[發(fā)明專利]一種基于相似日和LSTM的短期電力負荷雙向組合預測方法

有效

• 申請?zhí)枺?/td>: 202010810359.0
• 申請日: 2020-08-13
• 公開（公告）號: CN111932402B
• 公開（公告）日: 2023-05-30
• 發(fā)明（設(shè)計）人: 王瑞;逯靜;閆方;陳詩雯;高強
• 申請（專利權(quán)）人: 河南理工大學
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06Q10/04;G06N3/0442;G06N3/08
• 代理公司: 鄭州浩德知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 41130
• 代理人: 王國旭

1.一種基于相似日和LSTM的短期電力負荷雙向組合預測方法，其特征在于，包括以下步驟：

S1，數(shù)據(jù)預處理：將歷史數(shù)據(jù)中的影響因素作歸一化處理，所述影響因素包括溫度、天氣類型和日類型；所述歷史數(shù)據(jù)包括影響因素數(shù)據(jù)和電力負荷數(shù)據(jù)，所述影響因素數(shù)據(jù)來源于當?shù)貧庀缶郑鲭娏ω摵蓴?shù)據(jù)來自當?shù)嘏潆娬尽⑶颐?5分鐘作為一個采樣點，1天共96個采樣點；

S2，相似日選擇：采用灰色關(guān)聯(lián)分析法在不同范圍的歷史日中按照關(guān)聯(lián)度大小挑選相似日，所述相似日包括測試日、訓練集標簽日和訓練日；

S3，數(shù)據(jù)集確定：所述數(shù)據(jù)集包括測試集和訓練集，所述訓練集包括訓練集標簽日的電力負荷數(shù)據(jù)和訓練日的電力負荷數(shù)據(jù)，所述測試集為測試日的電力負荷數(shù)據(jù)和待預測日的電力負荷數(shù)據(jù)；

S4，橫向輸入矩陣和縱向輸入矩陣的建立：利用步驟S3中的數(shù)據(jù)集組成相似日的初始矩陣，將初始矩陣的一行對應(yīng)同一相似日的若干采樣點數(shù)據(jù)作為橫向樣本，利用橫向樣本建立橫向輸入矩陣，將初始矩陣的一列對應(yīng)不同相似日同一時刻點的負荷數(shù)據(jù)作為縱向樣本，利用縱向樣本建立縱向輸入矩陣；

S5，橫向與縱向預測：將橫向輸入矩陣和縱向輸入矩陣輸入到LSTM模型中做橫向預測和縱向預測；

S6，組合預測：將步驟S5中的橫向預測結(jié)果和縱向預測結(jié)果利用最小方差法求出每一個采樣點的橫向預測權(quán)重和縱向預測權(quán)重，利用下式得出雙向組合預測結(jié)果：

式中，f表示一個采樣點的組合預測值；q＝1,2…,p；p表示預測方法的數(shù)量；f_q表示一個采樣點第q種預測方法的預測值；w_q表示一個采樣點第q種預測方法的權(quán)重系數(shù)：

其中，Var(e_q)表示一個采樣點第q種預測方法的預測方差。

2.根據(jù)權(quán)利要求1所述的基于相似日和LSTM的短期電力負荷雙向組合預測方法，其特征在于，步驟S1中，溫度的歸一化處理采用下式進行處理：

其中X為實際溫度，X_max為溫度最大值，X_min為溫度最小值，Z為歸一化處理值。

3.根據(jù)權(quán)利要求1所述的基于相似日和LSTM的短期電力負荷雙向組合預測方法，其特征在于，步驟S1中，天氣類型進行歸一化處理時，根據(jù)當?shù)氐臍v史日對天氣類型進行歸一化，越惡劣的天氣歸一化處理值越大。

4.根據(jù)權(quán)利要求1所述的基于相似日和LSTM的短期電力負荷雙向組合預測方法，其特征在于，步驟S1中，日類型包括周二到周四、周一和周五、周六和周日、小長假，在歸一化處理時，由于歸一化處理值與用電量成正比，選定周二到周四的歸一化處理值最小，周一和周五的歸一化處理值大于周二到周四，周六和周日的歸一化處理值大于周一和周五，小長假的歸一化處理值最大。