【技术实现步骤摘要】
一种基于PSO
‑
CNN
‑
LSTM模型的负荷预测方法
[0001]本专利技术涉及负荷预测领域。
技术介绍
[0002]在过去的几十年里,由于行业和经济的根本性变化,能源消耗正在迅速加速。在这种趋势下,用电量预测已成为电力系统自动化管理中不可或缺的一步。由于其昂贵的存储成本,电能必须在发电厂产生的同时被消耗。过度估计能源消耗会导致不必要的闲置产能,而低估会增加供应商的运营成本并导致潜在的能源中断。 电能消耗预测包括几个时间序列变量。此外,电力需求代表各种模式,包括不规则的时间序列成分。因此,很难使用经典的预测方法来预测电能消耗。变量建模也很困难,因为它涉及从各种传感器收集的变量之间的复杂非线性模式。最近,神经网络技术被认为比现有的统计预测模型更有用,因为它可以很容易地映射非线性函数。
[0003]已经提出了多种神经网络来预测能源消耗,但是不充分的网络结构对于实际应用来说效率低下。搜索适当超参数的技术是手动的并且非常复杂。此外,这些神经网络可以非线性映射复杂的能耗变量,但很难记住以前的记忆。因此,随着数据随着时间的推移变得更大和更复杂,经典神经网络会因过度拟合而遭受性能下降。
技术实现思路
[0004]本专利技术为解决目前凭经验调整模型超参数技术问题,提供了一个以PSO寻找模型最优参数解并结合CNN
‑
LSTM的混合网络模型,已达到更精准的负荷预测。
[0005]一种基于PSO
‑
CNN
‑
LSTM ...
【技术保护点】
【技术特征摘要】
1.一种基于PSO
‑
CNN
‑
LSTM模型的负荷预测方法,其特征在于,所述方法包括以下步骤:(1)选择训练数据集,并对数据集以步长为24个点进行窗口划分。(2)基于长短期记忆神经网络和卷积神经网络构建好电力负荷预测模型。(3)利用粒子群(PSO)优化算法对CNN
‑
LSTM模型超参数进行优化,利用粒子群算法搜寻到最优模型超参数。(4)设定好模型超参数以及其他参数,并输入训练数据集到模型进行训练,。(5)保存好训练好的模型。(6)利用测试数据集对训练得到的模型进行测试,整理数据。2.如权利要求1所述的一种基于PSO
‑
CNN
‑
LSTM模型的负荷预测方法,其特征在于,所述步骤(1)包括:选择训练数据集,并对数据集以步长为24个点进行窗口划分。本发明使用的从江西省电电力公司收集到的整个鹰潭市地区过去3年的负荷数据,负荷数据是每小时进行采样的,并将数据集进行了归一化。将收集到的横向数据集转换为纵向数据集,并将数据集以24个时间步长按滑动窗口进行划分。取百分之70数据作为训练集,百分之30作为测试集。3.如权利要求1所述的一种基于PSO
‑
CNN
‑
LSTM模型的负荷预测方法法,其特征在于,所述步骤(2)包括:基于长短期记忆神经网络和卷积神经网络构建好电力负荷预测模型。本发明使用CNN
‑
LSTM组合而成的混合模型。卷积层用于从输入数据中提取有价值的特征,而 LSTM层用于利用短期和长期依赖关系。CNN特征提取块由1个1D卷积层组成,卷积操作非常有效,在深度学习框架中堆积几个卷积层使初始层能够学习应用输入中的低级特征。在卷积层之后添加池化层,以减轻生成的特征图不变性的限制,而激活函数用...
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。