一种基于BOA-LSTM的住宅建筑用电预测方法技术

本发明专利技术公开了一种基于BOA

【技术实现步骤摘要】
一种基于BOA
‑
LSTM的住宅建筑用电预测方法


[0001]本专利技术涉及电网信息
，尤其涉及一种基于BOA
‑
LSTM的住宅建筑用电预测方法。

技术介绍

[0002]能源和环境是国家和社会可持续发展的重要支柱，由于当前环境不断恶化，节能减排的工作日益迫切。而建筑的能源消耗约占全球的能源消耗的40％，随着住宅竣工面积的急速增涨，导致了住宅建筑的能源消耗不断增加。
[0003]在对电力系统进行大数据分析时，住宅建筑的能源消耗数据在电力数据中占有较大的比重，目前缺乏对住宅建筑的用电预测方法，现有的预测数据准确度不高，导致难以满足电力数据分析时数据需求的问题。

技术实现思路

[0004]本专利技术是为了克服现有技术的缺乏对住宅建筑用电的准确预测方法的问题，提供一种基于BOA
‑
LSTM的住宅建筑用电预测方法，实现基于神经网络的住宅建筑用电的预测数据模型，提升数据预测的及时性和准确性。
[0005]为实现上述目的，本专利技术采用以下技术方案：一种基于BOA
‑
LSTM的住宅建筑用电预测方法，包括：采集住宅建筑用电能耗作为原始数据构建原始数据集，基于LSTM神经网络构建住宅建筑用电能耗预测模型；通过BOA算法进行超参数寻优获取最优超参数组合，利用最优超参数组合对住宅建筑用电能耗预测模型进行迭代训练；构建模型评价指标，基于模型评价指标对住宅建筑用电能耗预测模型进行评价。LSTM神经网络可以识别不规则时间序列的趋势且可存储较长的依赖信息，BOA算法即贝叶斯优化算法，通过贝叶斯优化算法寻求最优的超参数组合，对神经网络进行调参，使神经网络超参数调优获得较好的训练结果，提升数据预测的及时性和准确性。
[0006]作为优选，所述基于LSTM神经网络构建住宅建筑用电能耗预测模型包括：LATM神经网络的遗忘门满足如下关系：f
t
＝σ(W
hf
*h
t
‑1+W
xf
*x
t
+b
f
)；其中，f
t
表示信息的遗忘程度；f
t
根据之前时刻的输出以及权重系数确定；W
hf
是h
t
‑1的权值；W
xf
是x
t
的权值；bf表示遗忘门的偏置向量，б()表示激活函数。激活函数的具体公式表示为：σ(x)＝1/(1+e
‑
x
)；从当前输入x
t
和隐藏状态h
t
‑1计算细胞状态的更新向量；其中细胞状态的更新向量具体公式为：C
t
＝tanh(W
hc
*h
t
‑1+W
xc
*x
t
+b
c
)tanh的具体公式为：tanh＝(e
x
‑
e
‑
x
)/(e
x
+e
‑
x
)。通过遗忘门可以决定细胞状态的信息是否会被忘记，f
t
的范围属于[0，1]；向量C
t
的范围属于(
‑
1,1)。
[0007]作为优选，所述基于LSTM神经网络构建住宅建筑用电能耗预测模型包括：LATM神经网络的输入门满足如下关系：i
t
＝σ(W
hi
*h
t
‑1+W
xi
*x
t
+b
i
)
其中，向量i
t
范围在(0,1)内，细胞状态C
t
的更新计算公式为：其中，表示矩阵之间的乘法；向量f
t
和i
t
的元素范围都在(0,1)范围内，因此，细胞状态可以解释C
t
‑1中的哪些信息会被遗忘。同样，i
t
可以确保哪些信息被增加到细胞状态当中。输入门定义了在当前时间步中使用哪些信息来更新单元状态。
[0008]作为优选，所述基于LSTM神经网络构建住宅建筑用电能耗预测模型包括：LATM神经网络的输出门满足如下关系：o
t
＝σ(W
ho
*h
t
‑1+W
xo
*x
t
+b
o
)其中，o
t
的值在(0,1)范围内。由o
t
向量结合方程的结果，计算出新的隐含层状态：h
t
＝tanh(c
t
)o
t
。LSTM的输出门根据现在的输入，细胞状态以及之前的输出来控制。细胞状态能够有效的学习长期依赖关系，因此LSTM可以存储较长时间步长的信息。
[0009]作为优选，所述通过BOA方法进行超参数寻优获取最优超参数组合，利用最优超参数组合对住宅建筑用电能耗预测模型进行迭代训练包括：基于LSTM神经网络的超参数组合X＝{x1,x2,...,x
n
}，构建超参数x的目标函数f(x)，采用贝叶斯优化找到x∈X使得：x
*
＝argmax
x∈X
f(x)。为了更好的构建预测模型，基于BOA方法后续自适应调节住宅建筑能耗预测模型的超参数。
[0010]作为优选，所述模型评价指标包括均值和方差。当均值越大时，基于当前超参数获得的最终预测结果越好，方差表示了采样点的不确定性。当均值和方差平衡时，更容易找到全局最优解。将均值和方差最大的采样点分别作为开发、探索，采样点主要依据采样函数获得以均衡采样和开发的占比。采样函数的公式可以表示为：得以均衡采样和开发的占比。采样函数的公式可以表示为：其中c主要表示开发和探索的占比，φ表示正态累积分布函数。f(x
*
)表示现在的最大值，μ表示均值，σ表示标准差。EI采样函数中期望值的作用是衡量下个采样点和现在采样点的提升程度，根据提升程度选择下一个采样点。
[0011]作为优选，所述采集住宅建筑用电能耗作为原始数据集包括：收集单位住宅的日期、时间、平均无功功率、电压、电能分项计量和平均有功功率。
[0012]作为优选，所述电能分量计量包括：第一电能分量计量：厨房用电；第二电能分量计量：洗衣房电器用电；第三电能分量计量：热水器用电和空调用电。
[0013]综上所述，本专利技术具有如下有益效果：本申请采用LSTM神经网络可以识别不规则时间序列的趋势且可存储较长的依赖信息，BOA算法即贝叶斯优化算法，通过贝叶斯优化算法寻求最优的超参数组合，对神经网络进行调参，使神经网络超参数调优获得较好的训练结果，提升数据预测的及时性和准确性。
附图说明
[0014]图1是本专利技术一实施例的一种基于BOA
‑
LSTM的住宅建筑用电预测方法流程图。
具体实施方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BOA
‑
LSTM的住宅建筑用电预测方法，其特征是，包括：采集住宅建筑用电能耗作为原始数据构建原始数据集，基于LSTM神经网络构建住宅建筑用电能耗预测模型；通过BOA算法进行超参数寻优获取最优超参数组合，利用最优超参数组合对住宅建筑用电能耗预测模型进行迭代训练；构建模型评价指标，基于模型评价指标对住宅建筑用电能耗预测模型进行评价。2.根据权利要求1所述的一种基于BOA
‑
LSTM的住宅建筑用电预测方法，其特征是，所述基于LSTM神经网络构建住宅建筑用电能耗预测模型包括：LATM神经网络的遗忘门满足如下关系：f
t
＝σ(W
hf
*h
t
‑1+W
xf
*x
t
+b
f
)；其中，f
t
表示信息的遗忘程度；f
t
根据之前时刻的输出以及权重系数确定；W
hf
是h
t
‑1的权值；W
xf
是x
t
的权值；bf表示遗忘门的偏置向量，б()表示激活函数。激活函数的具体公式表示为：σ(x)＝1/(1+e
‑
x
)；从当前输入x
t
和隐藏状态h
t
‑1计算细胞状态的更新向量；其中细胞状态的更新向量具体公式为：C
t
＝tanh(W
hc
*h
t
‑1+W
xc
*x
t
+b
c
)tanh的具体公式为：tanh＝(e
x
‑
e
‑
x
)/(e
x
+e
‑
x
)。3.根据权利要求2所述的一种基于BOA
‑
LSTM的住宅建筑用电预测方法，其特征是，所述基于LSTM神经网络构建住宅建筑用电能耗预测模型包括：LATM神经网络的输入门满足如下关系：i
t
＝σ(W
hi
*h
t
‑1+W
xi
*x
t
+b
i

【专利技术属性】
技术研发人员：王瑶，王龙，张道安，王函韵，卢峰，董寒宇，岑梁，陈家乾，徐长响，郭旺，郑伟，
申请(专利权)人：湖州电力设计院有限公司，
类型：发明
国别省市：