基于MSTL和LSTM模型的中长期电力负荷预测方法技术

本发明专利技术涉及一种基于神经网络进行电力负荷预测的方法，包括：搜集待处理年尺度数据与月尺度数据并进行相关性检验，确立年尺度数据，月尺度数据中的关键影响因素；分别关键影响因素及对应的年度电力最大负荷数据和对应的月度电力最大负荷数据，进行季节分解，得到相应的年数据趋势分量、年数据残差分量和年数据周期分量和相应的月数据趋势分量、月数据残差分量和月数据周期分量；然后分别进行协整检验和降维处理，得到LSTM模型的相应分量；将各分量输入LSTM模型中，得到个分量的预测分量；根据预测分量，采用LSTM循环神经网络的自学习能力将其进行拟合，得出电力负荷预测值。得出电力负荷预测值。得出电力负荷预测值。

【技术实现步骤摘要】
基于MSTL和LSTM模型的中长期电力负荷预测方法


[0001]本专利技术涉及计算机
，特别涉及一种基于神经网络进行电 力负荷预测的方法。

技术介绍

[0002]目前，电力负荷预测结果关系到电力系统调度运行和生产计划的 制定，准确的负荷预测结果有助于发电企业合理安排生产计划，保障 电网的安全性和稳定性。随着“碳达峰、碳中和”目标的不断推进，电 力系统中将接入大量分布式资源，新型电力系统的负荷结构将更加多 元化，其源荷互动特征将增加电力需求的波动性，增加电网调度的难 度。因此，亟待研究一种更准确预测负荷变化、反应负荷特征的预测 方法。
[0003]电力负荷及其影响因素的时间序列往往具有复杂的非线性特征， 且呈现多个周期的变化规律，新型电力系统的负荷特性将会更加复杂， 以电动汽车为例，电动汽车柔性负荷的接入带来了更大的负荷波动性、 时变性和随机性。然而，目前对电力负荷数据进行分离预测的方法不 能较为精确地反映出多个变化周期的规律和特征。因此，研究一种可 以准确刻画电力负荷序列及其影响因素不同周期特征的中长期电力 负荷预测方法是十分必要本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MSTL和LSTM模型的中长期电力负荷预测方法，其特征在于，具体包括如下步骤：步骤一：搜集待处理年尺度数据与月尺度数据；步骤二：分别对年尺度数据与月尺度数据进行相关性检验，确立年尺度数据，月尺度数据中的关键影响因素；步骤三：对步骤二得到的年尺度数据中的关键影响因素及对应的年度电力最大负荷数据，进行季节分解，得到相应的年数据趋势分量、年数据残差分量和年数据周期分量；对步骤二得到的月尺度数据中的关键影响因素及对应的月度电力最大负荷数据进行季节分解，得到相应的月数据趋势分量、月数据残差分量和月数据周期分量；步骤四：对步骤三得到的相应的年数据趋势分量、年数据残差分量和年数据周期分量，进行协整检验和降维处理，得到LSTM模型的年数据周期输入分量、年数据趋势输入分量和年数据残差输入分量；对步骤三得到的相应的月数据趋势分量、月数据残差分量和月数据周期分量进行协整检验和降维处理，得到LSTM模型的月数据周期输入分量、月数据趋势与月数据残差输入分量；步骤五：将年数据周期输入分量、年数据趋势输入分量、年数据残差输入分量、月数据周期输入分量、月数据趋势输入分量与月数据残差输入分量输入多个LSTM模型中，得到电力负荷预测值在年数据周期预测分量、年数据趋势预测分量、年数据残差预测分量、月数据周期预测分量、月数据趋势预测分量与月数据残差预测分量；步骤六：根据步骤五得出的预测分量，采用LSTM循环神经网络的自学习能力将其进行拟合，得出电力负荷预测值。2.如权利要求1所述的基于MSTL和LSTM模型的中长期电力负荷预测方法，其特征在于，步骤1所述年尺度数据包括：年度气象数据，年度经济数据，年度电力最大负荷数据；所述月尺度数据包括：月度电力最大负荷数据，月度气象数据。3.如权利要求2所述的基于MSTL和LSTM模型的中长期电力负荷预测方法，其特征在于，所述年度经济数据包括：地区生产总值，第一产业，第二产业，第三产业，地区生产总值不变价，第一产业不变价，第二产业不变价，第三产业不变价，全社会用电量，居民生活用电量，耕地面积，灌溉水田，水浇地，旱地，园地，果园，城镇村及工矿用地，城市，建制镇，村庄，采矿用地，风景名胜及特殊用地，地区生产总值，第一产业，第二产业，工业，建筑业，第三产业，交通运输仓储和邮电业，批发和零售业、住宿和餐饮业，钢材，城镇人口比重；年度气象数据包括：年度平均气温、年度最高气温、年度最低气温、年度35度以上天数和年度降雨量；年度电力最大负荷数据包括：2010年负荷、2011年负荷、2012年负荷、2013年负荷、2014年负荷、2015年负荷、2016年负荷、2017年负荷、2018年负荷、2019年负荷、2020年负荷；月度电力最大负荷数据包括：1月负荷、2月负荷、3月负荷、4月负荷、5月负荷、6月负荷、7月负荷、8月负荷、9月负荷、10月负荷、11月负荷、12月负荷；月度气象数据包括：月度平均气温、月度最高气温、月度最低气温、月度35度以上天数和月度降雨量。4.如权利要求2所述的基于MSTL和LSTM模型的中长期电力负荷预测方法，其特征在于，
步骤二具体包括：计算年度气象数据与年度电力最大负荷数据间的相关系数、年度经济数据与年度电力最大负荷数据间的相关系数，筛选出相关系数大于0.8的作为关键影响因素，及对应的年度电力最大负荷数据；计算月度气象数据与月度电力最大负荷数据间的相关系数，筛选出相关系数大于0.8的作为关键影响因素，及对应的月度电力最大负荷数据；所述相关系数计算公式如公式(1)所示：式中，Cov(X,Y)为X与Y序列的协方差，σ
x
，σ
y
为X，Y序列的对应标准差。5.如权利要求4所述的基于MSTL和LSTM模型的中长期电力负荷预测方法，其特征在于，步骤三具体包括：采用多周期趋势分解算法对年尺度数据中的关键影响因素及对应的年度电力最大负荷数据进行季节分解，得到相应的年数据趋势分量、年数据残差分量和年数据周期分量；其中，x
t
表示在t时刻的数据，表示年数据周期分量，表示年数据趋势分量，表示年数据残差分量，包括多个周期分量包括多个周期分量n表示通过多周期趋势分解算法分解得到的特定周期分量的编号；采用多周期趋势分解算法对月尺度数据中的关键影响因素及对应的月度电力最大负荷数据进行季节分解，得到相应的月数据趋势分量T
t
、月数据残差分量R
t
和月数据周期分量S
t
，其中，S
t
包括多个周期分量S
t
1,S
t
2，...，S
t
n。6.如权利要求5所述的基于MSTL和LSTM模型的中长期电力负荷预测方法，其特征在于，步骤四中年数据周期分量的处理过程包括：采用ADF检验法对年数据周期分量进行单位根检验，筛选出不满足平稳性要求的年数据周期分量进入下一步协整检验；ADF检验法采用的ADF检验模型如下：ADF检验法采用的ADF检验模型如下：ADF检验法采用的ADF检验模型如下：其中，α是常数，δt是时间趋势项，γ＝ρ
‑
1，Δy
t
为随机游走序列，Δy
t
‑
i
为Δy
t
的i阶滞后差分项，μ
t
为随机扰动项，y
t
为年数据周期分量，y
t
‑1为Δ...

【专利技术属性】
技术研发人员：余蕾，岳超，马钊，田鑫，张坤，何永秀，恩格贝，王可蕙，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：