[發明專利]基于多尺度時間特征的LSTM負荷預測方法、介質及電子裝置

在審

• 申請號: 201911244260.2
• 申請日: 2019-12-06
• 公開（公告）號: CN111222689A
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 楊梅;王仕發;牛曉偉;謝輝
• 申請（專利權）人: 重慶三峽學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 成都智弘知識產權代理有限公司 51275
• 代理人: 丁亮;陳春

本發明公開了一種基于多尺度時間特征的長短時記憶網絡(Long Short?Term Memory,LSTM)負荷預測方法(記為W_LSTM)、介質及電子裝置，首先通過小波分解將原始負荷序列分解，得到具有不同時間特性的負荷序列，以便后續對信號變化規律實現深層次分析，再通過行列式點過程(Determinantal Point Process,DPP)提取具有較大相關性和多樣性的數據實現數據降維以提高訓練速度，最后將這些數據輸入LSTM模型實現負荷預測。將本發明所提出的方法與標準LSTM模型、自組織映射網絡(Self?Organizing Map,SOM)、高斯過程回歸Gaussian Process Regression,GPR)進行對比實驗，結果表明，本發明提出的方法具有更高的預測精度。同時，通過對加噪負荷數據的實驗說明了本發明方法還具有一定的抗噪性能。

技術領域

本發明涉及計算機算法技術，具體涉及一種基于多尺度時間特征的LSTM 負荷預測方法、介質及電子裝置。

背景技術

電力負荷數據是電網可靠經濟運行和科學智能管理的依據。在節能減排的壓力和開放電力市場的推動下，精確的負荷預測，對機組優化、設備檢修、經濟調度和電力市場有重要意義。然而，大規模間歇性能源發電系統及電動汽車的接入、需求響應機制的應用，導致電力負荷具有高度隨機性和動態變化性，給負荷預測帶來了挑戰。與此同時，泛在物聯網的建設、海量多源的歷史數據，對負荷預測的新方法提供了數據基礎；因此，在智能電網和人工智能背景下，負荷預測有了新的機遇和挑戰。

由于傳統機器學習方法對于高隨機性、大數據背景下的動態負荷預測精度無法保證，大量研究者開始轉向基于深度學習的方法。深度學習，作為機器學習的一個分支，具有更深層的體系結構(網絡層數在3層及以上)和更高的預測精度。如深度置信網絡、卷積神經網絡被用于負荷預測，在訓練樣本較大且負荷影響因素復雜的情況下，具有較高的預測精度，但也有一定的缺陷，如容易出現過擬合，沒有考慮電力負荷的時間關聯性。因此，基于時間序列特性的遞歸神經網絡(Recurrent Neural Network，RNN)模型被用于負荷預測，但它只能對較短的時間序列數據進行記憶，隨著數據量增大，時間間隔增長，RNN會丟失之前輸人的重要信息，引起梯度消失而導致預測模型失效。針對RNN的這一問題，提出了LSTM，該模型比超參數優化的機器學習模型具有更高的精度。門控循環單元模型推出后，也被用于負荷預測，該模型參數較LSTM減少了，但性能比LSTM稍遜一點。

相比較單一因素的負荷預測，越來越多研究者考慮復合影響因素的負荷預測方法。輸入數據中除了歷史負荷，引入了其它相關因素，如日期因素、氣象因素、經濟因素等，以實現更加可靠、準確的預測。這能從一定程度上提高準確度，但這些數據的收集需要額外的工作量，并且引入額外的變量可能會對預測性能產生負面影響。比如，這些變量高度相關，因此監督算法可能無法識別不同時間步長的真實關系。并且，引入過多的輸入變量會大大增加模型的復雜度，它通常會增加過度擬合的風險，增加計算負擔，使收斂速度變慢。小波分解可以對負荷數據實現不同時間尺度上的分解，將歷史負荷數據進行小波分解，表示成不同因素影響下的負荷序列分量。LSTM較RNN有更長的時間記憶能力，但只能記住約100s的長期信息。文獻利用小波變換將光伏序列分解為不同序列分量，對每個序列進行預測后再重構，這種通過對每個序列進行預測后再重構會增大誤差的累計，并且耗時。

發明內容

本發明要解決的技術問題是，提供一種基于多尺度時間特征的LSTM負荷預測方法、介質及電子裝置，以解決現有的通過對每個序列進行預測后再重構的負荷預測手段會增大誤差累計，短期負荷預測精度低、預測模型魯棒性差的問題。

本發明是通過如下技術方案實現的：

基于多尺度時間特征的LSTM負荷預測方法，包括：

步驟1：將原始負荷序列歸一化；

步驟2：將歸一化后的原始負荷序列進行小波分解和重構，得到具有不同時間特性的負荷序列；