公开(公告)号：CN111340300A

公开(公告)日：2020-06-26

申请号：CN202010132440.8

申请日：2020-02-29

Applicant: 上海电力大学

Inventor： 夏飞 ,  柴闵康 ,  张传林 ,  龚春阳

IPC: G06Q10/04 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/06

Abstract: 本发明公开了一种基于FAF-LSTM深度神经网络的居民负荷预测方法及系统，包括，构建基于融合激活函数的LSTM深度神经网络；对构建的LSTM深度神经网络进行训练；输出训练后的LSTM深度神经网络；采集待测负荷数据；将待测数据输入训练后的LSTM深度神经网络进行预测；LSTM深度神经网络输出预测结果。本发明的有益效果：通过对LSTM人工神经网络深度学习预测模型进行改进，提高了电力负荷预测的准确性，且更能够满足工程应用的要求。

公开(公告)号：CN110826783A

公开(公告)日：2020-02-21

申请号：CN201911023736.X

申请日：2019-10-25

Applicant: 上海电力大学

Inventor： 夏飞 ,  柴闵康

IPC: G06Q10/04 ,  G06Q50/06 ,  G06N3/08

Abstract: 本发明提供了一种神经网络的权重的训练方法及其应用，其中的神经网络的权重的训练方法首先将预定数量的短期用电负荷数据作为初始训练集、将初始权重作为记忆权重，然后采用数据线性分析方法获取权重训练模型的动量因子、阻力因子及估计因子，然后，根据动量因子、阻力因子及估计因子获取权重更新速度，然后，根据权重更新速度和记忆权重获取权重变化量，然后，将中间权重作为新的记忆权重，最后，对初始训练集中的每个训练数据重复上述过程，并将最终的中间权重作为最优权重。