基于多尺度时间特征的LSTM负荷预测方法、介质及电子装置制造方法及图纸

本发明专利技术公开了一种基于多尺度时间特征的长短时记忆网络(Long Short‑Term Memory,LSTM)负荷预测方法(记为W_LSTM)、介质及电子装置，首先通过小波分解将原始负荷序列分解，得到具有不同时间特性的负荷序列，以便后续对信号变化规律实现深层次分析，再通过行列式点过程(Determinantal Point Process,DPP)提取具有较大相关性和多样性的数据实现数据降维以提高训练速度，最后将这些数据输入LSTM模型实现负荷预测。将本发明专利技术所提出的方法与标准LSTM模型、自组织映射网络(Self‑Organizing Map,SOM)、高斯过程回归Gaussian Process Regression,GPR)进行对比实验，结果表明，本发明专利技术提出的方法具有更高的预测精度。同时，通过对加噪负荷数据的实验说明了本发明专利技术方法还具有一定的抗噪性能。

LSTM load forecasting method, medium and electronic device based on multi-scale time characteristics

【技术实现步骤摘要】
基于多尺度时间特征的LSTM负荷预测方法、介质及电子装置
本专利技术涉及计算机算法技术，具体涉及一种基于多尺度时间特征的LSTM负荷预测方法、介质及电子装置。
技术介绍
电力负荷数据是电网可靠经济运行和科学智能管理的依据。在节能减排的压力和开放电力市场的推动下，精确的负荷预测，对机组优化、设备检修、经济调度和电力市场有重要意义。然而，大规模间歇性能源发电系统及电动汽车的接入、需求响应机制的应用，导致电力负荷具有高度随机性和动态变化性，给负荷预测带来了挑战。与此同时，泛在物联网的建设、海量多源的历史数据，对负荷预测的新方法提供了数据基础；因此，在智能电网和人工智能背景下，负荷预测有了新的机遇和挑战。由于传统机器学习方法对于高随机性、大数据背景下的动态负荷预测精度无法保证，大量研究者开始转向基于深度学习的方法。深度学习，作为机器学习的一个分支，具有更深层的体系结构(网络层数在3层及以上)和更高的预测精度。如深度置信网络、卷积神经网络被用于负荷预测，在训练样本较大且负荷影响因素复杂的情况下，具有较高的预测精度，但也有一定的缺陷，如容易出现过拟本文档来自技高网...

【技术保护点】
1.基于多尺度时间特征的LSTM负荷预测方法，其特征在于，包括：/n步骤1：将原始负荷序列归一化；/n步骤2：将归一化后的原始负荷序列进行小波分解和重构，得到具有不同时间特性的负荷序列；/n步骤3：将各具有不同时间特性的负荷序列进行重组，得到重组序列；/n步骤4：通过行列式点过程从所述重组序列中提取具有较大相关性和多样性的数据；/n步骤5：将提取出的所述具有较大相关性和多样性的数据作为输入数据输入训练好的LSTM负荷预测模型进行负荷预测。/n

【技术特征摘要】
1.基于多尺度时间特征的LSTM负荷预测方法，其特征在于，包括：
步骤1：将原始负荷序列归一化；
步骤2：将归一化后的原始负荷序列进行小波分解和重构，得到具有不同时间特性的负荷序列；
步骤3：将各具有不同时间特性的负荷序列进行重组，得到重组序列；
步骤4：通过行列式点过程从所述重组序列中提取具有较大相关性和多样性的数据；
步骤5：将提取出的所述具有较大相关性和多样性的数据作为输入数据输入训练好的LSTM负荷预测模型进行负荷预测。


2.如权利要求1所述的基于多尺度时间特征的LSTM负荷预测方法，其特征在于，所述小波为dbN小波。


3.如权利要求2所述的基于多尺度时间特征的LSTM负荷预测方法，其特征在于，所述dbN小波的消失矩N为15。

【专利技术属性】
技术研发人员：杨梅，王仕发，牛晓伟，谢辉，
申请(专利权)人：重庆三峡学院，
类型：发明
国别省市：重庆;50