• 11 •
山东六旬大爷发明提物电梯机（SVM）和其他时间序列预测模型开发的。例如，参考文献设计了一个基于人工神经网络的模型，以改善PJM市场和ISO新英格兰市场的负荷预测准确性。在，作者发表了一个带有混合自适应模糊神经系统的修复模型。通过考虑传统负荷预测模型与总电力成本精度的不匹配，我们通过考虑有益相关正则化建立了基于LSTM的模型，提高了精度，降低了电力成本。首先，由于LSTM的结构，传统模型中的各个数据之间的联系；除此之外，预测模型的目标还包括精度部分和功率成本部分，因此该模型提供了负载预测解决方案，可确保所需的精度并同时降低功耗（王军.安徽省某地区中长期电力负荷预测：吉首大学学报(自然科学版),2018,39(06):46-49）。 本文的内容总结如下。第二节介绍了LSTM的一个案例。第三节介绍了支持所提出模型性能的数值研究。结论在第四节中给出。2.深度LSTM模型
本文提出了一种基于长期短时记忆的递归神经网络（LSTM）负荷预测模型。该模型基于PJM提供的实时电力数据。预测具有每小时频率，因此对LSE的使用非常有益。每小时预测提供了对未来几周负荷需求的更准确描述，并且还可以使用所获得的数据每日计算最大负荷需求。对于执行时间序列预测，递归神经网络（RNN）是最广泛使用的模型之一。然而，RNN遭受消失梯度下降的固有问题。为了克服这个问题并另外制定训练样本之间的长期依赖性，使用LSTM，这显着提高了所提出的模型的精度。与RNN
模型相反，LSTM的隐藏层具有复杂的结构。LSTM结构由三个门组成，即输入门，忘记门和输出门，通过它们对每个模型状态的信息选择性影响。在每个门中，有一个sigmoid函数乘以位置的输入数据。为了有效地记住长句有意义的信息，输入门和遗忘门的性能非常重要。忘记门的效果是忘记以前无用的信息，它根据xt和ht过滤信息。在忘记之后，信息需要由输入门提供，其中xt和ht-1决定并将有用信息提供给ct-1以构建ct。
基于RNN的深度LSTM是一种先进的LSTM模型。为了提高学习能力，深LSTM模型具有多层LSTM。在每个时刻的输入和输出之间，有几个LSTM可以提取更多的隐藏信息。每层LSTM，每个LSTM参数都相同，并且层中的LSTM参数与其他层的参数不同。在图2中，给出了
在日前电力市场（DAM）中，负荷服务实体（LSE）需要事先向市场运营商提交其负荷计划。为了降低总成本，LSE应考虑DAM价格与RDM（实际日市场）价格的差异。因此，问题在于更精确的负荷预测模型有时会提供具有间隙的价格，从而导致更低的成本。面对这个问题，本文考虑了具有深度长期短期记忆（LSTM）的成本核算相关因子（CCF），启动了负荷预测模型。预测模型的目标包含精度部分和功率成本部分。同时，LSTM的构造可以抵消牺牲的准确性。此外，本文使用自适应矩估计算法进行网络训练，神经元类型为整流线性单元（ReLU）。给出了基于实际数据的数值研究，结果表明，采用CCF的LSTM可以在可接受的精度水平下降低功率成本。1.介绍
在放松管制的电力市场中，这似乎是一个不可逆转的发展趋势。在电力市场中，能源买家和卖家之间的贸易是由价格而非政府政策和监管推动的。放松管制的电力系统可以优化资产利用率并提高社会效率。在放松管制的环境下，电力市场发展成包含多种交易模式的复杂系统。有三种熟悉的概念交易模式，即功率池模型（日前市场和实时市场），双边交易模型（远期，期货，期权和差价合约）和混合模型（Algarvio,H.,Lopes,F.,Sousa,J.,&La garto,J.(2017).“Multi-agent electricity markets:retailer portfolio optimization using Markowitz theory”Electric Power Systems Research,2017,vol.148,pp.282-294）。
简易频谱分析仪北欧的Nord Pool市场，奥地利的国家电力市场，早期的英国电力市场，PJM，CAISON和ERCOT在美国电力市场都使用电力池模型。北欧和加州电力市场采用双边交易模式。斯堪的纳维亚的Nord 电力池，葡萄牙和西班牙的MIBEL，他们采用混合贸易体系。电力是整个电力市场的集中点，包括日前市场和实时市场（胡函武，杨英，施伟，孟安波.一种基于极限学习机的短期负荷预测方法：黑龙江电力,2018(06):471-476）。
在日前市场中，供应商和客户将其各自的报价和交易数量提交给日前交易系统。实际电量差异之间的交易量基于对未来电力需求的预测。日前价格和实时价格的计算基于区位边际定价（LMP），其中包括系统能量，拥塞和损失成本。电力负荷预测与公用事业公司的运营和方案相结合，涵盖电力市场中的发电和购电，负荷开关和基础设施发展等生产计划。根据持续时间，电力负荷预测将分为短期，中
期和长期预测（赵立强，杨镜非，张美霞，李泰杰，杨秀，蔡鹏飞，陈斌超.基于相似日选择和BP神经网络的商场短期负荷预测：供用电,2019(01):23-28）。
负荷预测模型的大多数目标都集中在预测精度上。这些工具主要是基于人工神经网络（ANN），模糊逻辑，支持向量
考虑成本的深度长期短期的负荷预测
广东工业大学 黄柏富
图2 深度LSTM结构
图1 LSTM结构
DOI:10.19353/jki.dzsj.2019.04.005
• 12 •
深LSTM的结构。输入x进入l层，然后穿过完全连接的层以形成输出。h是LSTM的初始输出，给出为零。
羟基自由基
3.案例分析
图3 ANN和深度LSTM的结果
首先，我们在没有考虑成本的传统ANN和深LSTM模型中进行研究。在图3中记录并比较了传统ANN和深LSTM模型在不同MAPE中的功率成本。从图3中可以看出，不仅MAPE而且深LSTM的功率成本优于传统的ANN结果。深LSTM的最低功耗为3.24E+08，节省了ANN （3.3354E+8）最低功耗成本的2.6％。
其次，我们考虑成本的深LSTM相结合，并进行一些负荷预测测试。CCF的参数α设定为0至0.05，间隔为0.001。不同α的负荷预测模型的结果如图4所示。
从图4可以看出，随着参数α的值从0增加到0.05，损耗成本比例上升，MAPE增加但功率成本下降。当参数α为0.005时，电力成本节省了深LSTM中最低成本的4.1％，并节省了ANN中最低成本的
样本制作
6.6％。
图4 不同参数α的结果
4.结论
本文介绍了一种新的负荷预测模型，该模型由深LSTM和CCF组成。LSTM结构可以利用独立数据的隐藏连接，深层可以挖掘出隐藏的信息，提高准确性。当在深LSTM模型中引入CCF时，考虑精度，同时也强调功率成本。在本文中，我们可以观察到图4中存在精度和功率成本之间的不匹配。并且证明了深LSTM可以提高精度，并且功率成本在一定程度上下降。适当的CCF模型在一定程度上牺牲了精度，可以通过深LSTM来补充，以进一步降低功率成本。在未来，我们将进行更深入的研究，包括挖掘更深层的信息结构，考虑动态负荷预测的模型。更深层的信息结构可以抽象出更多有用的信息，考虑动态负荷预测的模型可以应用于不同的情况。
手指灯
如今，计算机信息技术已普遍应用于各行各业中，并时刻发挥着其不可替代的作用。就以图书馆的管理来说，计算机信息技术的应用可以用最快的速度收集到大量的信息，还可以对这些信息进行管理，用于满足图书馆管理的实际工作需要。为此，论文结合计算机信息技术的应用优势，总结认为计算机信息技术在图书馆管理方面的应用，要从五个方面做起：一是从读者需求出发，整理并加工图书馆网络信息资源；二是建立特数据库，为读者提供个性化服务；三是简化操作，建立快捷的图书搜索引擎；四是注重图书信息的模块化规划，采用站点导航工作模式；五是打破地区局限性，满足不同地区读者的需求。 引言：计算机信息技术的广泛应用，为我国的经济发展带来了新的契机。它通过对大量信息进行收集和整理，结合实际发展需求提供相应的服务，而今已是各行各业发展的核心技术。图书馆管理中也正是应用了计算机信息技术，才逐渐打破图书馆传统管理的局限性，以全新的信息技术促进图书馆的数字化管理和高效管理。尽管计算机信息技术在图书馆管理方面的应用优势颇多，但如何做好计算机信息技术在图书馆管理方面的科学应用依然是人们高度重视的一个焦点（刘洲雁，左建辉.计算机信息技术在校园图书馆管理中的实际应用分析：卷宗，2018，12（14）：62）。因此，论文对计算机信息技术在图书馆管理方面的应用进行研究有很大的现实意义。
1 计算机信息技术在图书馆管理方面的应用优势
1.1 创新了图书馆的服务模式
计算机信息技术在图书馆管理方面的应用，以创新服务可促进图书馆图书服务的现代化。读者在图书馆里可以上网查询想要查询的图书信息，也能在网上查看其他人对这本图书的检索信息。当然，在计算机信息技术下，读者可以在有网络的状态下进入不同的图书馆，看到更加丰富的图书信息，借阅更加方便。计算机信息技术的应用，以科学又高效率的检索方式减少了图书馆管理人
论计算机信息技术在图书馆管理方面的应用
南阳医学高等专科学校 王 佳
DOI:10.19353/jki.dzsj.2019.04.006
>域网
