[发明专利]面向成本关联抗效益偏差神经网络的高效训练方法及装置

权利要求书

1.一种面向成本关联抗效益偏差神经网络的高效训练方法，其特征在于，所述方法包括：

S1.建立神经网络模型；

S2.设定对神经网络模型进行优化训练的优化目标；所述优化目标包括精度目标和成本目标两部分,具体如下所示：

其中，Er表示精度目标；Cos表示成本目标；β表示罚项系数；Y为神经网络训练集的输出矩阵，矩阵为O行K列的矩阵，矩阵第o行第k列的元素记为y_ok；PDA为上级市场的电价矩阵，矩阵第o行第k列的元素记为pda_ok；PRT为下级市场的电价矩阵，矩阵第o行第k列的元素记为prt_ok；T为神经网络训练集的真实负荷矩阵，矩阵第o行第k列的元素记为t_ok；Ac为Y与真实负荷之间的偏差向量；矩阵PDA、PRT、T、Ac均与矩阵Y为同型矩阵；ε(z)表示神经元的激励函数；δ(z)为一个阶跃逼近函数；

S3.对神经网络模型进行优化训练，得到经过训练的神经网络模型，具体包括：

S31.依据LM算法的优化思想建立优化训练方法，过程如下：

S311.建立优化训练的自变量W_ih、W_ho、b_h、b_o的转换变量X的矩阵表达形式，如下所示：

其中，函数L()将输入矩阵中每一列按次序拼接至第一列下方，形成一个列向量输出；X是一个(i*h+h*o+h+o)-1的向量，记为H-1的向量，其中，H＝i*h+h*o+h+o；

S312.构建雅可比矩阵，如下所示：

其中，Q为训练集中样本数量；

S313.计算优化目标的偏导数，如下所示：

其中，obj代表G；μ代表β；x_h表示X中第h个元素；e_q是Er中第q个元素，prtf_q表示L(PRT)中的第q个元素；pdaf_q表示L(PDA)中第q个元素；⊙表示矩阵的点乘；×表示矩阵的叉乘；

S314.构建海森矩阵，如下所示：

其中，函数COPE()将接受的向量复制多组同样的向量，拼成一个矩阵并输出；

S315.更新X，如下所示：

[W_ih^(r+1)，W_ho^(r+1)，b_h^(r+1)，b_o^(r+1)]＝D(X^(r+1))

其中，r是迭代次数；λ是迭代步长系数，由负荷申报决策者给出，λ的值越大，迭代收敛速度越快，但同时误差也越大；I是单位矩阵；

S32.对优化训练的自变量W_ih^(r)、W_ho^(r)、b_h^(r)、b_o^(r)进行初始化；

S33.根据步骤S31确定的优化训练方法计算优化训练的自变量W_ih^(r+1)、W_ho^(r+1)、b_h^(r+1)、b_o^(r+1)；

S34.根据步骤S33的结果计算Er和Cos的数值，判断是否满足终端条件；若是，则迭代终止，优化训练结束；若不是，则使r＝r+1，并转至步骤S33；

S4.将申报目标日的相关特征数据输入经过训练的神经网络模型，即可输出申报目标日的负荷预测结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3的优化训练过程还需要满足如下所示的约束要求：

其中，C表示负荷申报决策者设定的误差阈值。

3.根据权利要求1所述的方法，其特征在于，所述相关特征数据包括目标时间的温度、湿度、天气状况以及历史的负荷数据。