[发明专利]一种基于随机神经网络的短期负荷预测方法

摘要

本发明公开了一种基于随机神经网络的短期负荷预测方法，包括以下步骤：Step1数据预处理；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：计算神经网络输出值与目标值的损失函数，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；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。

主权项

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。