一种Bi-LSTM-Attention的短期电力负荷预测方法技术

本发明专利技术公开了一种基于Bi

【技术实现步骤摘要】
一种Bi
‑
LSTM
‑
Attention的短期电力负荷预测方法


[0001]本专利技术属于节能
，涉及计算机在节能技术的应用，特别涉及一种基于Bi
‑
LSTM
‑
Attention模型的短期电力负荷预测方法。

技术介绍

[0002]随着各种节能技术的发展，准确的负荷预测在能源节能管理中所起作用越来越重要。近年来，负荷预测技术日益受到人们的重视。通常，负荷预测包括一年以上负荷的长期负荷预测(LTLF，long
‑
time load forecast)、几周到一年负荷的中期负荷预测(MTLF，medium
‑
time load forecast)、一天到一周负荷的短期负荷预测(STLF，short
‑
time load forecast)以及几分钟到几小时负荷的极短负荷预测(VSTLF，very short
‑
time load forecast)
[1]。LTLF和MTLF可以估计负载的变化趋势，适用于系统在设计阶段的长期规划。STLF和VSTLF能产生精确的控制和调度负载需求，更适合现有系统的短期控制。
[0003]负荷预测是统计和计算机科学中较早开始的一类关于时间序列预测的研究。目前，这些方法已经逐渐从传统的统计方法发展到今天基于人工智能的模型或混合模型。
[0004]时间序列预测中最常用的模型有—自回归模型、移动平均模型、自回归滑动平均模型、自回归综合移动平均模型、季节性综合自回归移动平均模型。这些模型及方法侧重于具有线性关系和时间依赖性的单变量数据，这使得对具有非线性特征的时间序列的有效性较差。负荷属于具有非线性特征的时间序列类型，负荷预测受多种随机因素的影响，包括天气条件、时间信息、居住者行为
[2～4]等。
[0005]近年来，随着深度学习的迅速发展，以循环神经网络(RNN)为主体的预测模型在处理时序数据方面受到广泛关注。值得注意的是，长短时记忆(LSTM，long
‑
short term memory)网络
[5]的提出促进了RNN的发展，其通过增加门控单元，有效缓解了RNN存在的梯度爆炸和梯度消失问题
[6]。LSTM能够识别时间序列预测中数据的结构和模式，如非线性和复杂性，从而能够预测具有强非线性的复杂时间序列。文献
[7]使用LSTM进行能耗预测，相较于BP神经网络，LSTM具有更高的预测精度。Marino等人尝试使用LSTM方法
[8]解决相同的负荷预测问题，并展示了与文献
[9]类似的结果。尽管LSTM在处理复杂的非线性数据时有许多优点，但也有其局限性。LSTM更复杂，也更难训练，在某些情况下，它的性能并不比简单的ARIMA模型好
[10]。为了提高其性能，越来越多的研究者通过将LSTM与传统方法或其他机器学习方法相结合来改进预测模型。例如，Cai等人
[11]将两种深度学习模型(RNN和CNN，convolution neural network)与ARIMA方法用于多步骤负荷预测，并进行了比较。结果表明，基于深度学习的模型比ARIMA模型的预测精度提高了22.6％。
[0006]不同类型的序列数据往往具有不同的特征，这对预测模型的选择、模型参数的设置和结果的准确性有很大影响。在以往的研究中，负荷预测的研究数据通常基于天气信息、时间信息和历史负荷
[12～15]。近些年兴起的双向LSTM(BiLSTM，bidirectional LSTM)是正向LSTM和反向LSTM的组合，可以从序列的正向和反向拟合数据，以达到更高的预测精度
[16]。注意力机制是一种通过权重分配使不同输入特征中的重要信息在模型训练中得以保留，提
sector[J].Energy and Buildings，2015，90:127
‑
136。
[0022]【15】Grolinger K，L
’
Heureux A,Capretz M A M，et al.Energy forecasting for event venues:Big data and prediction accuracy[J].Energy and buildings，2016，112:222
‑
233。
[0023]【16】Wu K，Wu J，Feng L，et al.An attention
‑
based CNN
‑
LSTM
‑
BiLSTM model for short
‑
term electric load forecasting in integrated energy system[J].International Transactions on Electrical Energy Systems，2021，31(1):e12637。
[0024]【17】赵兵，王增平，纪维佳，等.基于注意力机制的CNN
‑
GRU短期电力负荷预测方法[J].电网技术，2019，43(12):4370
‑
4376。
[0025]【18】Graves A，Jaitly N，Mohamed A.Hybrid speech recognition with deep bidirectional LSTM[C]//Proc of IEEE workshop on automatic speech recognition and understanding.Piscataway，NJ:IEEE Press，2013:273
‑
278。
[0026]【19】Graves A，Schmidhuber J.Framewise phoneme classification with bidirectional LSTM and other neural network architectures[J].Neural networks,2005，18(5
‑
6):602
‑
610。
[0027]【20】Wang Y，Huang M，Zhu X,et al.Attention
‑
based LSTM for aspect
‑
level sentiment classification[C]//Proc of EMNLP.Stroudsburg:ACL Press，2016:606
‑
615。
[0028]【21】Mirjalili S，Lewis A.The whale optimization algorithm[J].Advances in engineering software，2016，95:51<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Bi
‑
LSTM
‑
Attention模型的短期电力负荷预测方法，其特征在于，该方法通过将时序历史负荷数据和天气信息数据作为输入，利用Bi
‑
LSTM神经网络模型进行双向循环训练，学习负荷数据的正、反向规律，在此模型基础上引入Attention机制，通过为特征分配权重来突出不同特征对预测模型的重要程度；同时，针对Bi
‑
LSTM
‑
Attention模型，通过改进的鲸鱼优化算法实现模型超参数的优化选择，进一步提...

【专利技术属性】
技术研发人员：冯增喜，葛珣，周瑶佳，李嘉乐，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：