基于ga的电力数据分析方法研究.docxVIP

基于ga的电力数据分析方法研究 摘要：针对现有电力数据利用不全面、负荷预测精度不理想等问题，文中提出了一种结合遗传算法（GA）和长短期记忆网络（LSTM）的电力数据分析方法。采用GA算法优化LSTM网络、选择最佳窗口大小及神经元数目等结构因素。利用优化后的LSTM网络进行电力数据分析，实现负荷可靠预测。基于Python仿真平台，以平均绝对误差（MAE）和均方根误差（RMSE）为评价指标对所提方法进行实验论证。结果表明，所提方法能够实现3类用户的分类并准确预测电力负荷，其MAE与RMSE值分别为88.32和120.01，均优于其他对比方法。 随着智能电网建设的实施和智能传感设备的大量安装，由此产生了超大数量的电力数据目前，数据分析方法已普遍应用于电力行业，例如用户分类、负荷预测等。其中，负荷预测是大量专家学者关注的热点问题由于单一机器学习算法的处理性能较差，从而提出了一种结合遗传算法（Genetic Algorithm,GA）和长短期记忆网络（Long Short-Term Memory,LSTM）的电力数据分析方法1 电力数据预处理在电力数据输入预测模型之前，需要对其进行预处理，并将预处理后的数据集划分成3个集合，即训练集、验证集和测试集。输入用户分类及负荷预测模型的数据x是预测时间前一周中，每小时的电量数据与相应的温度、节假日等信息，x=[x采用数据归一化方法将负荷与温度数据预处理成（1,2）之间的数值，并采用哑变量表示节假日信息。其中0代表非节假日，1则代表节假日对原始数据集矩阵每一列的数据进行归一化处理：式中，2 基于GA和LSTM的电力数据分析方法2.1 LSTM网络LSTM网络是由LSTM单元组成的深层循环神经网络（Recurrent Neural Networks,RNN）模型，与其他现有的全连接前馈网络不同。通过在模型中共享参数，RNN可以被推广到训练过程中的不可见序列长度，其适用于建模序列问题和一些由于循环连接而获得的信息LSTM块中包含了存储单元、输入、输出和遗忘门，单元之间有一个反复的联系。该单元在随机时间间隔上传送“状态”值，并由单元的每个门执行写入、读取和复位操作式中，ω是权重，u是矩阵，b是偏差。遗忘门处理状态单元的权重，遗忘门的值计算如下：存储单元的状态更新如下：存储单元的新状态有助于确定输出门的数值：LSTM单元的最终输出值为：当使用LSTM进行负荷预测时，时间延迟、日期和温度等相关变量的特征被用作输入2.2 GA算法GA是一种随机的元启发式优化算法，其包含模仿自然遗传与进化概念的算子，如交叉和变异GA的处理过程可分为6个阶段：初始化、计算适应度、检查终止条件、交叉、选择和变异。在初始化阶段，搜索空间中任意选择一条染色体，然后根据预设的适应度函数确定染色体的适应度。对于GA等优化算法，适应度函数是影响模型性能的关键因素。一些染色体在这一过程中被反复选择，而有些染色体未经选择就消失了，因为这些染色体是根据适应度函数的适应性随机选择产生的。这也意味着显性染色体有更高的机会遗传到下一代，所选择的显性染色体经过相似片段的交换和基因组合的改变可以产生后代。在交叉过程中，基于现有的解决方案可以产生出新的解决方案。在突变过程中，选择一条染色体改变一个随机选择的位，从而通过随机交换将多样性引入解决方案池2.3 基于GA-LSTM的负荷预测模型对于LSTM模型，寻找最优的时滞（超参数）值、隐藏层数、批量大小等是一个困难且不确定的多项式问题，因此从一组可能的组合中寻找超参数的最佳数目，可以看作是一个搜索和优化的问题在所提模型中，遗传算子开始搜索空间之前对具有可能解的种群进行初始化。其中使用的染色体编码为二进制位，表示时间窗口大小、批量大小和神经元数量。通过一个预设的适应度函数来判断解，选择最小的RMSE作为最优解。为了获得问题的最优解，种群规模、迭代数与基因长度均起着重要作用，分别设置为100、3和14。利用GA寻得LSTM网络的最优参数，将优化后的LSTM网络用于电力数据处理，以得到负荷的精准预测。3 实验结果与分析文中采用Python3.7语言作为编程平台，进行电力数据分析。由于LSTM网络和GA算法中均有大量的数据需要处理，则需要一台功能强大的计算机。计算机的硬件配置为：Intel?Core?I78665UE处理器、16 GB RAM、1 TB硬盘、GEFORCE GTX1050显卡等。3.1 评价标准通过计算平均绝对误差（Mean Absolute Error,MAE）和RMSE，确定GA-LSTM网络的数据分析性能。MAE定义为预测值与实际值之间绝对误差的平均值，反映了预测值的实际误差。RM