基于PCA-DBILSTM的多因素短期负荷预测方法技术

本发明专利技术公开了一种基于PCA‑DBILSTM的多因素短期负荷预测方法，首先对原始输入数据进行归一化和Onehot编码得到一个多维矩阵，并利用PCA方法对多维矩阵进行主成分提取，然后利用DBILSTM网络预测模型进行预测。通过与传统电力负荷预测方法对比，该方法平均绝对百分误差(MAPE)和均方根误差(RMSE)均有所下降，结果表明该方法具有较高的预测精度。

Multi factor short-term load forecasting method based on pca-dbilstm

【技术实现步骤摘要】
基于PCA-DBILSTM的多因素短期负荷预测方法
本专利技术涉及一种基于PCA-DBILSTM的多因素短期负荷预测方法。
技术介绍
负荷预测在电力系统规划、能源交易、电力系统运行等方面起着主导作用。自上世纪90年代初以来，通过增加放松管制的结构和引入竞争市场，通过垄断的方式来管理的电力部门已经被重塑。短期负荷预测对于电力系统的可靠运行至关重要。电力系统短期负荷预测是一种基于历史负荷数据的方法，充分考虑气象、节假日等因素来预测未来几小时或几天的负荷。负荷预测的准确性将直接影响电力系统的安全性和经济性。在智能电网环境下，随着分布式发电、储能装置、电动汽车的发展，传统的电力负荷预测方法已经不能满足人们的需求。目前，国内外研究学者对于电力系统短期负荷预测主要有两类预测方法：时间序列分析法和机器学习法。其中，时间序列分析法包含动平均法、指数平滑法、自回归求和移动平均(Auto-RegressiveIntegratedMovingAverage，ARIMA)法等；其原理是利用历史负荷数据自身的时序性和自相关性进行分析，不需要考虑负荷产生的相关因素，只需要足够的序列样本就能够建立相应的预测模型，预测方法简单，但预测精度较低。机器学习法主要包含包括人工神经网络(ArtificialNeuralNetworks，ANN)法、支持向量机(SupportVectorMachines，SVM)、遗传算法、随机森林等，其中ANN方法更是受到国内外学者的关注。有文献提出了一种将遗传算法与反向传播(BackPropagation，BP)神经网络相结合的预测方法，由于遗传算法的全局搜索能力强，能够解决BP神经网络在学习过程中容易陷入到局部最小值的缺点，但BP神经网络在学习过程中，收敛速度较慢，算法效率低。现有技术中，使用SVM方法建立预测模型，由于SVM算法的本质就是解决一个线性约束的二次规划问题，能够确保它的解是唯一的、全局的和最优的。但对于大规模的样本学习时，其计算耗时较高，计算效率低。有文献中利用了循环神经网络(RNN)，解决了前馈型神经网络无法处理序列数据的缺陷，但RNN的存储能力是有限的，随着时间序列之间的间隔增大，隐藏层的原有信息将会被覆盖，从而导致之前信息的缺失，容易造成梯度消失的情况。有文献提出了一种基于长短期记忆(longshort-termmemorynetworks，LSTM)网络的预测方法，LSTM网络通过引入状态记忆单元，能够有效地解决RNN梯度爆炸的问题。由于机器学习方法在处理序列数据时往往只考虑历史信息，而忽略了未来的信息，因此，有必要设计一种基于PCA-DBILSTM的多因素短期负荷预测方法。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于PCA-DBILSTM的多因素短期负荷预测方法，该基于PCA-DBILSTM的多因素短期负荷预测方法预测精度高。专利技术的技术解决方案如下：一种基于PCA-DBILSTM的多因素短期负荷预测方法，首先对原始输入数据进行归一化和Onehot编码得到一个多维矩阵，并利用PCA方法对多维矩阵进行主成分提取，然后利用DBILSTM网络预测模型进行预测。步骤1：对原始输入数据进行归一化和Onehot编码得到一个多维矩阵；多维矩阵包括n个行向量，每个行向量中包含历史负荷以及多种影响因素(其中包含前一周同一时刻负荷、前一天同时刻负荷、前两天同一时刻负荷、前一天前一时刻负荷、预测日最高气温、预测日最低气温、预测日降水量、预测日湿度、预测日日期类型)；步骤2：对归一化后的数据集进行主成分分析，设定方差累计贡献率的阈值为95％，确定主成分的个数；步骤3：将得到的主成分输入到DBILSTM网络中，得到当前时刻的预测值；输入到DBILSTM网络前，已经对所有的影响因素进行了PCA降维处理，其中包含了Onehot编码。步骤4：利用均方根误差loss作为目标函数的损失值，计算当前输出值与负荷真实值间的误差，并利用Adamax算法对DBILSTM网络的权重参数进行更新，直到迭代完成；均方根误差loss计算公式为：其中：y。为真实负荷值，yp为当前输出值，n为预测点个数；步骤5：输入测试集数据，利用训练好的DBILSTM网络模型，对未来24小时的负荷进行预测。步骤1包括：(1)对用于表征工作日和非工作日的类别型变量进行Onehot编码处理，其中非工作日分为周末和法定节假日；经过Onehot编码后的特征向量为8维矩阵；当预测日为周日时，第7位为1，其余位为0，对于法定节假日，将第8位置1，其余位为0；例如当预测日为星期日时，特征为8列矩阵，第7位为1，其余位为0。对于节假日，第8位为1，其余位为0。这些特征进行处理后组成输入特征矩阵，作为模型的输入。(2)对于数值型数据采用最大最小值归一化(Min-MaxNormalization)进行处理，其计算公式如下：其中，表示归一化后的输入变量，x表示待归一化变量，即原始数值型数据，和分别表示待归一化变量的最小值和最大值；为了使最终输出结果具有物理意义，对预测得到的负荷数据进行反归一化，其计算公式如下：xscaler＝xtd(max′(x)-min′(x))+min′(x)；其中，表示待反归一化的变量，和表示待反归一化变量中的最大值和最小值，表示反归一化获得的数值；本专利技术中，所有的历史负荷数据、温度、降水量、湿度均为数值型数据。日期类型为类别型数据，将其通过onehot变换后转化为数值型数据，将所有的输入变量组合成一个数值型矩阵。然后再对这个多维数值型矩阵进行PCA降维。步骤2中，在原始负荷影响数据集X中有n条历史负荷数据，每条数据中有p个影响因素，则影响矩阵表示为：对影响矩阵X的p个影响因素向量作线性变换得：式中：线性组合T1，T2，...Tn为不相关的主成分，且T1为X1，X2，...，XP中方差最大者，T2是与T1不相关的X1，X2，...，XP的所有线性组合中方差最大者，Tp是与T1，T2，...，Tp-1都不相关的X1，X2，...，Xp所有线性组合中方差最大者；计算过程如下：4)计算原始负荷影响数据集的协方差矩阵：∑(sij)p×p此处的∑符号并非求和符号，而是协方差矩阵的一种书写形式。右下角的p*p表示为p行p列的矩阵。式中：n为自然数，为x的平均值；5)计算协方差矩阵的特征值λi及相应的正交化单位特征向量ai，原变量第i个主成分Fi为：Fi＝ai×X；式中：6)确定主成分个数；方差贡献率ηi和累计方差贡献率η∑(p)分别为：计算主成分载荷系数l：计算各影响因素在m个主成分上的得分：Fi＝a1iX1+a2iX2+...+apiXp，i＝1，2，...，m，；当累计方差贡献率达到75％～95％时，对应的前m个主成分就能够包含原始负荷影响数据集中的大部分本文档来自技高网...

【技术保护点】
1.一种基于PCA-DBILSTM的多因素短期负荷预测方法，其特征在于，首先对原始输入数据进行归一化和Onehot编码得到一个多维矩阵，并利用PCA方法对多维矩阵进行主成分提取，然后利用DBILSTM网络预测模型进行预测。/n

【技术特征摘要】
1.一种基于PCA-DBILSTM的多因素短期负荷预测方法，其特征在于，首先对原始输入数据进行归一化和Onehot编码得到一个多维矩阵，并利用PCA方法对多维矩阵进行主成分提取，然后利用DBILSTM网络预测模型进行预测。


2.根据权利要求1所述的基于PCA-DBILSTM的多因素短期负荷预测方法，其特征在于：
步骤1：对原始输入数据进行归一化和Onehot编码得到一个多维矩阵；
多维矩阵包括n个行向量，每个行向量中包含历史负荷以及多种影响因素(其中包含前一周同一时刻负荷、前一天同时刻负荷、前两天同一时刻负荷、前一天前一时刻负荷、预测日最高气温、预测日最低气温、预测日降水量、预测日湿度、预测日日期类型)；
步骤2：对归一化后的数据集进行主成分分析，设定方差累计贡献率的阈值为95％，确定主成分的个数；
步骤3：将得到的主成分输入到DBILSTM网络中，得到当前时刻的预测值；
步骤4：利用均方根误差loss作为目标函数的损失值，计算当前输出值与负荷真实值间的误差，并利用Adamax算法对DBILSTM网络的权重参数进行更新，直到迭代完成；均方根误差loss计算公式为：



其中：yo为真实负荷值，yp为当前输出值，n为预测点个数；
步骤5：输入测试集数据，利用训练好的DBILSTM网络模型，对未来24小时的负荷进行预测。


3.根据权利要求1所述的基于PCA-DBILSTM的多因素短期负荷预测方法，其特征在于：步骤1包括：
(1)对用于表征工作日和非工作日的类别型变量进行Onehot编码处理，其中非工作日分为周末和法定节假日；经过Onehot编码后的特征向量为8维矩阵；当预测日为周日时，第7位为1，其余位为0，对于法定节假日，将第8位置1，其余位为0；
(2)对于数值型数据采用最大最小值归一化(Min-MaxNormalization)进行处理，其计算公式如下：



其中，表示归一化后的输入变量，x表示待归一化变量，即原始数值型数据，和分别表示待归一化变量的最小值和最大值；
为了使最终输出结果具有物理意义，对预测得到的负荷数据进行反归一化，其计算公式如下：
xscaler＝xtd(max′(x)-min′(x))+min′(x)；
其中，表示待反归一化的变量，和表示待反归一化变量中的最大值和最小值，表示反归一化获得的数值。


4.根据权利要求1所述的基于PCA-DBIL...

【专利技术属性】
技术研发人员：李泽文，胡让，穆利智，易洋，钱雪社，刘湘，王梓糠，段芳铮，王志刚，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43