[发明专利]一种基于贝叶斯优化的BiLSTM电压偏差预测方法

说明书

本发明公开了一种基于贝叶斯优化的BiLSTM电压偏差预测方法，对电压偏差时间序列数据集进行标准差标准化处理，按照比例进行数据分割，得到训练集和验证集；利用预处理之后的电压偏差数据训练集训练BiLSTM电压偏差预测模型；将验证集输入到训练的BiLSTM电压偏差预测模型中，获取电压偏差预测值后进行反标准差处理，使用均方根误差作为BiLSTM电压偏差预测模型超参数优化的目标函数，利用贝叶斯优化算法对BiLSTM电压偏差预测模型的超参数进行优化，获取最优的超参数组合；将最优超参数组合作为BiLSTM预测模型的超参数，构建基于贝叶斯优化算法的BiLSTM电压偏差预测模型，对电压偏差时间序列数据进行预测，获得最终的预测数据。本发明精度高、预测效果可靠。

技术领域

本发明涉及一种基于贝叶斯优化的BiLSTM电压偏差预测方法，属电气工程和电压偏差领域。

背景技术

近年来，电力行业迅速地发展，电力用户对电压偏差的要求越来越高。电压偏差问题会严重地损害电力用户及相关电力行业的利益，所以必须加大对电压偏差的监测，获得大量的电压偏差数据，为深度分析电压偏差变化趋势提供依据。对电压偏差数据有效地进行分析和预测，有利于工作人员早发现电压偏差问题，并采取相应的措施，确保电力系统稳定安全运行。

当前，对电压偏差进行预测的研究成果较少。有的学者提出使用线性回归法、随机时间序列法和灰色模型对电压偏差进行预测，但单一方法的预测精度较差。部分学者使用聚类算法结合神经网络对电压偏差进行预测的方法，但聚类算法受初始聚类中心影响较大，对数据集要求较高。有的学者提出将多种预测模型对电压偏差进行组合预测，但提高了权重确定及建模的难度。随着深度学习算法的兴起，神经网络在时间序列预测中的作用越发明显，但超参数选取问题是保证预测算法预测精度的重要因素。目前广泛使用的超参数优化泛有网格搜索法、随机搜索法和启发式搜索法。网格搜索法是将每种可能的超参数组合都测试一次，选取最优超参数，但是超参数寻优过程十分耗费时间。随机搜索法是通过随机超参数组合进行评估，虽然提高了效率，但是训练结果不稳定。启发式搜索法是通过利用问题的启发规则进行寻优，但提高了建立启发规则的难度。因此，现有的电压偏差预测技术有待进一步研究。

发明内容

本发明的目的在于提出一种基于贝叶斯优化的BiLSTM电压偏差预测方法，以解决电压偏差预测模型泛化能力差、预测精度低的问题。

实现本发明目的的技术解决方案为：一种基于贝叶斯优化的BiLSTM电压偏差预测方法，包括如下步骤：

步骤1，对电压偏差时间序列数据集进行标准差标准化处理；

步骤2，对标准差标准化后的电压偏差时间序列数据按照比例进行数据分割，得到训练集和验证集，分别用于训练网络模型的参数学习和模型结果检验；

步骤3，定义BiLSTM电压偏差预测模型超参数的范围，生成随机一组初始超参数作为BiLSTM模型的初始超参数，利用预处理之后的电压偏差数据训练集训练BiLSTM电压偏差预测模型；

步骤4，将验证集输入到训练的BiLSTM电压偏差预测模型中，获取电压偏差预测值后进行反标准差处理，使用均方根误差作为BiLSTM电压偏差预测模型超参数优化的目标函数，利用贝叶斯优化算法对BiLSTM电压偏差预测模型的超参数进行优化，获取最优的超参数组合；

步骤5，将最优超参数组合作为BiLSTM预测模型的超参数，构建基于贝叶斯优化算法的BiLSTM电压偏差预测模型，对电压偏差时间序列数据进行预测，获得最终的预测数据。

进一步的，步骤1中，对电压偏差时间序列数据集进行标准差标准化处理，具体方法为：

步骤101，在配电网中，选取进行电压偏差预测的节点，采集相应的电压偏差数据，得到原始电压偏差时间序列数据Z：