一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型技术方案

电力工业是国民经济的基础产业，在整个国民经济的发展起着举足轻重的作用。负荷预测是电力系统规划建设的依据。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，因此，负荷预测在规划中显得尤其重要。然而电力负荷预测问题的解决已经成为电力行业人员面临的重要而艰巨的任务。本发明专利技术提出了一种基于历史天气数据和预测数据,和历史电力负荷数据进而预测短期电力负荷的系统和方法。本方法基于一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型可以极大的提高预测准确度。

A short-term memory model based on recurrent neural network to predict short-term power load

【技术实现步骤摘要】
一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型
本专利技术涉及电力负荷预测
，具体涉及一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的方法。
技术介绍
电力系统负荷预测是电力生产部门的重要工作之一，通过准确的负荷预测，可以经济合理地安排机组启停，减少旋转备用容量，合理安排检修计划，降低发电成本，提高经济效益。电力系统负荷预测理论就是因此而发展起来的，尤其在形成电力交易市场的过程中，负荷预测的研究更具有极其重要的意义。电能的特点之一是不能大量储存，即电能的生产、输送、分配、消费是同时进行的，所以系统内的可用发电容量，在正常运行条件下，应当在任何时候都能满足系统内负荷的要求。若发电容量不够，则应当采取必要的措施，来增加发电机组或从邻网输入必要的功率；反之，若发电容量过剩，则也应当采取必要的措施，如有选择地停机(如计划检修)或向邻网输出多余的功率。因此，对未来本电网内负荷变化的趋势与特点的预测，是一个电网调度部门和规划设计部门所必须具有的基本信息之一。负荷预测按预测的时间可以分为长期、中期和短期负荷预测，其中，在短期负荷预测中，周负荷预测(未来7天)、日负荷预测(未来24小时负荷预测)以及提前数小时预测对于电力系统的实时运行调度至关重要，因为对未来时刻进行预调度要以负荷预测的结果为依据。负荷预测的结果的准确性将直接影响调度的结果，从而对电力系统的安全稳定运行和经济性带来重要影响。在当前市场化运营的条件下，由于电力交易更加频繁和经营主体之间的区别，会出现各种不确定性因素，同时负荷对于电价的敏感度也随着市场的完善而逐渐增强，这也给负荷预测带来了新的难度。由于市场各方对信息的获取和运营的经济性更加重视，准确的预测对于提高电力经营主体的运行效益有直接的作用，短期负荷预测的重要性就更加突出。而本专利技术提出了一种统计预测模型，基于递归神经网络的长短期记忆模型来预测短期电力负荷发电的系统模型。
技术实现思路
本专利技术提出了一种基于历史天气数据和预测数据,和历史电力负荷数据进而预测短期电力负荷的系统和方法。本方法基于一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型可以极大的提高预测准确度。附图说明图1为本专利技术实施中短期电力负荷预测的流程图。图2为本专利技术实施中使用的历史样本电力负荷的曲线图。图3为本专利技术实施中使用的长短期记忆模型的单元格示意图。图4为本专利技术实施中使用一周作为时间步长进行下一周期电力负荷预测的预测模型示意图。图5为本专利技术实施中预测电力负荷与实际电力负荷对比曲线图。具体实施方式通过测量或取得历史数据的方式，获得该区域的所述历史数据包括连续一年以上的风气数据:温度,湿度,风速,和日照时间,法定节日,以及历史电力负荷,其中所述历史数据的时间分辨点为1小时，样本电力负荷曲线如图2所示，具体实施步骤如下。步骤一、数据准备：，表示用来预测短期电力负荷的输入数据，包括分别为,历史每小时的温度,湿度，风速，日照，当前小时，是否节日和或周末，前24小时的负荷平均值，前一周的负荷平均值。表示电力负荷，也就是实际值,表示数据量。步骤二、搭建长短期记忆模型，其中单元格如图3所示。步骤三、其中,为输入量，为预测量，为隐藏信息量，以及为信息记忆量。为忘记门，作用在于选择是否忘记过去的某些信息：。步骤四、为候选值,其包含来自当前的信息，该信息可以存储在当前单元格状态中，它的值取决于更新门：。步骤五、为更新门：作用在于决定是否存储到：。步骤六、为记忆空间,这部分内容将传导到下一个模型单元：。步骤七、为输出门：。步骤八、为隐藏单元，它的值将传递给下一个单元，最后为预测值。步骤九、模型的时间步长定义了希望模型看到的多少时间单位。在本专利技术的模型中，我们选取了24*7小时作为时间步长，即，调查一周的数据来以预测下一个时段的风电出力，t为168，模型示意图如图4所示。步骤十、在模型训练中，由于如果使用非常小的批次样本数会提高训练速度，但是为降低模型的归纳能力。而另一方面，使用大的批处样本数会使得模型归纳到不同数据的能力，但是会导致运算负担加重，并且还会占用更多内存。所以模型训练的样本数一次性选取100个，也就是每一百个训练样本更新一次权重值。步骤十一、输出预测结果，如图5所示。本专利技术通过基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型,考虑多种数据自变量。为综合应用新能源发电，保障整体电网用电平稳安全，提供了一套得到有效预测数据的系统。本文档来自技高网...

【技术保护点】
1.一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型其特征在于，包括：/n步骤一、数据准备：

【技术特征摘要】
1.一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的系统模型其特征在于，包括：
步骤一、数据准备：，表示用来预测短期电力负荷的输入数据，包括分别为,历史每小时的温度,湿度，风速，日照，当前小时，是否节日和或周末，前24小时的负荷平均值，前一周的负荷平均值，表示电力负荷，也就是实际值,表示数据量；
步骤二、搭建长短期记忆模型，其中单元格如图3所示；
步骤三、其中,为输入量，为预测量，为隐藏信息量，以及为信息记忆量，为忘记门，作用在于选择是否忘记过去的某些信息：

；
步骤四、为候选值,其包含来自当前的信息，该信息可以存储在当前单元格状态中，它的值取决于更新门：

；
步骤五、为更新门：作用在于决定是否存储到：

；
步骤六、为...

【专利技术属性】
技术研发人员：胡炳谦，顾一峰，周浩，韩俊，
申请(专利权)人：上海积成能源科技有限公司，
类型：发明
国别省市：上海;31