一种基于长短时记忆模型的电力中长期负荷预测方法技术

本发明专利技术公开了一种基于长短时记忆模型的电力中长期负荷预测方法，涉及电力预测技术领域。本发明专利技术包括如下步骤：将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，得出负荷比率；利用马尔科夫模型对预测年份可能性最大的高温序列片段进行选取；长短时记忆模型的构建：将负荷比率数据及高温序列片段的区域特征因素汇总整合，以训练生成电力负荷预测的长短时记忆模型；模型训练和优化；对未来年份的时序片段的电力负荷进行预测。本发明专利技术通过基于长短时记忆模型，对电力的中长期负荷进行预测，发现地区迎峰度夏期间负荷和外部条件特征的关联性，从而对未来不同外部条件下的地区负荷进行预测，提高地区电网的运行的稳定性。

A Long-term and Medium-term Load Forecasting Method Based on Long-term and Short-term Memory Model

The invention discloses a medium and long-term load forecasting method of electric power based on long-term and short-term memory model, which relates to the technical field of electric power forecasting. The invention comprises the following steps: dividing the regional load in summer into basic load and cooling load, calculating the basic load in different years, and obtaining load ratio; selecting high temperature sequence segments with the greatest possibility of predicting years by using Markov model; constructing long-term and short-term memory model: collecting load ratio data and regional characteristic factors of high temperature sequence segments. Integration to train the generation of long-term and short-term memory model for power load forecasting; model training and optimization; power load forecasting for future years of sequential segments. Based on the long-term and short-term memory model, the medium-term and long-term load of electric power is forecasted, and the correlation between the load and the characteristics of external conditions during the summer peak period is found, thus the regional load under different external conditions in the future is forecasted, and the operation stability of the regional power grid is improved.

【技术实现步骤摘要】
一种基于长短时记忆模型的电力中长期负荷预测方法
本专利技术属于电力预测
，特别是涉及一种基于长短时记忆模型的电力中长期负荷预测方法。
技术介绍
电网规划是电网建设的依托和先决条件，规划的质量将严重影响到电网的建设投资费用和电网的安全运行，而中长期负荷预测是电网规划的理论基础，预测算法的精度直接影响到规划方案的可信度。目前的负荷预测算法大多是基于电力和地区经济的关系，如弹性系数法、产值单耗法等，或者是简单的数学模型，如线性回归模型、灰色模型等。上述算法的优点是比较直观，且简单易用；缺点是算法复杂度有限，对于变化的适应能力较弱，且预测精度有限。
技术实现思路
本专利技术的目的在于提供一种基于长短时记忆模型的电力中长期负荷预测方法，通过基于长短时记忆模型，构建电力的中长期负荷预测，能够有效地发现地区迎峰度夏期间负荷和外部条件特征的关联性，从而对未来不同外部条件下的地区负荷进行预测，辅助地区电网系统的规划建设，提高地区电网的运行的稳定性，解决了现有的电力的负荷预测方案对电力负荷变化的适应能力较弱且预测精度有限的问题。为解决上述技术问题，本专利技术是通过以下技术方案实现的：一种基于长短时记忆模型的电力中长期负荷预测方法，包括如下步骤：步骤一，按年份收集地区因素历史数据作为样本特征；将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，即不含降温负荷的地区负荷的均值，得出负荷比率：负荷比率＝(地区负荷-基础负荷)/基础负荷；步骤二，典型时序片段的选取：根据地区的气候变化规律，利用马尔科夫模型对未来的高温序列片段进行选取；其中，马尔科夫分析法的基本模型为：X(k+1)＝X(k)×P；公式中：X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵，X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量；步骤三，长短时记忆模型的构建：将步骤一中的负荷比率数据及步骤二中的高温序列片段的区域特征因素汇总整合，以训练生成电力负荷预测的长短时记忆模型；其中，长短时记忆的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)×P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，y1是包含一段历史用电需求的历史电力负荷数据，u1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,P表示马尔科夫一步转移概率矩阵；步骤四，模型训练和优化：设定训练时间，通过不断调整参数和训练次数，观察训练误差下降趋势，增加和减少基础特征的数量，得到相对较优的长短时记忆训练模型；步骤五，依据长短时记忆训练模型，并利用单回归模型支持向量回归和随机森林回归，对未来年份的时序片段的电力负荷进行预测。进一步地，所述步骤一中，区域特征因素包括日最高温度值、日最低温度值、日平均温度、高温持续天数、日照等级、风速、降雨情况和最大负荷值，所有的天气数据通过爬虫程序从中国气象局官网上获取；其中，日平均温度的计算为：日平均温度＝(日最高温度+日最低温度)/2，而当天的高温持续天数是计算前连续n天温度比当天温度高的天数。进一步地，所述步骤三中，区域特征因素包括地区总人口数、夏季平均日照时间、夏季平均风速和全年用电总量。本专利技术具有以下有益效果：1、本专利技术通过基于长短时记忆模型，利用马尔科夫模型对未来的高温序列片段进行选取,实现了电力中长期负荷的预测，减少了复杂特征的构建，加深了时间序列对负荷的影响的认知。2、本专利技术构建基于对未来的高温序列的模型构建，更能够更清楚的认识预测日前N天的温度、风速和负荷等的对其的影响。有效的提高了预测精度。3、本专利技术相比于传统算法，长短时记忆模型能够学习更多的特征以及相邻天的影响，且能够通过神经网络的反向传播原理对模型进行不断的优化，相比传统模型的精度有了较大的提高。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的具体实施例一的流程图；图2为本专利技术的具体实施例二的流程图。具体实施方式下面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作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。具体实施例一：如图1所示，本专利技术为一种基于长短时记忆模型的电力中长期负荷预测方法，包括如下步骤：步骤一，按年份收集地区因素历史数据作为样本特征；将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，即不含降温负荷的地区负荷的均值，得出负荷比率：负荷比率＝(地区负荷-基础负荷)/基础负荷；样本特征包括日最高温度值、日最低温度值、日平均温度、高温持续天数、日照等级、风速、降雨情况和最大负荷值；日平均温度的计算为：日平均温度＝(日最高温度+日最低温度)/2，而当天的高温持续天数是计算前连续n天温度比当天温度高的天数；步骤二，典型时序片段的选取：根据地区的气候变化规律，利用马尔科夫模型对未来的高温序列片段进行选取；其中，马尔科夫分析法的基本模型为：X(k+1)＝X(k)×P；公式中：X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵，X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量；步骤三，长短时记忆模型的构建：将步骤一中的负荷比率数据及步骤二中的高温序列片段的区域特征因素汇总整合，以训练生成电力负荷预测的长短时记忆模型；区域特征因素包括地区总人口数、夏季平均日照时间、夏季平均风速和全年用电总量。其中，长短时记忆的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)×P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，y1是包含一段历史用电需求的历史电力负荷数据，u1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,P表示马尔科夫一步转移概率矩阵；步骤四，模型训练和优化：设定训练时间，通过不断调整参数和训练次数，观察训练误差下降趋势，增加和减少基础特征的数量，得到相对较优的长短时记忆训练模型；步骤五，依据长短时记忆训练模型，并利用单回归模型支持向量回归和随机森林回归，对未来年份的时序片段的电力负荷进行预测。下面以合肥市区进行中长期年最大负荷预测为例，对本专利技术的一种基于长短时记忆模型的电力中长期负荷预测方法进行实施应用，以验证本专利技术的可行性和有益性。邀请电网企业、政府和用电量高的大型企业的三位电力专家进行预测的经验分享；合肥市近五年的历史最大负荷值如表1所示。表1.合肥市2013年-2017年年最大负荷值以2013至2017年年最大负荷日为例分析步骤一所需的天气数据特征，5年的年最大负荷日天气数据特征如表2所示。表2.合肥市2013年-2017年年最大负荷日天气数据特征依据步骤二、步骤三、本文档来自技高网...

【技术保护点】
1.一种基于长短时记忆模型的电力中长期负荷预测方法，其特征在于，包括如下步骤：步骤一，按年份收集地区因素历史数据作为样本特征；将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，即不含降温负荷的地区负荷的均值，得出负荷比率：负荷比率＝(地区负荷‑基础负荷)/基础负荷；步骤二，典型时序片段的选取：根据地区的气候变化规律，利用马尔科夫模型对预测年份可能性最大的高温序列片段进行选取；步骤三，长短时记忆模型的构建：将步骤一中的负荷比率数据及步骤二中的高温序列片段的区域特征因素汇总整合，以训练生成电力负荷预测的长短时记忆模型；步骤四，模型训练和优化：设定训练时间，通过不断调整参数和训练次数，观察训练误差下降趋势，增加和减少区域特征的数量，得到相对较优的长短时记忆训练模型；步骤五，依据长短时记忆训练模型，并利用单回归模型支持向量回归和随机森林回归，对未来年份的时序片段的电力负荷进行预测。

【技术特征摘要】
1.一种基于长短时记忆模型的电力中长期负荷预测方法，其特征在于，包括如下步骤：步骤一，按年份收集地区因素历史数据作为样本特征；将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，即不含降温负荷的地区负荷的均值，得出负荷比率：负荷比率＝(地区负荷-基础负荷)/基础负荷；步骤二，典型时序片段的选取：根据地区的气候变化规律，利用马尔科夫模型对预测年份可能性最大的高温序列片段进行选取；步骤三，长短时记忆模型的构建：将步骤一中的负荷比率数据及步骤二中的高温序列片段的区域特征因素汇总整合，以训练生成电力负荷预测的长短时记忆模型；步骤四，模型训练和优化：设定训练时间，通过不断调整...

【专利技术属性】
技术研发人员：刘峰，
申请(专利权)人：安徽数升数据科技有限公司，
类型：发明
国别省市：安徽,34