基于粒子群算法的微电网优化调度应用研究（三、长短期记忆网络和卷积神经网络预测模型）

长短期记忆网络和卷积神经网络预测模型

3.1 预测概述

在微电网中，由于系统的电源种类多，间隙性发电占比大、运行经济性要求高等特点，分布式电源需要应用能量管理系统。新能源随机调度问题的关键技术是通过分布式发电功率预测技术和负荷预测技术把不确定的能量优化问题转化换成确定性问题。

本文针对采集到的数据进行了SSE(误差平方和)、RMSE(标准差)、MAE（平均绝对误差）以及MAPE（平均绝对百分比误差）四个评价指标。通过这四个评价指标来对模型的的优劣程度、以及性能进行评估。

3.2 数据标准化

数据标准化的提出是基于针对模型的评价不能只从单一方面进行，并且模型变量的输入也非单一的数据，每个指标的数据水平，重要程度都有所不同，所以要对其进行多指标综合的评价。而在进行多指标评价时由于评价指标的不同之处如果直接用原始的数值进行评价就会导致评价结果不准确，不可靠。同理在对获得的数据进行分析时，由于数据的类型，量纲不同，如果直接对数据进行处理也会大大增加我们搭建模型的难度，以及训练模型的难度，因此对数据进行标准化处理。目前已有的标准化方法中常用的有，max—min标准化，将数据映射在区间[0,1]中，但是考虑到使用该方法时，如果新输入的数据中存在一个新的最大值或最小值，那么还需要对模型进行更新。本文采用的方法是Z-score 标准化，该方法具体原理如下：

对序列x1 、x2 ……xn  进行变换：

                                                              （3-1）

其中

                                                            （3-2）

                                                   （3-3）             

通过式（3-1）标准化后新序列y1 、y2 ……yn 的均值是0，方差为1，没有量纲。大于平均水平的值大于零，小于平均水平的值小于零。

3.3 长短期记忆网络基本原理

长短时记忆网络( LSTM)是对循环神经网络（RNN）进行改进后的网络，原本的RNN网络并不能解决对于长期的依赖问题，因为RNN只有单个状态，解决短距离内输入的数据比较优秀，通过对RNN网络的状态中添加Cell 状态，可以用该状态再存储一个长距离的数据。因此该模型既可以处理长期问题也可以处理短期问题。

从时间的层次来说明，当处于某个时刻时，会对长短期记忆网络输入三个值，分别是前一时刻的输出参数ht-1 、前一时刻的状态参数Ct-1 、以及这一时刻的输入参数X_t 。同时长短期记忆网络会有两个输出值分别时这一时刻的张状态参数Ct 以及输出参数ht 。.

使用三个控制开关控制长期状态 c:

第一个开关，其作用是判断是否保存长期状态参数；

第二个开关，其作用是判断在当前时刻的状态能否保存入长期状态 C 中

第三个开关，其作用