[发明专利]一种基于深度学习的Bi-LSTM的电负荷预测方法

权利要求书

1.一种基于深度学习的Bi-LSTM的电负荷预测方法，其特征是，包括以下步骤：

对电负荷数据样本进行归一化预处理；

设计多层Bi-LSTM深度神经网络；

将预处理后的电负荷数据输入神经网络模型进行训练；

将预测结果反归一化处理。

2.根据权利要求1所述的基于深度学习的Bi-LSTM的电负荷预测方法，其特征是，所述电负荷数据样本包括测试样本和训练样本。

3.根据权利要求1所述的基于深度学习的Bi-LSTM的电负荷预测方法，其特征是，所述归一化预处理包括通过以下公式对样本数据进行线性变换，使结果落到[0,1]区间，去除单位限制转为无量纲数据，避免数值问题：

其中，x^*表示归一化后样本数据，x表示样本数据，max表示样本数据的最大值，min表示样本数据的最小值。

4.根据权利要求1所述的基于深度学习的Bi-LSTM的电负荷预测方法，其特征是，所述多层Bi-LSTM深度神经网络的层数由电负荷数据样本的数据量及数据性质决定。

5.根据权利要求1所述的基于深度学习的Bi-LSTM的电负荷预测方法，其特征是，所述多层Bi-LSTM深度神经网络的每一层包括一个Bi-LSTM神经网络，所述多层Bi-LSTM深度神经网络每一层的输出数据作为下一层的输入数据。

6.根据权利要求5所述的基于深度学习的Bi-LSTM的电负荷预测方法，其特征是，所述Bi-LSTM神经网络可表示为：

s_t＝f(Ux_t+Ws_t-1) (7)

s′_t＝f(U′x_t+W′s′_t+1) (8)

o_t＝g(Vs_t+V's_t') (9)

其中，s_t表示t时刻的隐藏层状态，s′_t表示t时刻的反向隐藏层状态，s_t-1表示t-1时刻的隐藏层状态，s′_t+1表示t+1时刻的反向隐藏层状态，o_t表示t时刻的输出层的值，g、f为激活函数，x_t表示输入向量，V表示隐藏层到输出层的权重矩阵，V'表示隐藏层到输出层的反向权重矩阵，U表示输入层到隐藏层的权重矩阵，U′表示输入层到隐藏层的反向权重矩阵，W表示隐藏层之间的权重矩阵，就是隐藏层上一次的值作为这一次的输入的权重，W′表示隐藏层之间的反向权重矩阵，

前向层从零时刻开始计算，得到每个时刻的输出，隐藏层状态值为s_t；后向层反向计算，得到每个时刻的输出，反向隐藏层状态值为s′_t，最终的输出结果o_t取决于正向计算结果s_t和反向计算结果s′_t的加和。

7.根据权利要求5所述的基于深度学习的Bi-LSTM的电负荷预测方法，其特征是，所述Bi-LSTM神经网络的隐藏层增加，得到多层Bi-LSTM神经网络模型，则多层Bi-LSTM神经网络模型可以表示为：

······

s_t⁽¹⁾＝f(U⁽¹⁾x_t+W⁽¹⁾s_t-1) (13)

正向计算和反向计算不共享权重，其中，正向计算时，V⁽ⁱ⁾表示第i个隐藏层到输出层的权重矩阵，表示t时刻第i个隐藏层的值，表示t时刻第i-1个隐藏层的值，W⁽ⁱ⁾代表第i个隐藏层到下一隐藏层的权重矩阵，U⁽ⁱ⁾表示第i个隐藏层到输出层的权重矩阵，表示第一个隐藏层状态，U⁽¹⁾表示输入层到第一个隐藏层的权重矩阵，W⁽¹⁾表示第一个隐藏层的权重矩阵；

反向计算时，V'⁽ⁱ⁾表示第i个隐藏层到输出层的反向权重矩阵，表示t时刻第i个反向隐藏层状态，表示t时刻第i-1个反向隐藏层状态，U^′(i)表示输入层到第i个隐藏层的反向权重矩阵，表示t时刻第i-1个反向隐藏层状态，W^′(i)表示第i个隐藏层到下一隐藏层的反向权重矩阵，U^′(1)表示输入层到第1个隐藏层的反向权重矩阵，W^′(1)表示第一个隐藏层的反向权重矩阵，表示t时刻第一个隐藏层状态，s′_t-1表示t-1时刻隐藏层的值，i表示Bi-LSTM层数i＝0,1,2…∞。