[發明專利]基于循環神經網絡的電力負荷預測方法、裝置及設備

在審

• 申請號: 201910615214.2
• 申請日: 2019-07-09
• 公開（公告）號: CN110322073A
• 公開（公告）日: 2019-10-11
• 發明（設計）人: 鄭楷洪;肖勇;楊勁鋒;錢斌
• 申請（專利權）人: 南方電網科學研究院有限責任公司;中國南方電網有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 侯珊

本發明公開了一種基于循環神經網絡的電力負荷預測方法，包括：將獲取到的電力負荷數據集依次輸入到設置有不同跳躍連接的多層循環神經網絡，并且每層循環神經網絡預設時長內各預設時刻的輸出為下一層循環神經網絡對應時刻的輸入，分別得到各層循環神經網絡在預設時長內最后預設時刻的隱層狀態。分別將各層循環神經網絡最后預設時刻的隱層狀態輸入到全連接網絡，得到電力負荷數據集的融合特征；利用融合特征預測下一預設時刻的電力負荷值。應用本發明實施例所提供的技術方案，充分利用了電力負荷數據中的信息，較大地提高了電力負荷預測精度。本發明還公開了一種基于循環神經網絡的電力負荷預測裝置、設備及存儲介質，具有相應技術效果。

技術領域

本發明涉及電力負荷預測技術領域，特別是涉及一種基于循環神經網絡的電力負荷預測方法、裝置、設備及計算機可讀存儲介質。

背景技術

精確的電力負荷預測對于保證電力系統的可靠安全運行至關重要，同時為電量生產和供電調度提供了可靠的指導。電力負荷預測傳統方法有時間序列分析、回歸模型和自回歸移動平均模型等。由于電力負荷具有非線性的特性，而傳統方法的非線性擬合能力較差，因此很難對電力負荷進行準確地預測。

近年來，因神經網絡具有很強的自學習和非線性擬合能力，能夠較好地解決電力負荷預測問題，神經網絡在電力負荷預測中的應用已經成為熱點。現有的利用神經網絡進行電力負荷預測方式一般包括利用粗糙集理論對神經網絡預測模型輸出的預測負荷進行補償，進而對電力負荷進行預測，或者利用基于蟻群優化算法循環神經網絡進行短期負荷預測。但是兩者均沒有充分利用電力負荷數據中的信息，電力負荷預測的精度低。

綜上所述，如何有效地解決不能充分利用電力負荷數據中的信息，電力負荷預測精度低等問題，是目前本領域技術人員急需解決的問題。

發明內容

本發明的目的是提供一種基于循環神經網絡的電力負荷預測方法，該方法充分利用了電力負荷數據中的信息，較大地提高了電力負荷預測精度；本發明的另一目的是提供一種基于循環神經網絡的電力負荷預測裝置、設備及計算機可讀存儲介質。

為解決上述技術問題，本發明提供如下技術方案：

一種基于循環神經網絡的電力負荷預測方法，所述電力負荷預測方法包括：

獲取預存的電力負荷數據集；

將所述電力負荷數據集從最底層循環神經網絡依次經過設置有不同跳躍連接的各層循環神經網絡，分別得到各層所述循環神經網絡在預設時長內最后預設時刻的隱層狀態；其中，每層循環神經網絡所述預設時長內各預設時刻的輸出為下一層循環神經網絡對應時刻的輸入；每層循環神經網絡各預設時刻的輸出為當前時刻隱層狀態與當前層循環神經網絡輸出權重矩陣的乘積；

分別將各層所述循環神經網絡在所述預設時長內最后預設時刻的隱層狀態輸入到全連接網絡，得到所述電力負荷數據集的融合特征；

利用所述融合特征預測下一預設時刻的電力負荷值。

在本發明的一種具體實施方式中，當所述電力負荷數據集中的電力負荷數據的數量級或量綱不一致時，在獲取預存的電力負荷數據集之后，將所述電力負荷數據集從最底層循環神經網絡依次經過設置有不同跳躍連接的各層循環神經網絡之前，還包括：

對所述電力負荷數據集中的各所述電力負荷數據進行歸一化操作。

在本發明的一種具體實施方式中，在利用所述融合特征預測下一預設時刻的電力負荷值之后，還包括：

獲取下一預設時刻的真實電力負荷值；

利用所述真實電力負荷值和預測出的電力負荷值檢驗預測過程所用電力負荷預測模型的有效性。

在本發明的一種具體實施方式中，利用所述真實電力負荷值和預測出的電力負荷值檢驗預測過程所用電力負荷預測模型的有效性，包括：