[發(fā)明專利]一種基于氣象參數(shù)的DLSTM電力負荷預測方法和裝置

在審

• 申請?zhí)枺?/td>: 202110448184.8
• 申請日: 2021-04-25
• 公開（公告）號: CN113051837A
• 公開（公告）日: 2021-06-29
• 發(fā)明（設計）人: 龔鋼軍;孟芷若;馬洪亮;武昕;文亞鳳;陸俊;蘇暢
• 申請（專利權(quán)）人: 華北電力大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 北京東方盛凡知識產(chǎn)權(quán)代理事務所(普通合伙) 11562
• 代理人: 張雪

本發(fā)明公開一種基于氣象參數(shù)的DLSTM電力負荷預測的方法和裝置，包括：步驟1、獲取與電力負荷預測工作有關的歷史數(shù)據(jù)，通過構(gòu)建數(shù)據(jù)集，對其進行預處理；步驟2、搭建基于DLSTM神經(jīng)網(wǎng)絡的電力負荷預測模型，利用預處理后的數(shù)據(jù)集訓練所述電力負荷預測模型；步驟3、根據(jù)所述訓練好的電力負荷預測模型，對獲取的實時數(shù)據(jù)進行電力負荷預測。采用本發(fā)明的技術方案，將電力負荷中的關鍵因素氣象和DLSTM的深度學習的方法相結(jié)合，可更好的用于負荷預測，有利于構(gòu)建高性價比電力負荷預測模型。

技術領域

本發(fā)明屬于電力技術領域，尤其涉及一種基于氣象參數(shù)的DLSTM電力負荷預測方法和裝置。

背景技術

電力是日常生活中的基本商品，但電力的生產(chǎn)量必須依據(jù)電力的需求量和利用率進行合理安排，且電能尚無法實現(xiàn)大規(guī)模的存儲，過多或過少的電力生產(chǎn)都不利于電力系統(tǒng)高效、經(jīng)濟和穩(wěn)定運行。因此，如何結(jié)合各種因素，設計出一個低成本和高性能的電力負荷預測模型，更好的預測未來用電趨勢、調(diào)度發(fā)電機組、確保為消費者提供不間斷的能源供應是要解決的技術問題之一。有研究表明家庭和企業(yè)用于供暖和制冷的電力消耗主要是由天氣現(xiàn)象所驅(qū)動的，天氣的變化使電力需求發(fā)生相應的變化，而且天氣也會對風、光等新能源發(fā)電產(chǎn)生較大影響。如果不將氣象因素考慮在內(nèi)，可能會導致供需之間的不平衡，甚至導致電力生產(chǎn)成本增加以及產(chǎn)生過剩而浪費已經(jīng)生產(chǎn)的電力。

目前已經(jīng)有一些負荷預測模型涉及氣象相關因素，例如一種采用KNN-LSTM模型進行負荷預測，這是一種用考慮多因素的深度學習融合方法來實現(xiàn)的負荷預測，其中包含溫度和濕度兩個相關因素，氣象因素考慮有所欠缺，因此這會對負荷預測的準確性造成一定的影響；在一種基于NBA-SVR的日最大負荷預測模型中，采用的樣本數(shù)據(jù)特征有最高溫度、平均溫度、降水量和相對濕度等，這種方法中雖然將氣象因素考慮的較為全面，但是支持向量機(SVR)的方法仍然在選取內(nèi)核函數(shù)上存在一定的困難。

目前對于相關氣象參數(shù)的電力負荷預測模型常常采用支持向量回歸器(SVR)的分析方法，其是一種基于支持向量機(SVM)、隨機森林(RF)和AdaBoost的原理的方法。SVR常用于回歸的流行機器學習，基本上算是SVM的修改版本。SVM旨在將每個數(shù)據(jù)點分成一個n維特征空間，之后將超平面的數(shù)據(jù)點分離到它所對應的類別。而SVR與SVM的工作原理相同，但SVM具有許多內(nèi)核功能。在相關研究中，將使用三種流行的內(nèi)核：帶有線性內(nèi)核的SVR(SVRL)，帶有徑向內(nèi)核的SVM(SVRR)和帶有多項式內(nèi)核的SVR(SVRP)進行電力負荷預測。通過使用R語言開發(fā)SVR模型。

深度長短期記憶神經(jīng)網(wǎng)絡(DLSTM)是一種深度學習的方法，它克服了RNN的長期記憶效果不好的問題。其較于傳統(tǒng)常用的SVM的方法來說有著許多的優(yōu)點，建立的模型經(jīng)過訓練后預測的速度會更快；并且這種一次性的端到端的解決方式更加的直接便捷；同時對于數(shù)據(jù)量較大的情況下，選擇DLSTM更加的適合，并且大量的數(shù)據(jù)一定程度上可以提高模型預測的準確性。

由于目前有很多負荷預測的模型沒有考慮到氣象參數(shù)，或者僅選取了溫度、濕度等較少的一兩個因素進行預測。大量的研究表明，氣象參數(shù)對負荷預測有著十分重要的影響，所以如何將氣象參數(shù)較全面的考慮到負荷預測模型中成為一個重要的切入點。再者對于已有的相關氣象參數(shù)的負荷預測多采用的SVM或者改進的SVR，這些方法存在一些傳統(tǒng)淺層機器學習自身特性導致的缺點。

發(fā)明內(nèi)容

本發(fā)明要解決的技術問題是，提供一種基于氣象參數(shù)的DLSTM電力負荷預測的方法和裝置，將電力負荷中的關鍵因素氣象和DLSTM的深度學習的方法相結(jié)合，可更好的用于負荷預測，有利于構(gòu)建高性價比電力負荷預測模型。

為實現(xiàn)上述目的，本發(fā)明采用如下的技術方案：

一種基于氣象參數(shù)的DLSTM電力負荷預測的方法，包括：

步驟1、獲取集與電力負荷預測工作有關的歷史數(shù)據(jù)，通過構(gòu)建數(shù)據(jù)集，對其進行預處理；