[发明专利]基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法

摘要

本发明公开了基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，具体包括选取训练数据、验证数据，建立联合神经网络模型，训练联合神经网络模型，将预测样本集输入训练的联合神经网络模型；本发明的方法在超短期电力负荷预测中考虑了负荷和功率的历史数据之间的关联性，采用了LSTM神经网络和全连接神经网络相关联的结构，有效解决了长时依赖问题；本发明还具有算法较简单、运行时间短、预测精度高，为电网的稳定运行提供了坚实保障的优点。

主权项

1.基于关联全连接神经网络和LSTM的PMU一次调频负荷预测方法，其特征在于，具体按照以下步骤实施：步骤1、将待预测目标的历史数据进行预处理，随机选取80％作为训练数据，20％作为验证数据，同时设置模型网络动态参数：数据批处理尺寸和数据移动窗口大小；步骤2、以训练数据、验证数据作为输入组，构建模型网络，以LSTM神经网络为第一层，将第一层输出结果作为全连接层的输入构建神经网络，得到联合神经网络模型；步骤3、将训练数据输入联合神经网络模型，得到训练数据模型输出结果output；将验证数据输入联合神经网络模型，得到验证数据模型输出结果output；步骤4、通过训练样本集中负荷数据真实值和训练数据模型输出结果output构建损失函数loss，运用梯度优化器优化，并控制学习速度，根据梯度进行动态调整，使损失函数loss尽可能达到全局最优，得到已训练的联合神经网络模型；同时根据验证样本集中的负荷数据真实值和验证数据模型输出结果output计算联合神经网络模型的预测精度值ACC；步骤5、利用TensorFlow中Tensorboard将损失函数loss、预测精度值ACC界面实时动态展示；步骤6、待预测样本集输入已训练的联合神经网络模型，得到预测数据。