【技术实现步骤摘要】
一种基于长短时记忆网络的综合能源系统多元负荷预测方法
[0001]本专利技术涉及一种电力系统的负荷预测方法，尤其涉及一种基于长短时记忆网络的综合能源系统多元负荷预测方法。
技术介绍
[0002]电力系统的负荷预测是电力系统调度优化运行不可缺少的一部分，可以帮助系统对可能会出现的问题提前进行处理准备。当前在电力系统负荷预测方面的研究已经非常深入，预测模型和预测方法也已经非常完善，具有很好的预测效果。但是对于综合能源领域的电负荷、热负荷的综合预测，现有方法还很难满足其精度需求。
[0003]目前常用的负荷预测方法包括传统方法和机器学习方法。传统预测方法主要有指数平滑法、趋势外推法、时间序列法和回归分析法等，这类型的预测方法只适用于在过去、现在和未来都很平稳的系统，无法应对随机出现的问题。机器学习的预测方法主要有支持向量机(SVM)、神经网络法、随机森林等方法，其中长短时记忆网络(LSTM)神经网络是近些年应用非常广泛的一种机器学习预测方法，基于其拓展的BiLSTM神经网络也得到非常广泛的应用。LSTM可以有效地解决陷入局...
【技术保护点】
【技术特征摘要】
1.一种基于长短时记忆网络的综合能源系统多元负荷预测方法，其特征在于，包括以下步骤：步骤1，在综合能源系统的历史数据中，获得训练数据集；步骤2，采用多层RBM网络模型作为综合能源系统多元负荷预测的特征提取模型，采用对比散度算法，使用所述训练数据集对多层RBM网络模型进行逐层训练；使用训练好的多层RBM网络模型完成训练数据集的特征提取；步骤3，采用LSTM网络模型作为综合能源系统多元负荷预测模型，使用获得的经特征提取后的训练数据集训练LSTM网络模型，利用训练好的LSTM网络模型计算负荷预测误差；步骤4，采用LSTM网络模型作为综合能源系统多元负荷预测的误差补偿模型，对负荷预测误差数据进行处理，用处理后的负荷预测误差数据训练误差补偿模型；训练好的误差补偿模型输出负荷预测的误差补偿值，将负荷预测值与误差补偿值重构为负荷预测结果；步骤5，建立模糊综合评价的因素集和评价集，采用模糊综合评价法对综合能源系统的多元负荷预测结果进行评价。2.根据权利要求1所述的基于长短时记忆网络的综合能源系统多元负荷预测方法，其特征在于：步骤1中所述历史数据包括：气象数据包括温度、湿度、太阳辐射、气压和风速数据；步骤1还包括：对所述历史数据进行预处理，所述预处理是对归一化处理后的数据利用滑动窗口法将数据转化为时间序列特征的数据；步骤4中对负荷预测误差数据进行处理，是将预测时刻与其前k个时刻的多元负荷预测误差构成k+1维误差数据，结合天气信息和日类型信息共同构成误差补偿模型的训练数据；所述多元负荷预测误差包括电负荷预测误差、热负荷预测误差和冷负荷预测误差。3.根据权利要求1所述的基于长短时记忆网络的综合能源系统多元负荷预测方法，其特征在于：所述步骤2包括以下过程：(2.1)多层RBM设为两层神经网络，第一层为可见层，第二层为隐藏层；确定每层多层RBM的可见层与隐藏层的神经元个数，可见层与隐藏层之间采用全连接方式，层内神经元无连接，神经元之间的连接为神经元之间的权值；(2.2)无监督地训练每一层多层RBM网络，训练的目标函数为模型能量函数的值最小：式中，E(v，h)表示RBM的能量函数，用于描述状态是否稳定，n
v
表示可见层神经元的个数，n
h
表示隐藏层神经元的个数，权重矩阵W＝(w
i，j
)表示可见层神经元v
i
与隐藏层神经元h
j
之间的权值，a
i
表示可见层神经元v
i
的偏置，b
j
表示隐藏层神经元h
j
的偏置。4.根据权利要求1所述的基于长短时记忆网络的综合能源系统多元负荷预测方法，其特征在于：所述综合能源系统多元负荷预测模型的具体函数为：f
t
＝sigmoid(W
f
·
h
t
‑1+W
f
·
x
t
+b
f
)i
t
＝sigmoid(W
i
·
h
t
‑1+W
i
·
x
t
+b
i
)h
t
＝o
t
⊙
tanh(C
t
)其中f
t
、i
t
、o
t
分别表示神经元的遗忘门、输入门、输出门的输出信号；表示神经元候
选状态信息；C
t
表示神经元状态信息；h
t
【专利技术属性】
技术研发人员：付明，黄堃，赵景涛，梁加本，王海龙，张晓燕，王丙文，刘俊，吴新华，章寒冰，叶吉超，倪筹帷，
申请(专利权)人：国网电力科学研究院有限公司国网浙江省电力有限公司电力科学研究院国网浙江省电力有限公司丽水供电公司国家电网有限公司，
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。