The invention discloses a memory based on the length of time (LSTM) neural network load forecasting method, the method comprises the following steps: the input unit inputs an historic moment load data and regional characteristics; using LSTM network to the historical moment of power load data and regional factors for training model, prediction model to generate the depth of nerve the network load, the depth of the neural network load forecasting model for power load forecasting for single-layer multi task depth neural network model or double multi task depth neural network model; neural network load forecasting model to predict the required power load forecasting in the region and forecast results of power load in this area by using the depth prediction results of God; the output of the power load in this area by the output unit. The invention constructs a power load forecasting model of multitask learning based on the LSTM network in the depth learning field, which can accurately predict the electric load of a plurality of regions and improve the prediction effect.
【技术实现步骤摘要】
基于长短时记忆神经网络的电力负荷预测方法
本专利技术涉及电力负荷预测
,尤其涉及一种基于长短时记忆神经网络的电力负荷预测方法。
技术介绍
电力负荷预测问题旨在预测出电网中单条或者多条输电线的用电需求,根据预测的时间跨度可分为:短期预测(几分钟到一周)、中期预测(一个月到一个季度)和长期预测(一年以上)。由于现有技术条件下,电能很难有效地存储在大型储电装置中,因此,在满足供电需求的条件下,尽可能地降低剩余发电量,是减少成本,提高电能使用效率的有效途径。因此,采用各种预测方法准确地预测出区域内中短期供电负荷,对规划和指导发电企业有效生产电能是十分必要的。目前,有很多主流的方法应用于电力负荷预测,像人工神经网络(ArtificialNeuralNetwork,ANN)、支持向量机(SupportVectorMachine,SVM)、高斯过程回归(GaussionProcessRegression,GPR)、自回归移动平均模型(AutoregressiveIntegratedMovingAverageModel,ARIMA)等。电力负荷与很多隐变量相关,如光照、风力、节假日等等,这些变量一般难以获取或者量化,但是可以合理地认为位于同一区域的城市拥有相似的隐变量。所以这些相邻城市的电力负荷数据是高度相关的,运用多任务学习技术将会提高这些相似区域的负荷预测精度。多任务学习是一种通过同时联合学习多个相关任务来提高泛化能力的技术,当模型中的部分参数在任务之间被合理共享时,就能同时提高这些相关任务的负荷预测效果。近年来,随着深度学习理论研究的深入发展,将深度学习理论应 ...
【技术保护点】
一种基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述电力负荷预测方法包括如下步骤:通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素;采用长短时记忆神经(LSTM)网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模,以训练生成深度神经网络负荷预测模型,所述深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或者双层多任务深度神经网络模型;利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果;通过计算机的输出单元输出所需预测区域内的电力负荷预测结果。
【技术特征摘要】
1.一种基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述电力负荷预测方法包括如下步骤:通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素;采用长短时记忆神经(LSTM)网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模,以训练生成深度神经网络负荷预测模型,所述深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或者双层多任务深度神经网络模型;利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果;通过计算机的输出单元输出所需预测区域内的电力负荷预测结果。2.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述深度神经网络负荷预测模型表示为如下公式:Forecast=f(t,d,c,y1,u1,id)其中,t∈[0,24],是一天当中的时间,以小时为单位;d∈{1,2,...,365,366}是一年当中的天数,以天为单位;c是一天的类型;yl是包含一段历史用电需求的历史电力负荷数据;ul是一个包含区域特征因素的实值向量;id代表用电需求的区域标识。3.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述LSTM网络是一种改进型的迭代神经网络,该迭代神经网络通过对隐层状态向量ht递归应用状态转移函数f来处理输入序列的网络,处于时间步长t的隐层状态向量ht由当前输入序列xt和上一时刻的隐层状态向量ht-1决定,所述隐层状态向量ht采用如下公式表示:4.如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述LSTM网络由输入层、LSTM网络层和输出层构成。5.如权利要求4所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述LSTM网络层包括输入门it、输出门ot和遗忘门ft以及记忆单元ct,在时刻t,记忆单元ct记录到当前时刻t为止的所有历史信息并受到输入门it、输出门ot和遗忘门ft这三个逻辑门控制,该三个逻辑门的输出值均在0和1之间。6.如权利要求5所述的基于长短时记忆神经网络的电力负荷预测方法,其特征在于,所述遗忘门ft控制LSTM网络层的信息檫除,所述输入门it控制LSTM网络层的信息更新,所述输出门o...
【专利技术属性】
技术研发人员:杨延东,邓力,李书芳,张贯京,葛新科,
申请(专利权)人:深圳市景程信息科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。