没有合适的资源?快使用搜索试试~ 我知道了~
基于GRU神经网络的WGAN短期负荷预测模型.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 135 浏览量
2022-12-15
14:26:47
上传
评论 2
收藏 391KB DOCX 举报
温馨提示
试读
13页
基于GRU神经网络的WGAN短期负荷预测模型.docx
资源推荐
资源详情
资源评论
1 引言
电力负荷受天气、日期等因素的影响,具有随机性和非线性特征
[1-2]
,负荷随
时间的波动性较大,预测时可能存在误差值较大的现象。随着机器学习和深度
学习的不断发展,神经网络、支持向量机、随机森林等方法都能够拟合负荷的
特性
[3⇓ -5]
,起到减小预测误差,保证短期负荷预测的精确性和稳定性的作用
[6-7]
。
GAN 是一种生成式神经网络,其模型由生成器和判别器组成。文献[8]和文
献[9]提出了一种基于 GRU 神经网络的短期负荷预测模型,既提高了预测精度,
也兼顾了时效性,但是单一模型结构难以继续提升其预测精度和稳定性。文献
[10]提出了一种 GAN 和深层 LSTM 结合的短期负荷预测模型,其生成器和判别
器模型采用对抗训练方式,有效提升了短期负荷预测的精度,但是 GAN 模型存
在梯度消失和模式崩溃,模型训练较为困难。文献[11]采用 Wasserstein 距离取
代 KL 散度及 JS 散度作为 GAN 的损失函数,有效解决了 GAN 模型训练中的问
题,提高了模型的预测性能。
针对以上研究现状,本文提出了一种基于 GRU 神经网络的 WGAN 短期负
荷预测模型。WGAN 通过将 Wasserstein 距离作为模型的损失函数,可以解决
常规 GAN 模型训练过程中的梯度消失和模式崩溃等问题。在 WGAN 模型中采
用 GRU 神经网络可以解决循环 神经网 络中梯 度消失和梯度爆炸的问 题
[12-13]
。
以某地区的负荷数据作为仿真依据,验证了本文模型可有效提高短期负荷预测
的精度。
2 基于 GRU 神经网络的 Wasserstein 生成对抗网络
2.1 生成对抗 网络模型
GAN 由生成器和判别器组成,生成器用于生成符合真实数据分布的样本数
据,判别器对输入的信息进行 准确的判断与分类,若判 断输入数据为真实数据,
则输出为 1;若判断输入数据为假数据,则输出为 0
[14-15]
,生成对抗网络模型如图
1 所示。
图 1
图 1 生成对抗网络模型
GAN 的训练分为两个阶段,先训练判别器再训练生成器
[16]
。在训练的过程
中,两个模型会不断更新自身的参数,使得各自的损失函数和输出误差最小化。
2.2 Wasserstein 距离
传统 GAN 模型采用 KL 散度或 JS 散度作为模型的损失函数,存在梯度消
失和模式崩溃,导致生成器的生成数据不理想
[17-18]
。
Wasserstein 距离的含义为两个分布之间的成本最小值
[19]
,公式如下所述
{W(Pr,Pg)=γ∼Π(Pr,Pg)E(x,y)∼γ∥x−y∥{W(Pr,Pg)=γ∼Π(Pr,Pg)E(x,y)∼γ‖x−y‖
(1)
式中,P
r
表示真实数据分布;P
g
表示生成数据分布;W(P
r
, P
g
)表示 P
r
和 P
g
的
Wasserstein 距离;inf 表示取下确界;γ∼∏(Pr,Pg)γ∼∏(Pr,Pg)为 P
r
和 P
g
联合分
布的集合;γ 代表其中的一个联合分布;x 是真实数据,y 是生成数据;(x, y)~γ 表示
(x, y)是来自 γ 的采样;||x-y||是 x 和 y 之间的 Wasserstein 距离;E_{(x, y) \sim
\gamma}\|x-y\|为样本对距离的期望值。
与 KL 散度和 JS 散度相比,即使 P
r
、P
g
两个分布之间没有交集,Wasserstein
距离仍然可以反映出它们的远近,用公式表示为
W(Pr,Pg)=|θ|W(Pr,Pg)=|θ|
(2)
KL(Pr∥Pg)={+∞0θ≠0θ=0KL(Pr‖Pg)={+∞θ≠00θ=0
(3)
JS(Pr∥Pg)={ln20θ≠0θ=0JS(Pr‖Pg)={ln2θ≠00θ=0
(4)
由上述公式可知,当两个分布之间没有交集时,KL 散度和 JS 散度是不连续
且突变的。在梯度下降过程中,其导数为 0 的部分并不能提供梯度,导致生成器
的梯度为 0,出现梯度消失。而 Wasserstein 距离是连续可导的,在进行梯度更
新时,不会出现梯度消失的现象。
由于直接求解 Wasserstein 距离的计算非常困难,所以采用其对偶形式。
W(Pr,Pg)=1Ksup∥f∥L⩽KEx∼pr[f(x)]−Ex∼pg[f(x)]W(Pr,Pg)=1Ksup‖f‖L⩽KEx∼
pr[f(x)]−Ex∼pg[f(x)]
(5)
式中,∥f∥L⩽K‖f‖L⩽K 表示函数 f(x)满足 K-Lipschitz 连续条件。
2.3 Wasserstein 生成对抗网 络
WGAN 采用 Wasserstein 距离判别两个分布间的差距,当两个分布差距较
大时,仍然能够保证生成器进行更新,解决了 GAN 中的训练问题,提升了生成器
生成数据的质量,进一步提高了预测精 度
[20-21]
。本文所采用的 WGAN 模型如
图 2 所示。
图 2
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3582
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功