售电量预测对优化供电结构以及了解经济走势具有重要意义,然而,传统售电量预测方法难以从售电量及其影响因素的数据中自动抽取到较好的数据特征。为此,文中提出一种基于长短期记忆网络的售电量预测模型,该模型通过分析售电量数据及其影响因素的相关性,提出一种行业聚类方法,该方法根据不同行业的数据特征对相似的行业进行聚类,并根据聚类结果训练长短期记忆网络模型。文中模型能够学习售电量数据以及相关影响因素的数据特征和内在关联关系。实验结果表明,文中所提出的预测模型比经典的预测模型具有更高的准确度。 出，与传统人工神经网络相比，其循环的网络结构使其可以充分利用序列数据本身的序列信息。本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name传统的人工神经网络中各个神经元的输入与输出都是相互独立的，不直接作用于彼此，且保持层间全连接，层内无连接。而在ＲNNs中，神经元在当前时刻的输出可以在下一时刻作用于其自身，电量预测模型研究-数控滚圆机滚弧机折弯机电动滚圆机滚弧机折弯机这就使得循环神经网络可以利用历史输入信息，而不仅仅只是根据当前时刻的输入数据来更新权重，如图1所示，横向上ＲNNs按时间步长展开，其各时间步共享权重。图1ＲNNs网络结构假设输入时间序列X=(x1，x2，…，xt－1，xt，xt+1)，其中t表示t时刻的序列值，则t时刻隐藏层状态Sht，可以表示为:Sht=φ(∑ni=1W1Xti+∑ni=1W2Sh't－1)(1)t时刻输出层输出Ykt可表示为;Ykt=∑Hh=1W3Sht(2)式中:i表示输入特征向量的维度;k表示输出特征向量维度;h表示隐层;h'表示前一时间步的隐层;H表示总隐层单元数;φ表示激活函数;W1表示输入层到隐藏层的权重;W2表示自循环层权重;W3表示隐藏层到输出层的权重。ＲNNs使用基于时间的反向传播学习算法(BPTT)［21］进行训练，反向传播时将网络按时间展开，误差将按时间顺序从最后一个时刻往前进行传播，最后进行权重更新。因为ＲNNs特殊的网络结构，使得其可以充分学习到序列数据中前后数据的关联关系，所以ＲNNs被广泛地应用于时间序列类问题。2长短期记忆网络由于ＲNNs在训练时采用BPTT反向传播算法，当遇到长间隔的序列在反向传播通过链?电量预测模型研究-数控滚圆机滚弧机折弯机电动滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name