[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

本發明提供了一種基于優化LSTM網絡的24點電力負荷值7日預測方法，包含數據采集、數據分析及數據預處理；劃分數據集為訓練集和驗證集；基于訓練集，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，確定適用在本發明的24點電力負荷預測中LSTM網絡的隱含層節點數、學習率和迭代次數這三個參數的最優值，并將訓練集作為輸入，基于優化的LSTM網絡來預測未來7日24點的電力負荷值，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，得到模型的預測準確度。通過本發明的預測方法，提高了預測準確性和時效性，預測效果較現有電力負荷預測方法更好。

技術領域

本發明涉及電力系統規劃和調度等領域，具體涉及一種基于優化LSTM網絡的24點電力負荷值7日預測方法。

背景技術

伴隨著電力設備的各方面影響，使得電力負荷預測有著極高的商業和研究價值。準確地預測短期的電力負荷，能夠使電力公司及時調整負荷設備，減少資源浪費，提高性能和電力網絡的穩定性。電力負荷預測其本質是尋找負荷數據集之間的隱含關系，利用已知的離散數據建立擬合模型，推測未來某一時刻或某一時間段內的數據值。短期電力負荷預測技術一般主要用來預測未來1天至1周的電力負荷，其預測的精度直接影響到電力市場下各運營商的經濟成本,因而在現代電力需求側管理當中占有重要地位。

目前有關短期電力負荷預測的研究已經小有建樹，但所用方法針對性較強，普適性較差。因此短期電力負荷研究仍然面臨部分問題：(1)數據源異構且維度差異較大，在采集數據時，數據結構不同，數據精度也存在差異；此外，負載數據的維度可能會包含風力、濕度、溫度等其他可能影響負荷的因素，導致各地區之間的數據維度差異較大；(2)時序性的負荷數據之間的關系復雜，預測難度較大。電力負荷數據為時序性的數據流，由于影響負荷數據的因素較多，因此數據之間的關系較難模擬；電力負荷數據呈動態變化，也是因為頗多的不確定因素影響，給電力負荷預測帶來困難；(3)短期電力負荷預測對時效性要求更高，短期電力負荷預測需要測量未來一周乃至一天的負荷數據，不僅對硬件方面有要求，也對模型的收斂時間和計算速度都有較高的要求。

現有的短期電力負荷預測技術一般主要用來預測未來1天至1周的電力負荷，且數據源異構且維度差異較大、時序性的負荷數據之間的關系復雜，預測難度較大；其次，傳統的電力負荷預測方法，例如回歸分析、灰色模型、支持向量機、神經網絡、時間序列等，但其預測精度和預測時效性無法滿足要求；另外，國內外專家將具有快速計算能力、自學習能力的神經網絡用于電力負荷預測研究，但神經網絡算法的訓練模型受參數影響，其訓練速度、收斂結果帶有不確定性，且容易陷入局部最優結果，預測準確性和時效性不足。

發明內容

針對現有技術中所存在的不足，本發明提出一種基于優化LSTM網絡的24點電力負荷值7日預測方法，僅以電力負荷時序數據作為輸入，減少其他因素的影響比重，克服了現有短期電力負荷預測方法中數據源異構且維度差異較大的缺陷；并通過粒子群優化算法PSO來優化LSTM網絡，確定適用在本發明的24點電力負荷預測中LSTM網絡的參數，并基于優化的LSTM網絡來預測7日24點的電力負荷值，提高了電力負荷預測方法的準確性和時效性，解決了現有技術中短期電力負荷預測技術中存在的數據源異構且維度差異較大、時序性的負荷數據之間的關系復雜，預測難度較大、預測準確性和時效性不足的技術問題。

為實現上述目的，本發明用了如下的技術方案：

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：