一种基于I-LSTM的短期用电量预测方法技术

本发明专利技术涉及一种基于I‑LSTM的短期用电量预测方法，属于电力系统预测领域。该方法包括以下步骤：S1：收集电力系统的历史数据，并处理不完整数据和异常值；S2：根据时间将数据划分为训练集、验证集和测试集；S3：构建混合长短记忆网络I‑LSTM模型，并将训练集输入I‑LSTM网络模型进行训练；S4：设置I‑LSTM网络模型的网络损失函数、优化算法、学习速率和batchsize；S5：预测测试集，根据验证集准确变化情况得到的模型，得到测试集的预测结果。本发明专利技术能更好地挖掘用户历史数据序列中的关键信息以及用户用电量数据之间的特征关系，有效地提升用户用电量预测精度和稳定性。

【技术实现步骤摘要】
一种基于I-LSTM的短期用电量预测方法
本专利技术属于电力系统预测领域，涉及一种基于I-LSTM的短期用电量预测方法。
技术介绍
随着工业和人民生活水平的提高，对电力能源的供应量和供应效率都提出了更高的要求。智能电网已普及到人们的生活中。因此，提供一种精确度高的电力系统短期预测方法是很有必要的。随着深度学习技术的不断发展，电网领域逐渐将目光转向深度学习。基于深度学习常用的方法为神经网络(LongShort-TermMemory,LSTM)，LSTM引入了具有记忆功能的组件，能较好地捕获数据前后的时序规律，因此广泛应用与时序预测。但是超长的记忆周期使得LSTM模型存在梯度消失问题，从而不能更好的捕获到电量时间序列的超长期趋势。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于I-LSTM的短期用电量预测方法，借助I-LSTM网络模型(I-LSTM是周期性长短记忆网络(PLSTM)和LSTM的组合，其中PLSTM用来捕获用电量时间序序列的超长期记忆)有效解决由于输入序列过长而出现的信息丢失导致性能瓶颈的问题，同本文档来自技高网...

【技术保护点】
1.一种基于I-LSTM的短期用电量预测方法，其特征在于，该方法包括以下步骤：/nS1：收集电力系统的历史数据，并处理不完整数据和异常值；利用异常值前一天和后一天同时间值的平均值替代异常值；/nS2：根据时间将数据划分为训练集、验证集和测试集；/nS3：构建混合长短记忆网络I-LSTM模型，并将训练集输入I-LSTM网络模型进行训练；其中I-LSTM是周期性LSTM和LSTM的组合；/nS4：设置I-LSTM网络模型的网络损失函数、优化算法、学习速率和batchsize；/nS5：预测测试集，根据验证集准确变化情况得到的模型，得到测试集的预测结果。/n

【技术特征摘要】
1.一种基于I-LSTM的短期用电量预测方法，其特征在于，该方法包括以下步骤：
S1：收集电力系统的历史数据，并处理不完整数据和异常值；利用异常值前一天和后一天同时间值的平均值替代异常值；
S2：根据时间将数据划分为训练集、验证集和测试集；
S3：构建混合长短记忆网络I-LSTM模型，并将训练集输入I-LSTM网络模型进行训练；其中I-LSTM是周期性LSTM和LSTM的组合；
S4：设置I-LSTM网络模型的网络损失函数、优化算法、学习速率和batchsize；
S5：预测测试集，根据验证集准确变化情况得到的模型，得到测试集的预测结果。


2.根据权利要求1所述的短期用电量预测方法，其特征在于，步骤S3中，构建的I-LSTM网络模型具体包括：将数据分别通过LSTM和周期性LSTM，然后将输出的两种数据进行全连接，从而得到最终时刻的预测值。


3...

【专利技术属性】
技术研发人员：余翔，王潇潇，庞育才，段思睿，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50