【技术实现步骤摘要】
本专利技术属于电量预测，尤其是涉及一种基于改进adam优化算法的短时电量预测方法及介质。
技术介绍
1、电量预测是根据一个地区过去一段时间的用电量以及该地区的天气、温度等信息，对该地区未来的用电量进行预测。如何通过对各项数据进行分析，建立合适的预测模型，对现代电力系统的作用至关重要，快速准确的电量预测不仅是实现供需平衡的关键，也是电力系统可靠运行的必要保障。但受负荷随机性和诸多因素的影响，用电量呈现出复杂的变化特征，难以进行准确预测。
2、深度学习用于网络行为检测是近期学术研究的热点之一，随着硬件计算能力的增强和数据量快速增长，深度学习已经广泛应用于计算机视觉、自然语言处理等各个领域。近年来，一些深度学习方法在电量预测中得到了研究和应用，例如长短期记忆网络lstm，其突破了传统神经网络无法学习长距离依赖关系的问题，提升了预测的精准度。中国专利技术专利cn112633604b公开了一种基于i-lstm的短期用电量预测方法，通过使用混合长短记忆网络的预测模型可以更好地挖掘历史负荷数据序列中的关键信息以及时间序列数据之间的特征关系，通过lstm能够提取用电量数据的长、短期记忆，通过plstm能更加有效的提取数据的超长记忆。lstm和plstm的结合能更加有效地提取数据的特征值，从而提升了预测准确度。但超长的记忆周期使得lstm模型存在梯度消失问题，从而不能更好的捕获到电量时间序列的超长期趋势，在模型优化和短时预测方面仍有进一步提升的空间。因此，需要设计一种短时电量预测方法，减少短时电量预测模型的训练时间，提高短时电量预测的
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进adam优化算法的短时电量预测方法及介质，减少短时电量预测模型的训练时间，在保证短时电量预测结果准确性的同时，提高短时电量的预测效率。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于改进adam优化算法的短时电量预测方法，包括以下步骤：
4、s1、获取历史数据，构造负载电量数据集；
5、s2、对所述负载电量数据集进行预处理；
6、s3、构建基于lstm的短时电量预测模型，利用预处理后的负载电量数据集进行模型训练，所述短时电量预测模型的参数通过引入随机动态调整参数的改进adam算法进行优化；
7、s4、利用训练好的短时电量预测模型进行短时电量预测。
8、进一步地，所述负载电量数据集中，每一条数据包括负载电量和负载电量影响因素。
9、进一步地，所述预处理包括数据归一化和异常值剔除。
10、进一步地，所述异常值剔除的过程如下：计算当前数据临近的若干条数据中负载电量的平均值，与当前数据中的负载电量值相比较，如果二者的相对差异大于设定阈值，则判断为异常值并剔除。
11、进一步地，所述负载电量数据集进行预处理后，以设定的预测周期为时间间隔进行数据提取，形成最终的负载电量数据集。
12、进一步地，所述短时电量预测模型包括输入层、隐藏层和输出层，所述隐藏层包括若干个lstm网络，每个lstm网络后为dropout正则化随机失活层。
13、进一步地，所述输出层使用线性激活函数。
14、进一步地，利用所述改进adam算法进行参数优化的过程如下：
15、s301、初始化梯度的一阶矩和二阶矩；
16、s302、迭代计算梯度的一阶矩和二阶矩；
17、s303、引入随机动态调整参数，分别计算梯度的一阶矩和二阶矩的偏差；
18、s304、根据步骤s303的计算结果更新待优化参数。
19、进一步地，步骤s303中，梯度的一阶矩和二阶矩的偏差的计算公式如下：
20、
21、
22、其中，mt′和vt′分别为梯度的一阶矩和二阶矩的偏差，mt和vt分别为梯度的一阶矩和二阶矩，gt为梯度，β1和β2分别为梯度的一阶矩和二阶矩的衰减率，η1和η2分别为梯度的一阶矩和二阶矩的随机动态调整参数。
23、本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法。
24、与现有技术相比，本专利技术具有以下有益效果：
25、1、本专利技术在传统的adam算法中引入随机动态调整参数，计算梯度的一阶矩和二阶矩的偏差，若当前的优化方向与过去一致，则可以加快优化过程，若优化方向相反，则优化过程会变慢，改善了传统梯度下降法由于学习率固定而导致收敛慢的问题，加快了短时电量预测模型的训练速度，使短时电量预测更加高效。
26、2、本专利技术对负载电量数据集进行预处理后，再输入短时电量预测模型进行模型训练，通过归一化处理和异常值剔除保证负载电量数据的质量，提高了短时电量预测模型预测结果的可靠性和准确性。
本文档来自技高网...【技术保护点】
1.一种基于改进Adam优化算法的短时电量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进Adam优化算法的短时电量预测方法，其特征在于，所述负载电量数据集中，每一条数据包括负载电量和负载电量影响因素。
3.根据权利要求1所述的一种基于改进Adam优化算法的短时电量预测方法，其特征在于，所述预处理包括数据归一化和异常值剔除。
4.根据权利要求3所述的一种基于改进Adam优化算法的短时电量预测方法，其特征在于，所述异常值剔除的过程如下：计算当前数据临近的若干条数据中负载电量的平均值，与当前数据中的负载电量值相比较，如果二者的相对差异大于设定阈值，则判断为异常值并剔除。
5.根据权利要求1所述的一种基于改进Adam优化算法的短时电量预测方法，其特征在于，所述负载电量数据集进行预处理后，以设定的预测周期为时间间隔进行数据提取，形成最终的负载电量数据集。
6.根据权利要求1所述的一种基于改进Adam优化算法的短时电量预测方法，其特征在于，所述短时电量预测模型包括输入层、隐藏层和输出层，所述隐藏层包括若干
7.根据权利要求6所述的一种基于改进Adam优化算法的短时电量预测方法，其特征在于，所述输出层使用线性激活函数。
8.根据权利要求1所述的一种基于改进Adam优化算法的短时电量预测方法，其特征在于，利用所述改进Adam算法进行参数优化的过程如下：
9.根据权利要求8所述的一种基于改进Adam优化算法的短时电量预测方法，其特征在于，步骤S303中，梯度的一阶矩和二阶矩的偏差的计算公式如下：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
...【技术特征摘要】
1.一种基于改进adam优化算法的短时电量预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进adam优化算法的短时电量预测方法，其特征在于，所述负载电量数据集中，每一条数据包括负载电量和负载电量影响因素。
3.根据权利要求1所述的一种基于改进adam优化算法的短时电量预测方法，其特征在于，所述预处理包括数据归一化和异常值剔除。
4.根据权利要求3所述的一种基于改进adam优化算法的短时电量预测方法，其特征在于，所述异常值剔除的过程如下：计算当前数据临近的若干条数据中负载电量的平均值，与当前数据中的负载电量值相比较，如果二者的相对差异大于设定阈值，则判断为异常值并剔除。
5.根据权利要求1所述的一种基于改进adam优化算法的短时电量预测方法，其特征在于，所述负载电量数据集进行预处理后，以设定的预测周期为时间间隔进行数据提取，形成最终的...
【专利技术属性】
技术研发人员：田英杰，苏运，郭乃网，吴裔，李凡，赵莹莹，张梦圆，郑成，金妍斐，杨心刚，潘爱强，宋杰，鲍伟，王彬彬，沈泉江，陈睿，曹佳频，杨洪山，张天昊，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。