[發明專利]一種考慮溫度模糊化的電力負荷預測方法

有效

• 申請號: 201911412671.8
• 申請日: 2019-12-31
• 公開（公告）號: CN111160659B
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 蔡紹榮;魏明奎;周全;路亮;江栗;王慶;鄭瑞驍;張姝;肖先勇
• 申請（專利權）人: 國家電網公司西南分部
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 李蕊;郭艷艷

本發明公開了一種考慮溫度模糊化的電力負荷預測方法，首先采集電網的歷史負荷數據、歷史溫度數據以及相關日期數據并將其處理成15維特征向量，并按比例將其分為訓練數據集和測試數據集；再建立三層長短時記憶神經網絡，并通過訓練數據集對三層長短時記憶神經網絡進行迭代訓練得到電力負荷預測模型；最后將測試數據集中的預測日數據輸入電力負荷預測模型，得到電力負荷預測值。本發明能夠計及負荷時序性特性對短期負荷進行精確預測，同時利用隸屬度函數將精確溫度模糊化處理到[0,1]區間作為預測模型特征向量輸入，從而能夠有效降低夏季溫度多變和不確定帶來的隨機性影響，提高電力負荷預測模型對溫度的泛化性。

技術領域

本發明屬于電力負荷預測技術領域，具體涉及一種考慮溫度模糊化的電力負荷預測方法的設計。

背景技術

隨著智能電網發展，以智能電表為基礎的高級量測體系(AMI)已在實際工程中基本實現，智能電表可以獲得15mins為間隔的每天96組數據，為提升短時負荷預測提供更可靠的依據，但實際負荷變化除了可以從負荷時間需要中抽取出變化規律外，實際負荷還很大程度上受所處溫度條件影響，因此，在氣溫多變的夏季研究考慮溫度影響的電力短期負荷預測方法，具有重要理論價值和實際意義。

目前，電力短期負荷預測主要面臨以下幾個方面難點：(1)隨著負荷數據量的增長，傳統時序預測方法處理非線性數據能力有限；(2)傳統機器學習方法對具有時序特性的負荷數據的前后數據關聯不能有效學習；(3)面對溫度多變的夏季，傳統溫度因子的輸入可能會影響預測的精度。

目前，行業學者對電力負荷預測進行了大量研究，提出了很多方法，但相關方法一部分考慮了深度學習方法，另一部分考慮了相關因子如溫度的影響，均未考慮在溫度多變的夏季應當如何處理溫度變量帶給電力負荷預測的影響。

發明內容

本發明的目的是為了解決在溫度多變的夏季如何有效對溫度變量進行模糊化處理，從而利用深度學習對電力負荷進行有效預測的問題，提出了一種考慮溫度模糊化的電力負荷預測方法。

本發明的技術方案為：一種考慮溫度模糊化的電力負荷預測方法，包括以下步驟：

S1、采集電網的歷史負荷數據、歷史溫度數據以及相關日期數據。

S2、根據歷史負荷數據、歷史溫度數據以及相關日期數據得到15維特征向量，并按比例將其分為訓練數據集和測試數據集。

S3、建立三層長短時記憶神經網絡，設置網絡相關參數，并使用adam算法對三層長短時記憶神經網絡進行梯度優化。

S4、通過訓練數據集對三層長短時記憶神經網絡進行迭代訓練，并將訓練好的三層長短時記憶神經網絡作為電力負荷預測模型。

S5、將測試數據集中的預測日數據輸入電力負荷預測模型，得到電力負荷預測值。

進一步地，步驟S2包括以下分步驟：

S21、對歷史負荷數據進行歸一化處理，得到歸一化歷史負荷數據。

S22、根據歸一化歷史負荷數據得到8維相關負荷特征向量。

S23、對歷史溫度數據進行模糊化處理，得到6維模糊溫度特征向量。

S24、根據相關日期數據得到1維日期屬性特征向量。

S25、將8維相關負荷特征向量、6維模糊溫度特征向量和1維日期屬性特征向量合并為15維特征向量，并按8:2的比例將其分為訓練數據集和測試數據集。

進一步地，步驟S21中對歷史負荷數據進行歸一化處理的公式為：