一种基于长短期记忆网络的售电量预测方法技术
【技术实现步骤摘要】
一种基于长短期记忆网络的售电量预测方法
本专利技术涉及售电量预测
，尤其涉及一种基于长短期记忆网络的售电量预测方法。
技术介绍
随着国家经济的高速发展，电力事业也处在大力发展的阶段，准确的售电量预测对供电企业调整未来供电量、优化供电结构、提高电力系统运行安全性等多方面都具有重要意义。售电量预测问题的本质可以归结为时间序列预测问题。时间序列是指将某种统计指标在不同时刻所表示的数值按照其发生的先后顺序排列而成的序列，时间序列数据则是时间序列所反应的实际数据。由于售电量的变化情况不仅仅根据时间轴上售电量本身有关，还与其他额外条件有关，包括周末情况、节假日情况、季节、气温、气候等多个因素有关，因此售电量预测本质上属于多条件时间序列预测问题。时间序列预测通用模型包括经典的自回归模型(AR)、滑动平均模型(MA)以及结合这二者的自回归滑动平均模型ARMA模型(IieTransactions，2015)，同时由于时间序列数据通常呈现出非平稳的特点，研究者提出自回归积分滑动模型(ARIMA)，其对时间序列数据进行单步或多步差分，使得数据变得平稳(JournaloftheAm...
【技术保护点】
一种基于长短期记忆网络的售电量预测方法，其特征在于，包括以下步骤：S1：确定影响售电量数据的影响因素；S2：计算每个待分析行业的售电量数据与每个影响因素数据的Pearson相关系数r，构建相关系数矩阵；S3：使用k‑means聚类算法，对以上各个行业的Pearson相关系数r进行聚类，聚类之后得到若干个簇，每个簇包含了若干个行业，每个簇作为一个子集，然后将每一个簇中所有行业的售电量数据按日期进行累加，得到每个簇的日总用电量数据；S4：对每个簇的日总用电量数据进行归一化处理，对影响因素数据进行归一化处理；S5：建立基于长短期记忆网络LSTM的售电量预测模型，将归一化处理后的每...
【技术特征摘要】
1.一种基于长短期记忆网络的售电量预测方法，其特征在于，包括以下步骤：S1：确定影响售电量数据的影响因素；S2：计算每个待分析行业的售电量数据与每个影响因素数据的Pearson相关系数r，构建相关系数矩阵；S3：使用k-means聚类算法，对以上各个行业的Pearson相关系数r进行聚类，聚类之后得到若干个簇，每个簇包含了若干个行业，每个簇作为一个子集，然后将每一个簇中所有行业的售电量数据按日期进行累加，得到每个簇的日总用电量数据；S4：对每个簇的日总用电量数据进行归一化处理，对影响因素数据进行归一化处理；S5：建立基于长短期记忆网络LSTM的售电量预测模型，将归一化处理后的每个簇的日用电量数据以及影响因素数据作为售电量预测模型的输入进行训练，以M天作为训练数据时间步长，构建3维输入张量，形状为(batchsize，timestep，features)，其中batchsize为样本输入batch大小，timestep为时间步长，features为总特征个数，得到每个簇的售电量预测结果，将所有簇的售电量预测结果求和，得到总的售电量预测结果。2.根据权利要求1所述的一种基于长短期记忆网络的售电量预测方法，其特征在于，所述Pearson相关系数r的计算公式如下：其中，r表示Pearson相关系数，取值范围为[-1，1]，r＝0表示不相关，r值越接近1则正相关性越大，r值越接近-1则是负相关性越大；x和y为两个数据特征变量；Cov(x，y)表示协方差，σx，σy表示标准差。3.根据权利要求1所述的一种基于长短期记忆网络的售电量预测方法，其特征在于，所述步骤S3中的k-means聚类算法过程如下：输入：售电量数据与每个影响因素数据的Pearson相关系数r集合D＝{x1，x2，...，xm}，xi表示第i个行业的相关系数向量，其中的每一维表示与售电量数据相关的影响...
【专利技术属性】
技术研发人员：黎自若，方志强，王晓辉，夏通，周艳梅，付健艺，施进平，周晨，吴志华，吴中旻，朱好，吴昊铮，严辉敏，
申请(专利权)人：国网浙江省电力公司丽水供电公司，国家电网公司，
类型：发明
国别省市：浙江,33
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。