[發明專利]一種基于LSTM神經網絡的電能量預測與修復方法

在審

• 申請號: 201911093125.2
• 申請日: 2019-11-11
• 公開（公告）號: CN111061708A
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 黃福興;丁宏;周廣山;張羅平;鄭寬昀;武文廣;程樂政;楊學良;羅浩;許少哲;呂朋朋;江周華
• 申請（專利權）人: 國電南瑞科技股份有限公司;國電南瑞南京控制系統有限公司;南瑞集團有限公司
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06N3/04;G06Q10/04;G06Q50/06
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

本發明公開了一種基于LSTM神經網絡的電能量預測與修復方法，該方法首先對于獲取的電能量數據進行標準化處理，然后構造標準數據格式后建立深度學習模型；最后利用LSTM模型進行預測,精度檢驗和異常值修復。本發明對原始數據進行標準化，重新調整值的分布，避免降低網絡學習和收斂的速度，提高網絡的學習效率；構建了多個網絡層的線性堆疊，加入LSTM層作為輸入信息和隱藏狀態的橋梁，加入全連接層來鏈接隱藏狀態和輸出信息，對模型進行擬合，提高模型預測準確度；通過基于LSTM預測模型對異常的電能量數據進行修復，提高了異常電能量數據修復的準確度。

技術領域

本發明屬于電氣工程和電能預測技術，具體涉及一種基于LSTM神經網絡的電能量預測與修復方法。

背景技術

隨著智能電網的全面建設，電網數據量呈爆炸式增長，電力用戶對電量數據的質量要求相應提高。由于電能計量裝置運行過程中，不可避免受到各種因素的影響，電網系統及其采集系統中會出現各種故障而產生異常的電能量數據，進而影響電網的安全穩定運行。因此，對各類異常數據進行及時修復是提高電量數據質量的重要措施。

目前市場上存在一些電能量預測模型，但由于需要考慮的電能量數據影響因素較多或步驟繁瑣，對異常的電能量數據精度較低、靈活性較差。長短期記憶(Long-Short termmemory，LSTM)模型目前已經應用于時間序列預測等領域，但由于所需電能量數據量龐大，影響因素復雜，目前對于LSTM模型在電能量數據預測和修復方面的技術先進性和準確性有待提升。

發明內容

發明目的：為了提高異常電能量數據修復的準確性，本發明提供一種基于LSTM神經網絡的電能量預測與修復方法。

技術方案：一種基于LSTM神經網絡的電能量預測方法，包括如下步驟：

(1)獲取電力系統電能量歷史數據，并對歷史數據進行標準化處理，并構造標準數據格式；

(2)建立線性堆疊式的LSTM電能預測模型，所述LSTM電能預測模型中包括堆疊的網絡層和鏈接輸入信息和隱藏狀態的LSTM層、鏈接隱藏狀態和輸出信息的全連接層；

(3)通過基于LSTM預測模型對異常的正向有功總電量PAP和反向有功總電量RAP數據進行預測和修復。

進一步的，步驟(1)所述的歷史數據包括電力系統運行異常數據和原始數據，所述的標準化處理包括歸一化處理、時間序列轉換和數據分割，標準格式表達式為[D,T,N]，其中D為樣本數，T為時間步，N為特征變量數。

步驟(2)所述的LSTM電能預測模型中LSTM循環單元包括忘記門層、輸入門層、更新門層和輸出門層，所述忘記門層、輸入門層、更新門層和輸出門層之間相互交互。

更進一步的，所述的LSTM電能預測模型包含48個神經元，由交互的忘記門層、輸入門層、更新門層和輸出門層構成LSTM循環單元。

步驟(3)所述的LSTM預測模型包括計算平均絕對百分比MAPE值進行精度檢驗，其計算表達式如下：

其中，t1為電能量數據的實際值，t2為電能量數據的預測值，n為預測天數。

有益效果：與現有技術相比，本發明所構建的LSTM電能預測模型，通過多個網絡層的線性堆疊，避免梯度消失，具有聯想記憶的功能，提高了電能預測模型的準確度；另一方面，本發明所述方法能夠自動識別非平穩數據中的趨勢性和異方差性，同時適用于不同季節下不同電能的需求范圍；最后，本發明所提供的LSTM電能模型的回看數據點數量是48個點。在數據量較小且不足48個數據點時，可以利用待預測數據的前6或12個點的數據作為預測函數所使用的數據集，輸出得到的預測值作為新的數據集輸入到下一次所使用的預測函數中去。這樣動態的迭代預測，提高了電能量數據預測的靈活性。在數據量較為充足的情況下，可以直接利用要預測點的前48個點對該點進行預測。