到ICNN网络中训练，观察损失函数值，将损失函数值的大小作为函数是否拟合，训练迭代次数预先设定为500次；

S5，训练迭代完成后，将模型保存下来；

S6，加载测试数据集和算法模型，利用遗传算法寻优，编码、初始化种群、评估种群中个体适应值、演化遗传过程选用交叉或变异的方法，找到使目标函数最大值或最小值的种群个体即是最优解；

S7，将得到的最优解控制量输入到控制系统，进行预演评估；

所述ICNN网络为深度学习凸神经网络，深度学习凸神经网络为五层网络结构，参数采用自顶向下的监督学习，电力能耗功率作为输出标签，利用损失函数逐层贪婪更新每层参数，损失函数如下：

J(W,b,a,y)＝-[ylna+(1-y)ln(1-a)]

W是神经网络权重参数，b是偏置项，也是训练样本神经网络预测输出值，a是训练样本实际值；

所述深度学习凸神经网络的运算包括以下步骤：

S8，随机初始化参数，训练仅含一层隐含层的神经网络；

S9，将训练好的一层隐含层参数固定，增加到第二层，将第一层网络的输出作为第二层网络的输入；

S10，重复S9的步骤，将已经训练好的前K-1层固定，作为第K层的输入训练，迭代次数设为200次，最后得到完整的五层神经网络参数值；

所述深度学习凸神经网络所有的隐含层之前的参数矩阵为非负的，神经元的激活函数采用了Relu，同时加入了对输入向量的负映射以及输入到隐藏层的直连层，使用ICNN拟合函数，而不是直接需要仿射函数的最大值，能够更有效的参数化。