一种基于ELM-LSTM的谐波预测方法与流程

一种基于elm
‑
lstm的谐波预测方法
技术领域
1.本发明属于谐波数据预测技术领域，涉及一种谐波预测方法，尤其是一种基于elm
‑
lstm的谐波预测方法。


背景技术：

2.随着电网负载中大量的非线性负载及新能源发电并网大量使用电力电子器件，电网谐波含有率显著增加，甚至超标；而谐波对电网危害巨大，需要准确获取谐波数据才能开展相应分析和治理工作。
3.目前主流的方法是通过谐波监测装置获得谐波数据，但存在诸多问题，一方面谐波监测装置成本高，难以像电能表等装置大面积覆盖；另一方面，即便安装了谐波监测装置，但低压配网和用户侧数据传输困难。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提出一种设计合理、预测成本低且预测结果准确的基于elm
‑
lstm的谐波预测方法。
5.本发明解决其现实问题是采取以下技术方案实现的：
6.一种基于elm
‑
lstm的谐波预测方法，包括以下步骤：
7.步骤1、建立elt
‑
lstm的谐波预测模型，将所选择的数据输入至elt
‑
lstm的谐波预测模型；
8.步骤2、由lstm学习时间序列的长时记忆关系的预测方法，其预测过程中选择性遗忘部分信息，选择其认为重要的信息接入到下一层，最终完成预测；
9.步骤3、elm的使用，通过elm可弥补lstm可能不当遗忘信息导致预测不准确的问题，具体的将lstm输入层及所有隐藏层分别作为某个elm的输入，所有elm的输入再输出到一个综合elm中；
10.步骤4、输出结果，将lstm的输出h
last
与综合elm的输出y(x)做平均获得最终预测结果。
11.而且，所述步骤1的具体步骤包括：
12.(1)搭建elt
‑
lstm的谐波预测模型及训练停止条件，所搭建的elt
‑
lstm的谐波预测模型，为深度神经网络模型，由一个lstm、多个第一级elt、一个综合elt组成；
13.停止条件其中一种设置方法为：当式(1)迭代精度优于0.01％或达到2000次时训练停止：
[0014][0015]
式中：n为训练序列数；总有n个样本序列；z
n
、z'
n
分别为模型输出值和实际值；
[0016]
(2)将所选择的数据输入至该elt
‑
lstm的谐波预测模型；
[0017]
所选择的数据包括：历史谐波数据、预测对象的用电设备特性和所属行业发展情
况指标；
[0018]
而且，所述步骤2的由lstm学习时间序列的长时记忆关系的预测方法的具体方法为：
[0019]
f
t
＝σ(w
f
[h
t
‑1,x
t
] b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0020]
i
t
＝σ(w
i
[h
t
‑1,x
t
] b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021][0022][0023]
o
t
＝σ(w
o
[h
t
‑1,x
t
] b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0024]
h
t
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0025]
其中，式(2)f
t
代表lstm的“遗忘”操作，即被丢弃的信息，其中σ()是激励函数，w
f
为权重而b
f
则是偏置；式(3)代表lstm的隐藏层的“输入”，i
t
是选择作为下一层输入的有效信息，该函数定义和式(2)一致；式(4)也是隐藏层的“输入”的输入，通过三角函数tan()对上一层和本层数据进行变换，系数w
h
为权重而b
h
则也是偏置；式(5)c
t
代表lstm的“更新”，即基于式(3)和式(4)输入进行加权处理；式(6)的o
t
为隐藏输出，其他定义与式(2)相同；式(7)的h
t
为当前隐藏层的输出，即三角正切函数tan()对(5)和式(6)进行变换。
[0026]
而且，所述步骤3的具体方法为：
[0027]
所述elm包含n个隐藏层和一个输出层。对于输出层x＝[x1,x2...x
m
]，输出层y的结果如式(8)所示：
[0028][0029]
其中，g()为激励函数，a
j
，b
j
是连接输入层和隐藏层的权重；β
j
则是连接隐藏层与输出的权重。
[0030]
而且，所述步骤4的最终预测结果的计算公式为：
[0031]
z＝(h
last
y(x))/2
ꢀꢀ
(9)
[0032]
本发明的优点和有益效果：
[0033]
1、本发明适用于电网谐波数据预测，所设计的预测模型结合elm和lstm的两种模型优点，并互相补充不足，通过将lstm的输入层和隐藏层分别输入至elm后，再将所有的elm的输出作为综合elm的输入，最终将lstm和综合elm的输出做平均作为最终结果，进而可以显著提高谐波数据预测准确性。
[0034]
2、本发明提出一种基于elm
‑
lstm(极限学习机
‑
长短期记忆神经网络)的谐波预测方法中，输入除了时间特性的历史谐波数据外，还使用了预测对象行业情况指标，如行业增长率等，选择输入项作为lstm的输入，然后为了有效利用lstm隐藏层的数据，将各隐藏分别输入至elm中做二次处理，最终将elm的整体输出与lstm输出做加权平均获得预测值，可以显著提高谐波数据预测准确性。
附图说明
[0035]
图1为本发明的基于elt
‑
lstm的谐波预测模型示意图；
[0036]
图2为为本发明的lstm结构图；
[0037]
图3为为本发明的elm结构图。
具体实施方式
[0038]
以下结合附图对本发明实施例作进一步详述：
[0039]
一种基于elm
‑
lstm的谐波预测方法，包括以下步骤：
[0040]
步骤1、建立elt
‑
lstm的谐波预测模型，将所选择的数据输入至elt
‑
lstm的谐波预测模型；
[0041]
如图1所示，所述步骤1的具体步骤包括：
[0042]
(2)搭建elt
‑
lstm的谐波预测模型及训练停止条件，所搭建的elt
‑
lstm的谐波预测模型，为深度神经网络模型，由一个lstm、多个第一级elt、一个综合elt组成，具体为图1。
[0043]
停止条件其中一种设置方法为：当式(1)迭代精度优于0.01％或达到2000次时训练停止：
[0044][0045]
式中：n为训练序列数；总有n个样本序列；z
n
、z'
n
分别为模型输出值和实际值。
[0046]
(2)将所选择的数据输入至该elt
‑
lstm的谐波预测模型；
[0047]
所选择的数据包括：历史谐波数据、预测对象的用电设备特性和所属行业发展情况指标等；
[0048]
步骤2、由lstm学习时间序列的长时记忆关系的预测方法，其预测过程中选择性遗忘部分信息，选择其认为重要的信息接入到下一层，最终完成预测；
[0049]
如图2所示，lstm关键过程分为三个阶段：
[0050]
1)忘记阶段该阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会“忘记不重要的，记住重要的”；指图中c
t
‑1；
[0051]
2)选择记忆阶段此阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入，重要则着重记录，不重要则少记，分布对应式(5)的两部分，记忆结果则为c
t
；
[0052]
3)输出阶段。这个阶段将决定哪些将会被当成当前状态的输出，即式(6)
[0053]
所述步骤2的由lstm学习时间序列的长时记忆关系的预测方法的具体方法为：
[0054]
f
t
＝σ(w
f
[h
t
‑1,x
t
] b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0055]
i
t
＝σ(w
i
[h
t
‑1,x
t
] b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0056][0057][0058]
o
t
＝σ(w
o
[h
t
‑1,x
t
] b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0059]
h
t
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0060]
其中，式(2)f
t
代表lstm的“遗忘”操作，即被丢弃的信息，其中σ()是激励函数，w
f
为权重而b
f
则是偏置；式(3)代表lstm的隐藏层的“输入”，i
t
是选择作为下一层输入的有效信息，该函数定义和式(2)一致；式(4)也是隐藏层的“输入”的输入，通过三角函数tan()对上一层和本层数据进行变换，系数w
h
为权重而b
h
则也是偏置；式(5)c
t
代表lstm的“更新”，即基于式(3)和式(4)输入进行加权处理；式(6)的o
t
为隐藏输出，其他定义与式(2)相同；式
(7)的h
t
为当前隐藏层的输出，即三角正切函数tan()对(5)和式(6)进行变换。
[0061]
通过引入以上操作，lstm能够学习到时间序列的长时记忆关系。
[0062]
在本实施例中，图2是lstm的结构图，图中：c
t
‑1为序列前一时刻隐藏层节点的状态；h
t
‑1为序列前一时刻隐藏层节点的输出；a
t
为序列当前时刻隐藏层节点的输入；c
t
为序列当前时刻隐藏层节点的状态；h
t
为序列当前时刻隐藏层节点的输出；过程量f
t
、i
t
、o
t
以及权重参数w和偏置参数b的关系如式(1)至式(6)所示。
[0063]
步骤3、elm的使用，通过elm可弥补lstm可能不当遗忘信息导致预测不准确的问题，具体的将lstm输入层及所有隐藏层分别作为某个elm的输入，所有elm的输入再输出到一个综合elm中；
[0064]
如图3所示，简单来说，elm模型的网络结构与单隐层前馈神经网络一样，只不过在训练阶段不再采用传统基于梯度的算法(后向传播)，而是随机的输入层权值和偏差。当所有网络节点上的权值和偏差得到后elm的训练就完成，一旦收到测试数据时利用刚刚求得的输出层权重便可计算出网络输出完成数据的预测。
[0065]
所述步骤3的具体方法为：
[0066]
所述elm包含n个隐藏层和一个输出层。对于输出层x＝[x1,x2...x
m
]，输出层y的结果如式(8)所示：
[0067][0068]
其中，g()为激励函数，a
j
，b
j
是连接输入层和隐藏层的权重；β
j
则是连接隐藏层与输出的权重。
[0069]
步骤4、输出结果，将lstm的输出h
last
与综合elm的输出y(x)做平均获得最终预测结果z；
[0070]
z＝(h
last
y(x))/2
ꢀꢀ
(9)
[0071]
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。