【技术实现步骤摘要】
一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法
[0001]本专利技术涉及电力系统的
,更具体地,涉及一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法。
技术介绍
[0002]电力系统负荷预测是指对未来负荷发展变化做出预先估计和推测,是电力系统规划、调度等部门的基础工作,对电力系统规划与运行起着至关重要的作用。根据预测时间尺度的不同,负荷预测可分为超短期预测、短期预测、中长期预测等,其中中长期负荷预测主要是针对月度及以上时间尺度的负荷进行预测,准确的中长期负荷预测有利于供电公司掌握不同行业用户的用电规律,从而为供电公司进行行业布局规划、资源优化配置、供电业务管理等提供重要的决策支持。近年来,随着智能电表以及其他智能量测设备的不断升级与广泛普及,电力部门可以收集到数量更大、精度更高的行业负荷数据及外部数据,这为以大数据、人工智能为代表的新型负荷预测技术奠定了坚实的数据基础。
[0003]为了克服传统单一预测模型鲁棒性一般、泛化性能不足的问题,基于集成学习算法的组合预测模型应运而生。相较于单一模型,将多个模型进行集成组合,常可获得更加优越的泛化性能。当每种单一模型包含预测对象的不同信息时,采用组合预测的方法可以提高预测结果的精度。然而,当前组合模型的研究多是针对短期负荷预测,基于组合模型的中长期负荷预测研究较少。相较于短期负荷预测,中长期负荷预测具有训练样本少、时间跨度大、负荷变化规律弱等特点。因此,当前研究较多的基于深度学习神经网络、集成树的负荷预测模型常 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法,其特征在于,包括以下步骤:步骤1:采用过滤式特征选择方法,基于皮尔逊相关系数评估量化行业中长期负荷与其影响因素的关联程度,根据量化结果提取行业中长期负荷的关键影响因素;步骤2:分别构建考虑负荷时序变化特性的长短期记忆神经网络预测模型和考虑负荷非线性特征的支持向量回归预测模型;步骤3:根据步骤1提取的关键影响因素以及步骤2构建的两个预测模型,构建基于长短期记忆神经网络和支持向量回归的考虑负荷综合特征的最优组合预测模型,并基于均方误差最小化准则确定两个模型的权重系数。2.根据权利要求1所述的一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法,其特征在于:所述的步骤1具体为:基于皮尔逊相关系数评估量化行业中长期负荷与其影响因素的关联程度,其计算公式如式(1)所示:式中,r表示行业X和影响因素F之间的相关系数,X
i
表示行业第i月度的负荷,F
i
表示影响因素F第i月度的数据,和分别表示行业X和影响因素F的样本数据均值;皮尔逊相关系数r介于
‑
1和+1之间,|r|越接近1,则二者相关程度越高,r>0表示二者正相关,r<0表示二者负相关;所述关键影响因素的提取方法为:筛选出|r|>0.5的影响因素作为关键影响因素。3.根据权利要求1所述的一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法,其特征在于:所述的步骤2具体为:构建考虑负荷时序变化特性的长短期记忆神经网络预测模型,长短期记忆神经网络的核心是细胞状态,负荷的历史特征信息通过细胞状态进行传递,信息的传输与控制由长短期记忆神经网络的门结构实现;所述的考虑负荷时序变化特性的长短期记忆神经网络预测模型的计算公式如式(2)
‑
(7)所示:f
t
=σ(W
f
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)i
t
=σ(W
i
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)o
t
=σ(W
o
[h
t
‑1,x
t
]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)(4)(4)式中,f
t
,i
t
,o
t
,分别为遗忘门、输入门、输出门系数及候选负荷状态值,控制负荷历史特征及负荷相关特征的传输;h
技术研发人员:林振智,张昆明,章天晗,林之岸,陈昌铭,刘畅,杨莉,龚贤夫,孙辉,彭勃,李耀东,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
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。