一种基于相似日和LSTM的短期电力负荷双向组合预测方法技术

本发明专利技术公开了一种基于相似日和LSTM的短期电力负荷双向组合预测方法，包括以下步骤:S1，将历史日中的影响因素作归一化处理；S2，采用灰色关联分析法在不同范围的历史日中按照关联度大小确定相似日；S3，数据集确定；S4，横向输入矩阵和纵向输入矩阵的建立；S5，将横向输入矩阵和纵向输入矩阵输入到LSTM模型中做横向预测和纵向预测；S6，组合预测；本发明专利技术通过相似日选择降低了气象因素、日类型因素等对负荷数据的影响，提高了训练集的质量，对每个采样点进行横向预测与纵向预测之后，使用最小方差法优化其权重系数，既考虑到了数据的时序性与非线性，又考虑到了数据的周期性与非线性。

A bidirectional combination forecasting method of short term power load based on similar days and LSTM

【技术实现步骤摘要】
一种基于相似日和LSTM的短期电力负荷双向组合预测方法
本专利技术涉及电力负荷预测
，特别是一种基于相似日和LSTM的短期电力负荷双向组合预测方法。
技术介绍
准确的负荷预测使工作人员更合理地安排电网内部发动机组的启停，对电力系统的安全、电网的稳定以及电网的规划与调度起着重要作用，有很大的现实意义。目前，国内外常用的短期电力负荷预测方法大致可分为两类，一类是传统的时间序列分析方法，如时间序列预测、指数平滑分析法、多元线性回归方法等。此类方法对数据的时序性要求很高，但非线性拟合能力不强，随着智能电网的发展，电力数据的爆炸式增长，利用此类方法预测的精度已经不能满足社会发展的需要。为解决上述问题，机器学习方法应运而生，如人工神经网络、支持向量机(SupportVectorMachine，SVM)和随机森林(RandomForest，RF)等，此类机器学习方法很好地解决了数据之间的非线性关系，但是用于负荷预测中，需要人为添加时间特征保证预测精度。随着经济的发展，人民生活水平逐步提高，空调等用电设备的使用量逐年増加，直接导致气象因素、日类型因素对电力负荷的影响越来越大，传统的预测方法难以准确预测。
技术实现思路
为了克服上述不足，本专利技术的目的是要提供一种基于相似日和LSTM的短期电力负荷双向组合预测方法。为达到上述目的，本专利技术是按照以下技术方案实施的：一种基于相似日和LSTM的短期电力负荷双向组合预测方法，包括以下步骤：S1，数据预处理：将历史数据中的影响因素作归一化处理，所述影响因素包括温度、天气类型和日类型；所述历史数据包括影响因素数据和电力负荷数据，所述影响因素数据来源于当地气象局，所述电力负荷数据来自当地配电站、且每15分钟作为一个采样点，1天共96个采样点；S2，相似日选择：采用灰色关联分析法在不同范围的历史日中按照关联度大小挑选相似日,所述相似日包括测试日、训练集标签日和训练日；S3，数据集确定：所述数据集包括测试集和训练集，所述训练集包括训练集标签日的电力负荷数据和训练日的电力负荷数据，所述测试集为测试日的电力负荷数据和待预测日的电力负荷数据；S4，横向输入矩阵和纵向输入矩阵的建立：利用步骤S3中的数据集组成相似日的初始矩阵，将初始矩阵的一行对应同一相似日的若干采样点数据作为横向样本，利用横向样本建立横向输入矩阵，将初始矩阵的一列对应不同相似日同一时刻点的负荷数据作为纵向样本，利用纵向样本建立纵向输入矩阵；S5，横向与纵向预测：将横向输入矩阵和纵向输入矩阵输入到LSTM模型中做横向预测和纵向预测；S6，组合预测：将步骤S5中的横向预测结果和纵向预测结果利用最小方差法求出每一个采样点的横向预测权重和纵向预测权重，利用下式得出双向组合预测结果：式中，f表示一个采样点的组合预测值；q＝1,2…,p；p表示预测方法的数量；fq表示一个采样点第q种预测方法的预测值，wq表示一个采样点第q种预测方法的权重系数：其中，Var(eq)表示一个采样点第q种预测方法的预测方差；进一步的，步骤S1中，温度的归一化处理采用下式进行处理：其中X为实际温度，Xmax为温度最大值，Xmin为温度最小值，Z为归一化处理值；进一步的，步骤S1中，天气类型进行归一化处理时，根据当地的历史日对天气类型进行归一化，越恶劣的天气归一化处理值越大；进一步的，步骤S1中，日类型包括周二到周四、周一和周五、周六和周日、小长假，在归一化处理时，由于归一化处理值与用电量成正比，选定周二到周四的归一化处理值最小，周一和周五的归一化处理值大于周二到周四，周六和周日的归一化处理值大于周一和周五，小长假的归一化处理值最大；进一步的，步骤S2中，确定相似日时主要考虑的影响因素有m种，历史天气记录有n天，样本气象数据序列为子序列，则第i天的影响因素序列可表示为：Xi＝(x1i,x2i,…,xmi)；在挑选测试日、训练集标签和训练日时，n的取值不同，分别为26、31和30；m＝1,2…5；i＝1,2…n；选取标签日与待预测日的影响因素序列为母序列，可表示为：X0＝(x10,x20,…,xm0)；将子序列和母序列中的每个元素都除以各自向量中的第一个数据进行初值化处理，设初值化处理后的向量为X'i和X'0，设第i个子序列的第k个影响因素与母序列的第k个影响因素的关联系数为：其中k＝1,2…m，i＝1,2…n，|X'0(k)-X'i(k)|为子序列与母序列影响因素初值化后的绝对差值，ρ为分辨系数，取值区间为(0,1)；由于每个影响因素对应一个关联系数，故关联系数有m个，求其平均值作为子序列和母序列之间的关联度，公式为：式中，ri越大，表示关联度越大，即相似度越大；进一步的，步骤S2中，以待预测日的气象信息为母序列，在待测日当月的历史日中按照关联度从大到小挑出7个相似日作为测试日，并将其按照关联度越大、离待预测日越近的顺序在测试数据中排序；以待预测日的气象信息为母序列，在待测日上个月的历史日中挑选与其关联度最大的一天作为标签日；以标签日的气象信息为母序列，在待测日上个月除去标签日的历史日中按照关联度从大到小挑出7个相似日作为训练日；进一步的，步骤S4中，经过相似日选择后的初始负荷矩阵为：初始负荷矩阵的形状是(16,96)，其中1-7行表示训练集中的训练数据，第8行表示训练集标签数据；9-15行表示测试集中的测试数据，第16行表示待预测数据；负荷矩阵的一行对应同一相似日96个采样点的数据，即横向样本；一列对应不同相似日同一时刻点的负荷数据，即纵向样本；进一步的，利用横向样本重新调整矩阵X的形状，使其成为一个新矩阵：Xf1＝[x1，1…x1,96…x16,1…x16,96]T；式中，Xf1为横向输入矩阵；取初始负荷矩阵的1-8行成为一个新的矩阵Xn，并将其重新调整形状，表示为：Xn＝[x1,1…x8,1…x1,96…x8,96]T；其中前7个为训练集中的训练日的电力负荷数据，第8个为训练集中标签日的电力负荷数据，按此循环；取初始负荷数据的9-16行成为一个新的矩阵Xm，并将其重新调整形状，表示为：Xm＝[x9,1…x16,1…x9,96…x16,96]T；式中，Xm为测试集矩阵；纵向输入矩阵用公式表示为：与现有技术相比，本专利技术的基于相似日和LSTM的短期电力负荷双向组合预测方法具备以下有益效果：本专利技术通过相似日选择降低了气象因素、日类型因素等对负荷数据的影响，提高了训练集的质量；对每个采样点进行横向预测与纵向预测之后，使用最小方差法优化其权重系数，既考虑到了数据的时序性与非线性，又考虑到了数据的周期性与非线性。通过河南省某县的实际负荷数据验证了本专利技术的效果更佳。本专利技术考虑到历史负荷数据之间有很强的时序性，故使用擅长处理时序性数据的长短期记本文档来自技高网...

【技术保护点】
1.一种基于相似日和LSTM的短期电力负荷双向组合预测方法，其特征在于，包括以下步骤：/nS1，数据预处理：将历史数据中的影响因素作归一化处理，所述影响因素包括温度、天气类型和日类型；所述历史数据包括影响因素数据和电力负荷数据，所述影响因素数据来源于当地气象局，所述电力负荷数据来自当地配电站、且每15分钟作为一个采样点，1天共96个采样点；/nS2，相似日选择：采用灰色关联分析法在不同范围的历史日中按照关联度大小挑选相似日，所述相似日包括测试日、训练集标签日和训练日；/nS3，数据集确定：所述数据集包括测试集和训练集，所述训练集包括训练集标签日的电力负荷数据和训练日的电力负荷数据，所述测试集为测试日的电力负荷数据和待预测日的电力负荷数据；/nS4，横向输入矩阵和纵向输入矩阵的建立：利用步骤S3中的数据集组成相似日的初始矩阵，将初始矩阵的一行对应同一相似日的若干采样点数据作为横向样本，利用横向样本建立横向输入矩阵，将初始矩阵的一列对应不同相似日同一时刻点的负荷数据作为纵向样本，利用纵向样本建立纵向输入矩阵；/nS5，横向与纵向预测：将横向输入矩阵和纵向输入矩阵输入到LSTM模型中做横向预测和纵向预测；/nS6，组合预测：将步骤S5中的横向预测结果和纵向预测结果利用最小方差法求出每一个采样点的横向预测权重和纵向预测权重，利用下式得出双向组合预测结果：/n...

【技术特征摘要】
1.一种基于相似日和LSTM的短期电力负荷双向组合预测方法，其特征在于，包括以下步骤：
S1，数据预处理：将历史数据中的影响因素作归一化处理，所述影响因素包括温度、天气类型和日类型；所述历史数据包括影响因素数据和电力负荷数据，所述影响因素数据来源于当地气象局，所述电力负荷数据来自当地配电站、且每15分钟作为一个采样点，1天共96个采样点；
S2，相似日选择：采用灰色关联分析法在不同范围的历史日中按照关联度大小挑选相似日，所述相似日包括测试日、训练集标签日和训练日；
S3，数据集确定：所述数据集包括测试集和训练集，所述训练集包括训练集标签日的电力负荷数据和训练日的电力负荷数据，所述测试集为测试日的电力负荷数据和待预测日的电力负荷数据；
S4，横向输入矩阵和纵向输入矩阵的建立：利用步骤S3中的数据集组成相似日的初始矩阵，将初始矩阵的一行对应同一相似日的若干采样点数据作为横向样本，利用横向样本建立横向输入矩阵，将初始矩阵的一列对应不同相似日同一时刻点的负荷数据作为纵向样本，利用纵向样本建立纵向输入矩阵；
S5，横向与纵向预测：将横向输入矩阵和纵向输入矩阵输入到LSTM模型中做横向预测和纵向预测；
S6，组合预测：将步骤S5中的横向预测结果和纵向预测结果利用最小方差法求出每一个采样点的横向预测权重和纵向预测权重，利用下式得出双向组合预测结果：



式中，f表示一个采样点的组合预测值；q＝1,2…,p；p表示预测方法的数量；fq表示一个采样点第q种预测方法的预测值，；wq表示一个采样点第q种预测方法的权重系数：



其中，Var(eq)表示一个采样点第q种预测方法的预测方差。


2.根据权利要求1所述的基于相似日和LSTM的短期电力负荷双向组合预测方法，其特征在于，步骤S1中，温度的归一化处理采用下式进行处理：



其中X为实际温度，Xmax为温度最大值，Xmin为温度最小值，Z为归一化处理值。


3.根据权利要求1所述的基于相似日和LSTM的短期电力负荷双向组合预测方法，其特征在于，步骤S1中，天气类型进行归一化处理时，根据当地的历史日对天气类型进行归一化，越恶劣的天气归一化处理值越大。


4.根据权利要求1所述的基于相似日和LSTM的短期电力负荷双向组合预测方法，其特征在于，步骤S1中，日类型包括周二到周四、周一和周五、周六和周日、小长假，在归一化处理时，由于归一化处理值与用电量成正比，选定周二到周四的归一化处理值最小，周一和周五的归一化处理值大于周二到周四，周六和周日的归一化处理值大于周一和周五，小长假的归一化处理值最大。


5.根据权利要求1所述的基于相似日和LSTM的短期电力负荷双向组合预测方法，其特征在于，步骤S2中，确定相似日时主要考虑的影响因素有m种，历史天气记录有n天，样本气象数据...

【专利技术属性】
技术研发人员：王瑞，逯静，闫方，陈诗雯，高强，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41