基于长短时记忆神经网络的短期电力负荷预测方法技术

本发明专利技术提供一种基于长短时记忆神经网络的短期电力负荷预测方法，包括1)采集电力负荷历史数据和气象历史数据，构建历史数据集；2)采用集成经验模态分解法，对电力负荷历史序列进行分解；3)计算每个分量的样本熵值并进行分组；4)构建每个分组的最优预测模型；5)确定预测模型的输入；6)累加各个最优预测模型的预测值得到最终的电力负荷预测值。本发明专利技术结合集成经验模态分解和长短时记忆神经网络模型对短期电力负荷进行预测，可以实现准确、实时、可靠的预测效果，具有很好的适用性和有效性，可以被广泛地应用在短期电力负荷预测中。

【技术实现步骤摘要】
基于长短时记忆神经网络的短期电力负荷预测方法
本专利技术涉及电力预测
，具体涉及一种基于长短时记忆神经网络的短期电力负荷预测方法。
技术介绍
电力系统的任务是为用户提供安全、可靠、稳定的电能，以满足各类负荷的需求。在电力系统中，发电、输电、配电和用电是同步进行的，且要求系统的发电量与负荷保持动态平衡。如果高估未来的电力负荷，则会启动额外的发电机组，增加储备和运营成本；此外，如果低估未来的电力负荷，则会导致系统无法为用户提供所需的电力，电力系统可能会面临崩溃的风险。因此提高电力负荷预测的准确性是十分必要的。目前电力负荷预测模型主要分为三类：传统的统计学模型、人工智能模型、以及混合模型。传统模型主要包括回归分析法、时间序列法以及卡尔曼滤波法等。这些方法虽然具有简单、速度快的优点，但是没有考虑到负荷数据的非线性特点。人工智能模型主要包括专家系统、模糊神经网络、支持向量机、人工神经网络、贝叶斯网络等。这些方法虽然考虑了负荷数据的非线性特性，但忽略了负荷数据序列的时序性，需要人为地添加与时间有关的特征。混合模型主要分为两类，一类是基于权重的组合方法，即采用不同的模型分别对电力负荷进行预测，然后根据预测精度为每种预测方法分配一个加权系数，最后合并加权得到最终的预测结果；这些组合模型综合了单个模型的优点，提高了预测结果的精度，但是由于没有降低原始数据的复杂性，限制了预测的精度；另一类是采用数据预处理的方法，将电力负荷序列分解为更有规律、更平稳的分量，然后对各个分量分别建立合适的预测模型，最终的结果是各分量预测结果之和。各种多尺度分解方法都应用到了电力负荷预测中，如小波分解(WT)，经验模态分解(EMD)等。小波分解虽然可以将原始序列分解为更有规律的分量，但是小波基函数和分解级数需要人为地确定，不能保证信号的最优分解；EMD虽然能够自动地确定分解个数，但是EMD分解得到的IMFs可能会出现模态混叠的现象。
技术实现思路
针对现有技术的不足，本专利技术提出一种基于长短时记忆神经网络的短期电力负荷预测方法，包括如下步骤：步骤1：统计电力负荷历史数据和气象历史数据，构建历史数据集，所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t)，以及t时刻当天的日最高温度值Tmax(t)、日最低温度值Tmin(t)，定义n个电力负荷值构成的集合为电力负荷历史序列X，记为X＝{x(1),x(2),…,x(t),…,x(n)},t＝1,2,…n；步骤2：采用集成经验模态分解法，将电力负荷历史序列X分解为M组分量集，每组分量集包括不同频率的本征模函数分量和一个残差分量，通过计算M组分量集中相同时刻电力负荷的平均值，得到一组平均值分量集；步骤3：计算平均值分量集中每个平均值分量的样本熵值，并根据样本熵值进行分组；步骤4：构建每个分组Fb的最优长短时记忆神经网络模型，得到f个最优长短时记忆神经网络模型；步骤5：预测当天Tt时刻的电力负荷时，记录当天Tt时刻的温度值，以及当天的最高温度值、最低温度值；同时统计过去h天内每天的Tt时刻所对应的电力负荷历史值；步骤6：将当天的最高温度值、最低温度值、Tt时刻的温度值以及过去h天内的h个电力负荷值，分别输入到f个最优长短时记忆神经网络模型中，通过每个最优长短时记忆神经网络模型输出一个电力负荷的预测值，累加各个电力负荷的预测值得到最终的电力负荷预测值。所述步骤2包括：步骤2.1：在电力负荷历史序列X中添加随机高斯白噪声序列，构成一个新的电力负荷历史序列Xu；步骤2.2：利用经验模态分解法将新的电力负荷历史序列Xu，分解为一组包含不同频率本征模函数分量和一个残差分量的分量集；步骤2.3：重复步骤2.1～步骤2.2，添加不同的高斯白噪声序列得到M组分量集，定义第u组分量集为Xu＝{Xu,1,Xu,2,…,Xu,v,…,Xu,w,Xu,w+1}，其中v＝1,2,…,w，w表示不同频率本征模函数分量的个数，Xu,v表示第u组分量集中的第v个频率所对应的本征模函数分量，即分量Xu,v表示为{xu,v(1),xu,v(2),…,xu,v(t),…,xu,v(n)}，Xu,w+1表示第u组分量集中的残差分量，即分量Xu,w+1表示为{xu,w+1(1),xu,w+1(2),…,xu,w+1(t),…,xu,w+1(n)}，u＝1,2,…,M；步骤2.4：计算M组分量中相同时刻的电力负荷平均值，得到一组平均值分量集，包括：步骤2.4.1：利用公式(1)计算第v个频率下的本征模函数分量中t时刻的电力负荷平均值令公式(1)中的t＝1,2,…,n，得到第v个频率下的本征模函数分量对应的平均值分量步骤2.4.2：利用公式(2)计算M个残差分量中t时刻的电力负荷平均值；令公式(2)中的t＝1,2,…,n，得到残差分量对应的平均值分量步骤2.4.3：根据步骤2.4.1～步骤2.4.2，得到一组平均值分量集其中s＝1,2,…,w+1。所述步骤3包括：步骤3.1：计算平均值分量的标准差SD；步骤3.2：初始化嵌入维数m和相似度公差r，其中r取值范围为0.1SD～0.25SD；步骤3.3：将平均值分量重构为(n-m+1)个m维向量，分别记为其中步骤3.4：利用公式(3)计算向量与的距离其中步骤3.5：统计中满足的元素的个数，记为利用公式(4)计算与n-m的比值步骤3.6：利用公式(5)计算的平均值，记为Bm(r)；步骤3.7：令χ＝m+1，重复步骤3.3～步骤3.6，计算和Bχ(r)的值；步骤3.8：利用公式(6)计算向量与的样本熵值SEs(m,r)；步骤3.9：令s'＝s+1,s＝1,2,…,w+1，重复步骤3.1～步骤3.8，依次计算平均值分量集中每个平均值分量的样本熵值，分别记为SE1(m,r),SE2(m,r),…,SEs(m,r),…,SEw+1(m,r)，当任意两个样本熵值的比值时，将SEs(m,r)、SEp(m,r)所对应的分量划分为同一个分组Fb中；当时，将SEs(m,r)、SEp(m,r)所对应的分量划分为不同的分组中；其中max{SEs(m,r),SEp(m,r)}表示{SEs(m,r),SEp(m,r)}二者中取较大者，min{SEs(m,r),SEp(m,r)}表示{SEs(m,r),SEp(m,r)}二者中取较小者，SEp(m,r)∈{SE1(m,r),SE2(m,r),…,SEs(m,r),…,SEw+1(m,r)}，δ表示预设阈值，b＝1,2,…,f，f表示不同分组数。所述步骤4包括：步骤4.1：将同一个分组Fb中所有分量所对应的电力负荷值、温度值、日最高温度值、日最低温度值分为训练集和测试集步骤4.2：采用长短时记忆神经网络模型对分组Fb中的训练集进行训练，当达到预设训练次数d时，取平均绝对百分误差最小的输出值所对应的模型作为最优长短时神本文档来自技高网...

【技术保护点】
1.一种基于长短时记忆神经网络的短期电力负荷预测方法，其特征在于，包括如下步骤：/n步骤1：统计电力负荷历史数据和气象历史数据，构建历史数据集，所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t)，以及t时刻当天的日最高温度值T

【技术特征摘要】
1.一种基于长短时记忆神经网络的短期电力负荷预测方法，其特征在于，包括如下步骤：
步骤1：统计电力负荷历史数据和气象历史数据，构建历史数据集，所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t)，以及t时刻当天的日最高温度值Tmax(t)、日最低温度值Tmin(t)，定义n个电力负荷值构成的集合为电力负荷历史序列X，记为X＝{x(1),x(2),…,x(t),…,x(n)},t＝1,2,…n；
步骤2：采用集成经验模态分解法，将电力负荷历史序列X分解为M组分量集，每组分量集包括不同频率的本征模函数分量和一个残差分量，通过计算M组分量集中相同时刻电力负荷的平均值，得到一组平均值分量集；
步骤3：计算平均值分量集中每个平均值分量的样本熵值，并根据样本熵值进行分组；
步骤4：构建每个分组Fb的最优长短时记忆神经网络模型，得到f个最优长短时记忆神经网络模型；
步骤5：预测当天Tt时刻的电力负荷时，记录当天Tt时刻的温度值，以及当天的最高温度值、最低温度值；同时统计过去h天内每天的Tt时刻所对应的电力负荷历史值；
步骤6：将当天的最高温度值、最低温度值、Tt时刻的温度值以及过去h天内的h个电力负荷值，分别输入到f个最优长短时记忆神经网络模型中，通过每个最优长短时记忆神经网络模型输出一个电力负荷的预测值，累加各个电力负荷的预测值得到最终的电力负荷预测值。


2.根据权利要求1所述的一种基于长短时记忆神经网络的短期电力负荷预测方法，其特征在于，所述步骤2包括：
步骤2.1：在电力负荷历史序列X中添加随机高斯白噪声序列，构成一个新的电力负荷历史序列Xu；
步骤2.2：利用经验模态分解法将新的电力负荷历史序列Xu，分解为一组包含不同频率本征模函数分量和一个残差分量的分量集；
步骤2.3：重复步骤2.1～步骤2.2，添加不同的高斯白噪声序列得到M组分量集，定义第u组分量集为Xu＝{Xu,1,Xu,2,…,Xu,v,…,Xu,w,Xu,w+1}，其中v＝1,2,…,w，w表示不同频率本征模函数分量的个数，Xu,v表示第u组分量集中的第v个频率所对应的本征模函数分量，即分量Xu,v表示为{xu,v(1),xu,v(2),…,xu,v(t),…,xu,v(n)}，Xu,w+1表示第u组分量集中的残差分量，即分量Xu,w+1表示为{xu,w+1(1),xu,w+1(2),…,xu,w+1(t),…,xu,w+1(n)}，u＝1,2,…,M；
步骤2.4：计算M组分量中相同时刻的电力负荷平均值，得到一组平均值分量集，包括：
步骤2.4.1：利用公式(1)计算第v个频率下的本征模函数分量中t时刻的电力负荷平均值



令公式(1)中的t＝1,2,…,n，得到第v个频率下的本征模函数分量对应的平均值分量<...

【专利技术属性】
技术研发人员：常玉清，方翟宇，徐海燕，郭帅，王姝，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21