【技术实现步骤摘要】
基于LSTM栈式自编码多模型荷预测方法及系统
本专利技术属于负荷预测
，具体涉及基于LSTM栈式自编码多模型荷预测方法及系统。
技术介绍
随着智能电网的发展，智能化的终端测量装备已经普及，我国已经安装超过5亿个智能电表。随之而来的是电力数据量和复杂度的指数性增长，有效利用庞大的数据集将获得极大的价值，其中最具有代表性之一的就是利用历史数据对未来负荷进行预测。考虑到目前电动汽车、储热等柔性负荷的增加，无论是在规模上还是复杂度上，都增大了对数据集分析处理的难度，更是对电网的安全稳定运行带来了巨大的挑战。因此，可以说如今的负荷预测已经成为根据多变量时序数据进行预测的问题，如何基于数据挖掘技术有效利用大数据库，提高负荷预测精度是如今的研究热点。在负荷预测中，短期负荷预测受多种灵活变量影响，通过对历史数据进行挖掘，可以有效提高短期负荷预测精度，为电网调度提供重要依据。数据挖掘涉及人工智能与大数据领域。结合负荷预测而言，利用数据挖掘可以获取历史负荷数据中的内部关系，寻找特征指标，并将这些特征指标构建为训练集，用训练集训练模...
【技术保护点】
1.基于LSTM栈式自编码多模型荷预测方法，其特征在于：该方法包括：/n步骤1：获取数据集，对数据集进行预处理；/n步骤2：建立电动汽车充电开始时间的概率模型并重构数据集；/n步骤3：构建LSTM栈式自编码结构并训练；/n步骤4：利用XGBoost模型预测短期负荷，并进行指标评价。/n
【技术特征摘要】
20200407 CN 202010265829X1.基于LSTM栈式自编码多模型荷预测方法，其特征在于：该方法包括：
步骤1：获取数据集，对数据集进行预处理；
步骤2：建立电动汽车充电开始时间的概率模型并重构数据集；
步骤3：构建LSTM栈式自编码结构并训练；
步骤4：利用XGBoost模型预测短期负荷，并进行指标评价。
2.根据权利要求1所述的基于LSTM栈式自编码多模型荷预测方法，其特征在于：数据集的获取包括采集负荷数据、电价数据、温度、湿度、待测日一周前负荷数据、星期类型、法定节日等，采样周期为15min，按时间序列排列，构建数据集；时间序列分为两列，第一列为年-月-日-小时-时刻，第二列为历史数据值。
3.根据权利要求1所述的基于LSTM栈式自编码多模型荷预测方法，其特征在于：对数据集进行预处理，对于在时间上有连续性的变量历史负荷数据、温度、湿度，基于格拉布斯准则法判断异常值并清理，采用Lagrange三次样条插值补全残缺数据，最后对数据集归一化处理；
格拉布斯准则法如下：
其中，G1，G2分别为判断最小、最大值是否异常；为均值，S为标准差；
若G1，G2分别大于对应的判据G则表示该最小、最大值为异常值；其中，判据G依据格拉布斯的临界值表选取；
考虑到是时序性变量在时间上的连续性，将异常值修正为其前后两值的均值，该方式在数据集上迭代进行，直到无异常值为止；
Lagrange完备三次样条插值法如下：
已知函数y＝f(x)在区间[a，b]上的值yi＝f(xi)(i＝0，1，2，…n)，其中：a＝x0＜x1＜…＜xn-1＜xn＝b；
插值函数S(x)满足：
S(xi)＝yi(i＝0，1，2，…n)；S(x)在每个小区间[xi，xi+1](i＝0，1，2，…n)上均为三次多项式，记作Si(x)；S(x)在[a，b]上二阶连续可微；
因此，记为：
进而得：
选取的边界条件为：
S′(a)＝y′0，S′(b)＝y′n(5)
其中，y0′表示函数f(x)在x0处的导数，yn′表示函数f(x)在xn处的导数；
归一化流程：
对于具有时序性的连续变量，标准化公式为：
其中，X表示实际值，Xmin表示样本中最小值，Xmax表示样本中最大值，X′表示归一化处理后的值，应使归一化处理后的值在0～1间；
对于离散型变量，规定晴好天气影响因子为1，雾霾多云天气影响因子为0.5，雨雪天气影响因子为0.1，极端天气影响因子为0，规定工作日影响因子为1，休息日影响因子为0。
4.根据权利要求1所述的基于LSTM栈式自编码多模型荷预测方法，其特征在于：建立电动汽车充电开始时间的概率模型并重构数据集：
从数据时序性角度考虑电动汽车的充电负荷对短期负荷预测的影响；
从电动汽车用户行为角度建立概率模型，以日出行结束时刻作为充电需求开始时刻，拟合电动汽车用户日出行结束时刻概率分布：
其中，t表示日出行结束时刻，σ和μ分别表示电动汽车日出行结束时刻统计数据的标准差和均值；
通过蒙特卡洛法建立电动汽车充电需求的时间概率模型，并在处理后作为时序性输入插入数据集。
5.根据权利要求1所述的基于LSTM栈式自编码多模型荷预测方法，其特征在于：构建LSTM栈式自编码结构并训练：
采用LSTM栈式自编码提取数据特征，堆栈的LSTM编码层作为隐藏层，
自动编码器由三层组成，分别为输入层、隐藏层和输出层；训练过程包括编码阶段和译码阶段；给定未标记的输入数据集，其中n＝1，2，...，N且xn∈Rm，两个阶段表示为：
h(x)＝f(W1x+b1)(8)
其中，h(x)表示从输入向量x计算得出的隐藏编码向量，是输出层的译码器向量；f为编码函数，g为解码函数，W1和W2分别为编码器和解码器的权矩阵，b1和b2分别为各相位的偏置向量；输入与重构输入或输出之间的差异称为重构误差，在训练期间模型使最小化；
LSTM网络模块具有三个门结构：遗忘门、输入门、输出门；采用sigmoid和tanh函数，用σ表示sigmoid函数变化；
遗忘门：
ft＝σ(Wfxxt+Wfhht-1+bf)(10)
当前时刻的输入xt与前一时刻状态记忆单元Ct-1、中间输出ht-1共同决定状态记忆单元遗忘部分；
输入门：
it＝σ(Wixxt+wihht-1+bi)(11)
gt＝tanh(Wgxxt+Wghht-1+bg)(12)
其中，Ct-1表示前一时刻状态记忆单元的保留向量；输入xt和中间输出ht-1分别经过sigmoid和tanh函数变化后共同决定状态记忆单元中保留向量；
输出门：
ot＝σ(Woxxt+Wohht-1+bo)(14)
输出ht由更新后的Ct与输出ot共同决定；
上式中，ft，it，gt，ot，ht和Ct分别为遗忘门、输入门、输入节点、输出门、中间输出和状态记忆单元的状态；Wfx，Wfh，Wix，Wih，Wgx，Wgh，Wox和Woh分别为相应门与输入xt和中间输出ht-1相乘的矩阵权重；bf，bi，bg，bo分别为相应门的偏置项；表示向量中元素按位相乘；表示矩阵加法；
在Python3.7下通过Keras库搭建LSTM网络，利用Adam算法优化。
6.根据权利要求1所述的基于LSTM栈式自编码多模型荷预测方法，其特征在于：利用XGBoost模型预测短期负荷和评价指标：
XGBoost模型将LSTM栈式自编码提取的特征作为输入序列，XGBoost模型采用贪心算法，通过集合方式防止过拟合现象，且泛化能力强；
XGBoost模型作为一种提升树模型，实现了多种树模型的集成，这些树模型为CART回归树模型；XGBoost模型如下所示：
为第i个样本的模型预测值；K为树的数量；F为树的集合空间；xi表示第i个数据点的特征向量；fk对应第k棵独立的树的结构q和叶子权重w相关状况；
损失函数L：
其中，为预测值和目标值yi之间的训练误差之和；为树的复杂度之和，用于控制模型复杂度的正则项：
其中γ和λ为模型的惩罚系数；w表示叶子权重，T表示叶子结点数量，
损失函数在序列最小化过程中，每一轮加入的增量函数ft(xi)尽可能使损失函数最大程度减小；第t轮的目标函数表示为：
采用二阶泰勒展开的方式近似目标函数；设第j个叶子结点的样本集合为Ij＝{i|q(xi＝j)}；其中和分别为损失函数的一、二阶导数；得：
设Gj表示叶子结点j所包含样本的一阶偏导数累加之和，是一个常量；Hj表示叶子结点j所包含样本的二阶偏导数累加之和，是一个常量，
得：
wj表示叶子结点j的权重，L(t)表示第t轮损失函数，
对w求偏导得到：
将权值代入目标函数得到：
损失函数越小表示模型越好；采用贪心算法对子树划分，每次对已有的叶子增加新划分，计算最大增益：
其中和分别表示左、右子树分裂后产生的增益，为不进行子树分裂的增益；
XGBoost的泛化能力较强，通过集合的方式防止过拟合，XGBoost模型输出预测结果后，选择平均误差，平均相对误差和相对均方误差作为评价指标：
其中，n为预测点个数，x(t)表示t时刻实际观测的负荷值，y(t)表示t时刻负荷预测值；ME反映整体预测值平均偏差的情况，值越小偏差越小；MAPE能够反映相对平均偏离程度，值越小表明模型预...
【专利技术属性】
技术研发人员：崔嘉，陈忠仪，杨俊友，李桐，周小明，刘扬，任帅，李欢，苑经纬，
申请(专利权)人：沈阳工业大学，国网辽宁省电力有限公司电力科学研究院，国网辽宁省电力有限公司，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。