基于LSTM神经网络的电网负荷预测方法技术

本发明专利技术提供一种基于LSTM神经网络的电网负荷预测方法，预测精度高，实施效果好，能够满足高负荷下的电网预测要求。其包括如下步骤，步骤1，历史数据采集和处理；以各个站点为分类依据，对预测地区的电网负荷值按时间进行排列得到序列数据集；步骤2，处理数据得到监督学习的样本；对序列数据集进行标准化处理，使其处在[‑1,1]之间，得到训练数据集作为监督学习的样本；步骤3，LSTM神经网络的建模训练；步骤4，根据历史数据，和完成训练的LSTM神经网络对未来时间的负荷值进行预测。

【技术实现步骤摘要】
基于LSTM神经网络的电网负荷预测方法
本专利技术涉及电网负载预测，具体为基于LSTM神经网络的电网负荷预测方法。
技术介绍
近年来为了减少冬季燃煤污染、改善空气质量，我国北方许多城市开始推广“煤改电”政策。“煤改电”技术的主要实现方法是采用空气源热泵作为冬天供暖，改造完成后可大大减少燃煤的使用，但同时对电网的压力却与日俱增。“煤改电”以来，电网系统承担着比以往更大的压力，事故的发生率有所提高，尤其是冬季采暖时候，由于事先对负载的预测不准，对即将发生的事故预估不足，导致事故造成了很大的影响。传统的电网负载预测采用的主要是线性拟合或回归分析模型等，然而实际的电力负荷模型是非线性的，电网的负荷会受到温度、湿度等各种影响因素的干扰，而以往的事故预警、应急仅根据未来天气数据来进行预测，未考虑历史数据，预警效果不好，使得传统的非线性预测模型的预测精度无法满足现代电网管理系统的精度要求。
技术实现思路
针对现有技术中存在的问题，本专利技术提供一种基于LSTM神经网络的电网负荷预测方法，预测精度高，实施效果好，能够满足高负荷下的电网预测要求。本专利技术是通过以下技术方案来实现：基于LSTM神经网络的电网负荷预测方法，包括如下步骤，步骤1，历史数据采集和处理；以各个站点为分类依据，对预测地区的电网负荷值按时间进行排列得到序列数据集；步骤2，处理数据得到监督学习的样本；对序列数据集进行标准化处理，使其处在[-1,1]之间，得到训练数据集作为监督学习的样本；步骤3，LSTM神经网络的建模训练；以序列数据集中的当前时间t和过去时间(t-n,t-1)的负荷值var(t-n)和var(t)作为LSTM神经网络预测模型的输入序列X，来预测作为输出序列Y的未来时间(t+1,t+n)的负荷值var(t+n)，预测步长n为正整数；以Keras为建模环境，对LSTM神经网络进行建模并学习训练；训练时，LSTM神经网络的网络层在固定行数的数据之间维持状态；采用mean_squared_error损失函数编译LSTM神经网络，通过ADAM优化算法完成LSTM神经网络的训练；步骤4，根据历史数据，和完成训练的LSTM神经网络对未来时间的负荷值进行预测。优选的，步骤1中的序列数据集内剔除负荷值为0的数据。优选的，步骤2，使用MinMaxScaler转化序列数据集使其处在[-1,1]之间。优选的，步骤3，所述的固定行数为在更新网络权值之前LSTM神经网络运行的训练数据集中的数据行数。优选的，步骤3，训练时，以双曲正切函数为LSTM神经网络的激活函数。优选的，步骤3，训练时，采用reset_states函数确定LSTM神经网络网络层的状态被清空时间。与现有技术相比，本专利技术具有以下有益的技术效果：本专利技术基于LSTM神经网络的电网负荷预测方法，结合机器学习算法和大数据技术，通过基于LSTM时间序列的电网负载预测模型，经过同一监测点不同时间的历史数据进行训练，模拟人类对事故预警的方式预测未来某一时刻的电网负荷数值。经实验验证，在实际的应用中能够及时并且准确的反应电网的负载能力，对电网负荷的预测和对应的应急起到了非常大的积极作用。附图说明图1为本专利技术所述方法的流程框图。图2为本专利技术实例中所述采集时间段历史数据的负荷分布图。图3为1500epoch下的模型拟合效果。具体实施方式下面结合具体的实施例对本专利技术做进一步的详细说明，所述是对本专利技术的解释而不是限定。为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本专利技术基于LSTM神经网络的电网负荷预测方法，如图1所示，其包括如下步骤，步骤1，历史数据采集和处理；以各个站点为分类依据，对预测地区的电网负荷值按时间进行排列得到序列数据集，并剔除其中负荷值为0的时间；由于数据采集过程中有些月份的天数不一样，会出现有些负荷值为0的本文，在数据预处理过程中直接将其舍去；其他的数据，按照11月1日作为第1天，一直到第二年2月28日，所有数据汇总到负荷分布图如图2所示，天数为横坐标，电网负荷值为纵坐标。从图2中可以发现电网负荷很难找到确定的线性关系，但是总体来说，40-80天左右的负荷值是最高的，说明这段时间电暖使用率是最高的，和实际是比较相符的。步骤2，处理数据得到监督学习的样本；对序列数据集进行标准化处理，使用MinMaxScaler转化序列数据集使其处在[-1,1]之间，作为训练数据集。步骤1中得到的数据是一个按照时间顺序排列的序列数据集，但是作为监督学习的样本，需要创建出用来预测的输入序列X和标签y。对于时间序列预测，当前时间是t，未来(t+1,t+n)，过去的观察(t-n,t-1)被用来预测。本文采用预测建模，即输入数据为var(t-1)和var(t)，预测var(t+1)变量，以单步预测为例，则序列数据集可处理为如下表1所示的格式。表1单步预测中的数据集var1(t-1)var(t)00176.671176.67164.362164.36171.393171.39170.514170.51163.485163.48165.24由于LSTM默认的激活函数为双曲正切函数(tanh)，这种函数的输出值处在-1和1之间，因此还需要对所有数据进行标准化处理。这是为了避免该实验的公平性受到测试数据集信息的影响，而可能使模型在预测时处于劣势。本文使用MinMaxScaler转化数据集使其处在[-1,1]之间，则得到标准化后的数据集如表2所示。表2标准化后数据集var1(t-1)var(t)0-1-0.313310.640847-0.7313620.526516-0.4926130.591808-0.522540.583635-0.7612550.518343-0.70148步骤3，LSTM神经网络的建模训练；以序列数据集中的当前时间t和过去时间(t-n,t-1)的负荷值var(t-n)和var(t)作为预测模型的输入序列X，来预测作为输出序列Y的未来时间(t+1,t+n)的负荷值var(t+n)，预测步长n为正整数；以双曲正切函数为LSTM神经网络的激活函数以Keras为建模环境，对LSTM神经网络进行建模并学习训练；训练时，LSTM神经网络的网络层在固定行数的数据之间维持状态，所述的固定行数为在更新网络权值之前LSTM神经网络运行的训练数据集中的数据行数。采用reset_state本文档来自技高网...

【技术保护点】
1.基于LSTM神经网络的电网负荷预测方法，其特征在于，包括如下步骤，步骤1，历史数据采集和处理；以各个站点为分类依据，对预测地区的电网负荷值按时间进行排列得到序列数据集；步骤2，处理数据得到监督学习的样本；对序列数据集进行标准化处理，使其处在[‑1,1]之间，得到训练数据集作为监督学习的样本；步骤3，LSTM神经网络的建模训练；以序列数据集中的当前时间t和过去时间(t‑n,t‑1)的负荷值var(t‑n)和var(t)作为LSTM神经网络预测模型的输入序列X，来预测作为输出序列Y的未来时间(t+1,t+n)的负荷值var(t+n)，预测步长n为正整数；以Keras为建模环境，对LSTM神经网络进行建模并学习训练；训练时，LSTM神经网络的网络层在固定行数的数据之间维持状态；采用mean_squared_error损失函数编译LSTM神经网络，通过ADAM优化算法完成LSTM神经网络的训练；步骤4，根据历史数据，和完成训练的LSTM神经网络对未来时间的负荷值进行预测。

【技术特征摘要】
1.基于LSTM神经网络的电网负荷预测方法，其特征在于，包括如下步骤，步骤1，历史数据采集和处理；以各个站点为分类依据，对预测地区的电网负荷值按时间进行排列得到序列数据集；步骤2，处理数据得到监督学习的样本；对序列数据集进行标准化处理，使其处在[-1,1]之间，得到训练数据集作为监督学习的样本；步骤3，LSTM神经网络的建模训练；以序列数据集中的当前时间t和过去时间(t-n,t-1)的负荷值var(t-n)和var(t)作为LSTM神经网络预测模型的输入序列X，来预测作为输出序列Y的未来时间(t+1,t+n)的负荷值var(t+n)，预测步长n为正整数；以Keras为建模环境，对LSTM神经网络进行建模并学习训练；训练时，LSTM神经网络的网络层在固定行数的数据之间维持状态；采用mean_squared_error损失函数编译LSTM神经网络，通过ADAM优化算法完成LSTM神经网络的训练；步骤4，...

【专利技术属性】
技术研发人员：陈泽西，肖阳，李想，李晨曦，王媛，任艺，万千惠，张瑞文，毛金，
申请(专利权)人：国网北京市电力公司，国家电网有限公司，
类型：发明
国别省市：北京,11