【技术实现步骤摘要】
一种基于LSTM深度神经网络的短期电力负荷精细化预测方法
本专利技术属于电力系统领域,具体涉及一种基于LSTM深度神经网络的短期电力负荷精细化预测方法。
技术介绍
随着电力市场的发展以及用户需求的提升,电网的安全及经济运行变得至关重要。对电力负荷进行准确的短期预测,可以有效保障电网安全运行,降低发电成本,满足用户需求和提高社会经济效益。由于电力系统负荷具有明显的周期特性,同时影响因素复杂,如气候、降雨量等,因此选择先进和准确的短期负荷预测方法十分必要。现阶段不断涌现的现代智能方法:小波分析法,人工神经网络法,支持向量法等,相比于一些传统的短期负荷预测方法:如灰色预测法,卡尔曼滤波法,专家系统法等,逐渐提高了负荷预测的速度和精度,但还存在着一定的弊端。如人工神经网络法,虽具有较强的记忆能力和非线性映射能力,但难以科学的确定其网络结构和适合的寻优参数,存在局部极小点问题。而建立在统计学理论基础上的支持向量法,其自选参数和核函数的确定需要依靠人工经验,也会影响预测效果。本方法建立LSTM深度学习神经网络模型,具有自主学习和泛化能力强的特点,同时引入含分时分区气温和降雨量在内的精细化气象数据,对15min时间粒度的日前96点地区用电负荷曲线进行精细化预测。
技术实现思路
本专利技术的目的是为了提供一种引入了含分时分区气温和降雨量在内的精细化气象数据的,且自主学习能力和泛化能力强的基于LSTM深度神经网络的短期电力负荷精细化预测方法。为了实现上述的技术特征,本专利技术采用的技术方案是:一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,包括以下操作步骤:1)采集预 ...
【技术保护点】
1.一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,包括以下操作步骤:1)采集预测输入数据,以0时~24时每隔15分钟的96点电力负荷功率数据组成表示每日电力负荷曲线的功率向量,选取预测日之前一段时间每天96点负荷功率与预测日的24时刻气温和分区降雨量组成多维特征输入变量向量,以预测日的96点负荷功率量作为输出变量向量;2):数据归一化预处理,将作为输入变量和输出变量的各类数据统一归一化到一个区间;3):将预测前日的96点负荷功率、预测日的24时刻气温和分区降雨量预测值归一化数据组成多维特征输入变量,以预测日的96点负荷功率值作为输出变量,建立LSTM短期电力负荷预测模型,根据输入变量的个数指定长短期记忆神经网络LSTM输入节点的个数,设定适合的隐藏层节点个数,以及代表预测日负荷功率向量的输出节点个数;4):依据预测前日和当日的日类型转移一致为原则,按距离预测时间由近及远选择指定个数的训练样本;5):基于步骤4选择的训练样本,对步骤3建立的LSTM短期电力负荷预测模型进行训练,获得使训练样本整体误差最小的最优模型参数;6):获得最优参数的LSTM短期电力负荷预测模 ...
【技术特征摘要】
1.一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,包括以下操作步骤:1)采集预测输入数据,以0时~24时每隔15分钟的96点电力负荷功率数据组成表示每日电力负荷曲线的功率向量,选取预测日之前一段时间每天96点负荷功率与预测日的24时刻气温和分区降雨量组成多维特征输入变量向量,以预测日的96点负荷功率量作为输出变量向量;2):数据归一化预处理,将作为输入变量和输出变量的各类数据统一归一化到一个区间;3):将预测前日的96点负荷功率、预测日的24时刻气温和分区降雨量预测值归一化数据组成多维特征输入变量,以预测日的96点负荷功率值作为输出变量,建立LSTM短期电力负荷预测模型,根据输入变量的个数指定长短期记忆神经网络LSTM输入节点的个数,设定适合的隐藏层节点个数,以及代表预测日负荷功率向量的输出节点个数;4):依据预测前日和当日的日类型转移一致为原则,按距离预测时间由近及远选择指定个数的训练样本;5):基于步骤4选择的训练样本,对步骤3建立的LSTM短期电力负荷预测模型进行训练,获得使训练样本整体误差最小的最优模型参数;6):获得最优参数的LSTM短期电力负荷预测模型后,将待预测前日的电力负荷功率和待预测日的气象等归一化数据作为模型输入,获得待预测日电力负荷功率曲线预测值。2.根据权利要求1所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,在步骤1)中,获取预测日之前1年期间每天96点电力负荷Pd=[P1,P2,…,P96]d、24时刻气温Td=[T1,T2,…,T24]d、分区降雨量Hd=[H1,H2,…,HM]d和日期类型Sd(1为工作日,0为休息日)的历史数据,以及预测日当日24时刻气温Tf、分区降雨量Hf的预测数据和日期类型Sf,其中d∈{1,2,…,D},D为历史样本总天数,M为预测地区所包含的子区域数。3.根据权利要求1或2所述的一种基于LSTM深度神经网络的短期电力负荷精细化预测方法,其特征在于,在步骤2)中,分别对步骤1采集的负荷功率数据、气温数据和降雨量数据归一化处理,将不同数据归一化到相同尺度[-1,1]里,设归一化之前的数据为xi,其最大、最小样本值分别为x,归一化处理后的数据为x′i,样本数为N,具...
【专利技术属性】
技术研发人员:贺彩,李丹,张远航,杨保华,王奎,谢晨晟,云洋,李紫瑶,邓思影,
申请(专利权)人:三峡大学,
类型:发明
国别省市:湖北,42
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。