技术特征：
1.一种基于elm
‑
lstm的谐波预测方法，其特征在于：包括以下步骤：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；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；步骤3、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；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。2.根据权利要求1所述的一种基于elm
‑
lstm的谐波预测方法，其特征在于：所述步骤1的具体步骤包括：(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；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：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；(2)将所选择的数据输入至该elt
‑
lstm的谐波预测模型；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。3.根据权利要求1所述的一种基于elm
‑
lstm的谐波预测方法，其特征在于：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：f
t
＝σ(w
f
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀ
(2)i
t
＝σ(w
i
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀ
(3)(3)o
t
＝σ(w
o
[h
t
‑1,x
t
]+b
o
)
ꢀꢀꢀꢀ
(6)h
t
＝o
t
*tanh(c
t
)
ꢀꢀꢀꢀ
(7)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。4.根据权利要求1所述的一种基于elm
‑
lstm的谐波预测方法，其特征在于：所述步骤3的具体方法为：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：
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。5.根据权利要求1所述的一种基于elm
‑
lstm的谐波预测方法，其特征在于：所述步骤4的最终预测结果的计算公式为：z＝(h
last
+y(x))/2
ꢀꢀꢀꢀꢀ
(9)。
技术总结
本发明涉及一种基于ELM
技术研发人员：李树鹏 吴彬 李振斌 满玉岩 刘亚丽 刘云 邢楠楠 于光耀 胡晓辉 杨国朝
受保护的技术使用者：国网天津市电力公司 国家电网有限公司
技术研发日：2021.06.29
技术公布日：2021/10/23