亮点：自动超参数调整，数学很高深，不容易理解。
自动超参数调整的有效性基于深度学习的住宅负荷预测
短期住宅负荷预测
在本文中，我们扩展了一个基于深度长期内存（LSTM）的负载，具有自动超参数调整的预测框架
针对高度不稳定的住宅负荷解决STLF问题。基于树结构的Parzen估计器的超参数调整方法被有效地集成到STLF框架中
找到最佳的超参数集
高温 - 通常发现ture与高电力密切相关
sumption，但这对于没有的家庭来说并不适用
一个是在家里。居民行为的不可预测性
使住宅需求高度不稳定
自动超参数调整：网络超参数如隐藏的数量图层，每层隐藏节点的数量，选择优化器，激活功能的选择等。如果这些
超参数选择不当，它
澳大利亚政府发起了澳大利亚的第一次商业规模的智能电网项目，智能电网智能城市（SGSC）们通常导致子参数最佳结果
我们从SGSC数据集中选择一部分客户69个客户
针对3个不同的客户分别计算皮尔逊相关系数
Pearson的相关性这三个家庭的系数仅为0.416，分别为0.529和0.764
不仅优化了LSTM超参数，例如层数和隐藏节点的数量，也处理以前消费的长度选择序列
自动超参数整定
本文提出了一种自动超参数调整，基于LSTM的短期负荷之前的框架 个人住宅客户的铸造框架。该树结构Parzen Estimator超参数调整方法od基于贝叶斯优化方法，确实如此不依赖于衍生物而是依赖于观察列表。 它可以在很多方面达到足够好的超参数集迭代次数少于随机搜索和网格搜索方法。通过使用新的预测框架，最好的住宅预测结果进一步提高了约10％。 这个确认超参数调整也非常重要。