[發明專利]一種多時序協同的中期電力負荷預測方法

在審

• 申請號: 201811028611.1
• 申請日: 2018-09-04
• 公開（公告）號: CN109034500A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 易靈芝;劉文翰
• 申請（專利權）人: 湘潭大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種多時序協同的中期電力負荷預測方法，其特征在于：建立內部與外部特征結合的多時序協同預測系統。其中包括在普通的電力負荷數據基礎上，增加日期、溫度、節假日等外部特征；建立雙層長短時記憶網絡預測模型；用多特征結合數據對長短時記憶網絡預測模型進行訓練，通過輸入被測區域日期、溫度、節假日參數，得到所述被測區域電力負荷預測結果。本發明將長短時記憶網絡引入到電力負荷中期預測中，通過其時序長效記憶特性，實現對未來一段時間區域電力負荷每日總用電量的預測。而且本發明的中期電力負荷預測方法很大程度上提高了預測的精度和速度。本發明創造用于對中期電力負荷情況進行預測。

技術領域

本發明涉及電力系統技術領域，更確切的說是涉及一種中期電力負荷預測方法。具體是在傳統電力負荷數據基礎上添加外部時序特征數據，用此數據訓練雙層長短時記憶網絡預測模型。

背景技術

中期負荷預測為區域的配電網規劃方面提供一個相對合理的參照值，直接影響著電力資源的投入趨勢，影響著當地國民經濟發展的上限，可以輔助電力企業科學地規劃電力資源投資。電網日常運行更為重視經濟及安全，中期電力負荷預測的高效與準確，精確度更高的中期電力預測對電網企業電力市場的發展愈發顯現越來越重要的意義。

電力負荷預測的特點具有不準確性、條件性、時間性、多方案性、內部相關性使得負荷預測的精度是個有挑戰性的工作。目前負荷預測方法主要有支持向量機、BP人工神經網絡等傳統法和人工智能法。長短時記憶網絡屬人工智能法，其具有消除非線性及各類非明確因素的能力，通過量化各種環境變量，將各類抽象因素以數學模型的形式予以度量和運算，具有對以往輸出的記憶能力，能夠很好的解決復雜的非線性映射問題。

發明內容

針對電力負荷預測中，數據記憶深度問題，本發明設計了一種基于雙層長短時記憶網絡的電力負荷中期多時序協同預測方法。

本發明主要是通過如下方案所實現：

步驟1.建立雙層長短時記憶網絡預測模型；

步驟2.采用均方根反向傳播算法，結合被測區域電力負荷的歷史每日總用電量時序數據，并添加溫度時序數據，且以獨熱碼方式添加節假日外部時序數據對長短時記憶網絡預測模型進行訓練得到預測模型每層的偏置值，設置長短時記憶網絡預測模型的激活函數、學習率、正則化方式和批次大小，通過訓練學習得到所述長短時記憶網絡預測模型輸入輸出之間以及與以往輸出之間的內在聯系。

步驟3.根據確定的長短時記憶網絡預測模型，對被測區域電力負荷的實際總用電量進行預測，輸入被測區域日期、溫度、節假日參數，得到所述被測區域電力負荷預測結果。

作為上述技術方案的進一步改進，步驟1中所述的雙層長短時記憶網絡預測模型含有一個輸入層，兩個含有LSTM block結構的隱含層，一個輸出層的神經網絡，輸入層的節點為3個，輸出層節點為1個，時間步長為365，每個隱含層節點為1095個，學習率設置為0.0006；

所述雙層長短時記憶網絡預測模型的兩層隱含層激活函數都選用softsign函數來替代tanh函數。

作為上述技術方案的進一步改進，所述步驟2包括以下步驟：

步驟21.根據長短時記憶網絡的訓練過程，對步驟1建立的雙層長短時記憶網絡預測模型使用被測時期前一年數據進行無監督訓練，從而得到雙層長短時記憶網絡模型每層的參數值；

步驟22.使用有監督學習方法對所述網絡的學習率進行微調；

所述步驟22中以雙層長短時記憶網絡預測模型目標輸出為監督信號，構建對數似然損失函數，對所述網絡進行有監督訓練，最終確定雙層長短時記憶網絡預測模型。