[發明專利]一種基于優化LSTM網絡的24點電力負荷值7日預測方法

有效

• 申請號: 202010616978.6
• 申請日: 2020-06-30
• 公開（公告）號: CN111783953B
• 公開（公告）日: 2023-08-11
• 發明（設計）人: 張程;黃嘉豪;曹宇佳;陳自郁;古平;毛昕儒;徐郁;楊理
• 申請（專利權）人: 重慶大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0442;G06N3/048;G06N3/084;G06N3/006;H02J3/00
• 代理公司: 杭州知學知識產權代理事務所(普通合伙) 33356
• 代理人: 張雯

1.一種基于優化LSTM網絡的24點電力負荷值7日預測方法，其特征在于，包括如下步驟：

步驟S1、獲取歷史電力負荷數據集，數據集采樣間隔為60分鐘，即每日24點負荷值；

步驟S2、數據分析：獲取的電力負荷數據間具有很強的時間相關性，呈現出平穩的周期性變化，通過繪制電力負荷曲線圖，得到電力負荷數據的一些普適特性，包括波動性，連續性，周期性，掌握電力負荷的周周期性和日周期性規律，為短期電力負荷預測的研究提供更準確的數據支撐；

步驟S3、數據預處理：

步驟S31、補齊缺失數據：負荷值應該為正整數，若為負數或“0”，則視為數據丟失，利用前一天當前時刻的負荷值與當天前一時刻的負荷值組合的方式處理缺失數據，具體公式如下：

X(d,t)＝aX(d-1,t)+a′X(d,t-1)(1.1)

其中，X(d,t)表示d日期t時刻的電力負荷數據值，a、a′分別表示對應的數據的權重；

步驟S32、處理異常數據：利用電力負荷數據的周期性特性進行垂直和水平兩個方面上的異常數據的排查與修正，其中，

垂直處理方法：利用負荷數據與前一天同一時刻的歷史數據有較強的關聯性，根據當前數據與前一天同一時刻的歷史數據進行誤差計算，若超過閾值，則進行替換；具體計算過程如下：

首先判斷當前數據是否是異常數據，計算：

|(X(d,t)-X(d-1,t))/X(d,t)|＝θ₁(t)(1.2)

θ₁(t)＞ρ₁(1.3)

其中X(d,t)表示d日期t時刻的電力負荷數據值，θ₁(t)為數據間的絕對變化率，ρ₁為閾值，若θ₁(t)超過閾值ρ₁，表示當前為異常數據；否則表示為正常數據；對異常數進行垂直處理按照式1.4和式1.5進行：

X(d,t)＝b₁X(d-1,t)+b₂X(d+1,t)+b₃K(d-1)+b₄K(d+1)(1.4)

其中為b₁、b₂、b₃、b₄為權重，K(d)為日期d的平均負荷值，n為[0,24]的正整數；對電力負荷數據集中相鄰兩天同一時刻的數據按照式1.2計算θ₁(t)，得到θ₁(t)取值范圍，θ₁(t)大于1時則表示負荷數據較上一天同一時刻增長或減少逾1倍，根據θ₁(t)的取值分布和電力負荷數據特征，確定ρ₁的值；

水平處理方法：根據相鄰兩個時刻的負荷值進行誤差判定，若相差超過一定閾值，則判定為誤差數據，根據負荷曲線的連續性，將其替換為相鄰數據的平均值，具體計算過程如下：

若d日期t時刻的電力負荷數據值與相鄰負荷值計算絕對誤差：

判斷絕對誤差是否在閾值范圍內：

若式1.7中任意一個判斷成立，則該點為異常點，需要按照式1.8進行水平平滑處理；若式1.7中皆不成立，則為正常數據；

其中，X(d,t)表示d日期t時刻的電力負荷數據值，θ₂(t)、θ₃(t)為當前時刻分別與前、后時刻的誤差變化率，ρ₂為閾值；根據式1.6對原始電力負荷數據進行前后時刻誤差變化率計算，根據θ₂(t)、θ₃(t)的取值范圍和分布情況，得到閾值ρ₂；

步驟S33、數據標準化：對完成缺失、異常處理后的數據集進行z-score標準化處理；

步驟S4、劃分數據集為訓練集和驗證集；

步驟S5、優化長短期記憶神經網絡LSTM模型：利用粒子群優化算法PSO對長短期記憶神經網絡LSTM進行參數優化，得到優化LSTM模型；

PSO算法使用速度和位置搜索模型，包括一定數量的粒子、用于表示空間候選解的每個粒子的位置以及用于更新粒子位置的每個粒子的速度；在D維空間中進行搜索時，第i個粒子的位置矢量表示為x_i＝(x_i1,x_i2,...,x_iD)，第i個粒子的速度矢量表示為vi＝(v_i1,v_i2,...v_iD)，其中D維即優化參數的總數；每個粒子的適應度值由要優化的目標函數確定；且每個粒子都保持其自己的歷史最佳位置p_i和迄今為止發現的全局最佳位置p_g，即記憶能力；開始時，粒子的位置和速度在建議的范圍內任意分配；然后，利用以下公式通過迭代來改善其下一步操作：

其中，k是迭代次數，i是粒子數，d是搜索方向，d的取值范圍為[1,D]，w是慣性權重，p_id是單個粒子的最佳位置，p_gd是所有粒子的全局最佳位置，v_id表示d維中第i個粒子的速度，x_id表示d維中第i個粒子的位置；c₁、c₂是兩個正常數，表示學習因子，r₁和r₂分別是[0，1]范圍內的兩個隨機數；

利用PSO算法對LSTM網絡在訓練前需要輸入的隱含層節點數、學習率和迭代次數這三個參數進行優化，具體步驟如下：

步驟S51、對PSO參數進行初始化，設置粒子數i、迭代次數k、學習因子c₁和c₂、慣性權重w以及粒子速度和位置v_id和x_id的取值范圍；

步驟S52、對粒子的位置和速度進行初始化，初始化種群粒子x_i(h,ε,n)，其中h、ε、n分別隱含層節點數、學習率和迭代次數；

步驟S53、確定粒子的適應度值，取LSTM模型在測試數據集上的均方根誤差作為粒子的適應度值；適應度函數定義為：

其中，測試數據集為訓練集的部分或全部；N為預測數據集大小，x_i′為預測數據，y_i為驗證數據；

步驟S54、計算每個粒子位置x_i其對應的適應度值，初始化粒子個體最佳位置p_i和全局最佳位置p_g，將每個粒子的最佳位置記錄為其自己的歷史最佳位置p_i；

步驟S55、迭代計算式1.9和式1.10更新粒子的自身速度和位置，計算式1.11更新適應度值、粒子個體最佳位置p_i和全局最佳位置p_g；

步驟S56、判斷終止條件，滿足最大迭代次數時輸出當前計算所得的全局最佳位置作為LSTM網絡的初始參數；

步驟S6、利用上述分割好的訓練集作為輸入，模型預測輸出為7天，每天24條的電力負荷數據；再根據模型輸出的電力負荷數據與驗證集做比較，結合平均絕對誤差MAE和均方根誤差RMSE兩個指標，計算得到模型的預測準確度。

2.根據權利要求1所述的基于優化LSTM網絡的24點電力負荷值7日預測方法，其特征在于，LSTM模型的組成及各部分計算步驟為：LSTM擁有具有四個網絡層的重復模塊，即LSTM的記憶單元結構；細胞的狀態能夠隨時間流動，作為LSTM中新增加的一路輸入輸出，細胞狀態決定保留與遺忘的信息；LSTM的記憶單元結構由遺忘門、輸入門、輸出門、細胞狀態構成。