一种基于LSTM神经网络的网供负荷预测系统及方法技术方案

本发明专利技术公开了一种基于LSTM神经网络的网供负荷预测系统及方法，包括CNN

【技术实现步骤摘要】
一种基于LSTM神经网络的网供负荷预测系统及方法


[0001]本专利技术涉及一种电荷预测技术，尤其涉及一种基于LSTM神经网络的网供负荷预测系统及方法。

技术介绍

[0002]电力负荷预测是以电力负荷为对象进行的一系列预测工作，是电力系统规划中的重要组成部分，同时也是电力系统经济运行的基础。日负荷预测作为一种短期负荷预测，对于电力系统调度、安排日发电计划等意义重大，也是目前电力系统负荷预测的研究热点之一。根据预测的时间跨度可分为：短期预测(几分钟到一周)、中期预测(一个月到一个季度)和长期预测(一年以上)。
[0003]由于现有技术条件下，电能很难有效地存储在大型储电装置中，因此，在满足供电需求的条件下，尽可能地降低剩余发电量，是减少成本，提高电能使用效率的有效途径。因此，采用各种预测方法准确地预测出区域内中短期供电负荷，对规划和指导发电企业有效生产电能是十分必要的。
[0004]目前，有很多主流的方法应用于电力负荷预测，像人工神经网络(ArtificialNeuralNetwork，ANN)、支持向量机(SupportVectorMachine，SVM)、高斯过程回归(GaussionProcessRegression，GPR)、自回归移动平均模型(AutoregressiveIntegratedMovingAverageModel，ARIMA)等。
[0005]目前负荷预测系统的功能不完善，且在负荷预测时因用户准确度要求、时间要求等的不同导致泛化能力弱，不能高效进行负荷预测。
专利
技术实现思路

[0006]为解决上述技术问题，本专利技术提供了基于LSTM神经网络的网供负荷预测系统及方法，完成日前、日内和实时多时间层次负荷预测，实现了油气田区负荷的精准预测。
[0007]为实现上述目的，本专利技术提供了基于LSTM神经网络的网供负荷预测系统，包括CNN
‑
BiLSTM
‑
Skip混合神经网络模型，所述CNN
‑
BiLSTM
‑
Skip混合神经网络模型包括：卷积层，使用 CNN 中的卷积层提取多元时间序列数据的特征，用于从负荷变化的时间序列数据中提取短期模式和变量之间的局部依赖关系，发掘多个特征之间的相互关系并有效滤除噪声和不稳定成分；循环层，用于捕捉历史信息中相对长期的依赖关系；循环跳过层，用于捕获负荷序列中超长期的重复模式；全连接层，用于组合循环层和循环跳过层的输出作为非线性部分的预测结果；以及自回归层，用于预测负荷数据中的线性部分。
[0008]优选的，所述卷积层由宽度为w和高度为n的多个过滤器组成；第k个滤波器扫描输入矩阵X并产生
ꢀꢀꢀꢀꢀ
（1）
其中，*为卷积运算，为输出向量。RELU函数为 RELU(x)=max(0,x)。在输入矩阵X的左侧用零填充法使每个向量长度为T；卷积层的输出矩阵大小为dc*T，其中，dc表示滤波器的数量。
[0009]优选的，所述循环层设定如下：遗忘门:
ꢀꢀ
（2）输入门:
ꢀꢀ
（3）单元:
ꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀ
（5）输出门:
ꢀꢀ
（6）最终输出:
ꢀꢀ
（7）进一步挖掘当前负荷数据同过去及未来时刻负荷数据的内在联系：
ꢀꢀ
（8）其中，、、、、、、、为各门训练参数，tanh为tanh函数，为sigmoid函数；为前向隐藏层状态；为后向隐藏层状态；为前向传播单元隐藏层输出权重；为后向传播单元隐藏层输出权重；为当前时刻隐藏层偏置优化参数。
[0010]优选的，所述循环跳过层的更新过程表示如下：
ꢀꢀꢀ
（9） （10）
ꢀꢀꢀ
（11）
ꢀꢀꢀꢀꢀ
（12）
ꢀꢀꢀ
（13）最终输出：
ꢀꢀꢀꢀ
（14）其中，p是被跳过的隐藏单元格的数量，由于负荷是具有清晰周期模式的数据集，使用表示循环层在t时刻的输出，使用表示循环跳过层在t
‑
p+1到t时刻的输出。
[0011]优选的，所述全连接层的预测结果如下：
ꢀꢀ
（15）其中，为非线性部分在t时刻的预测结果。
[0012]优选的，所述自回归层的预测结果如下：
ꢀꢀ
（16）其中，和为AR自回归模型的系数，为输入窗口的大小，为整合神经网络部分和AR自回归模型线性部分的预测结果；通过整合神经网络部分和AR自回归模型的输出得到该模型的最终预测结果：
ꢀꢀꢀ
（17）式中表示在时间戳t时刻的最终预测结果。
[0013]一种基于LSTM神经网络的网供负荷预测方法，包括以下步骤：S1、训练预测模型通过使用过去的历史负荷数据，结合影响负荷的影响因素作为训练数据来对负荷预测进行训练，从而获得预测模型；S2、预测S21、对前一天的历史负荷数据进行归一化预处理，输入数据；S22、进入卷积网络CNN，提取时间维度上的短期模式以及变量之间的局部依赖关系；因为卷积层和循环层的非线性特性会降低负荷中非周期变化数据的精度，所以负荷数据中线性的部分同时采用AR自回归模型来预测；S23、进入LSTM，通过单元状态上的门结构来决定去记住或遗忘哪些相关信息,而Bi LSTM网络训练过程通过双向网络使得过去和未来的隐藏层的状态并进行递归反馈，因此能够进一步挖掘当前负荷数据同过去及未来时刻负荷数据的内在联系，进一步提升模型预测精度和特征数据利用率；
S24、使用加入循环跳过层的LSTM
‑
Skip 算法来缓解梯度消失现象；S25、通过全连接层用来输出负荷的预测点；S26、最后整合神经网络部分和AR自回归模型的输出得到该模型的最终预测结果。
[0014]本专利技术的有益效果如下：1、基于神经网络算法改进的CNN
‑
BiLSTM
‑
Skip算法获得了较为准确的负荷预测数据；2、完成日前、日内和实时多时间层次负荷预测，实现了油气田区负荷的精准预测。
[0015]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0016]图1为本专利技术的基于LSTM神经网络的网供负荷预测系统的结构示意图；图2为本专利技术的LSTM单元结构图；图3为本专利技术的基于LSTM神经网络的网供负荷预测方法的预测流程图；图4为2020年11月到2021年9月电负荷分布情况图；图5为2020年11月到2020年12月电负荷分布情况图；图6为2021年1月电负荷分布情况图；图7为2021年2月到9月电负荷分布情况图；图8为 2021年2月到2021年5月电负荷分布情况图；图9为2021年2月到2021年5月取某一天电负荷分布情况图；图10为2021年6月到2021年9月电负荷分布情况图；图11为2021年6月到2021年9月取某一天电负荷分布情况图；图12为本专利技术的仿真实验的预测结果图。
具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM神经网络的网供负荷预测系统，其特征在于：包括CNN
‑
BiLSTM
‑
Skip混合神经网络模型，所述CNN
‑
BiLSTM
‑
Skip混合神经网络模型包括：卷积层，使用 CNN 中的卷积层提取多元时间序列数据的特征，用于从负荷变化的时间序列数据中提取短期模式和变量之间的局部依赖关系，发掘多个特征之间的相互关系并有效滤除噪声和不稳定成分；循环层，用于捕捉历史信息中相对长期的依赖关系；循环跳过层，用于捕获负荷序列中超长期的重复模式；全连接层，用于组合循环层和循环跳过层的输出作为非线性部分的预测结果；以及自回归层，用于预测负荷数据中的线性部分。2.根据权利要求1所述的一种基于LSTM神经网络的网供负荷预测系统，其特征在于：所述卷积层由宽度为w和高度为n的多个过滤器组成；第k个滤波器扫描输入矩阵X并产生
ꢀꢀꢀꢀꢀꢀꢀ
（1）其中，*为卷积运算，为输出向量，RELU函数为 RELU(x)=max(0,x)，在输入矩阵X的左侧用零填充法使每个向量长度为T；卷积层的输出矩阵大小为dc*T，其中，dc表示滤波器的数量。3.根据权利要求2所述的一种基于LSTM神经网络的网供负荷预测系统，其特征在于：所述循环层设定如下：遗忘门:
ꢀꢀꢀ
（2）输入门:
ꢀꢀꢀꢀꢀ
（3）单元:
ꢀꢀꢀꢀꢀꢀꢀ
（4）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（5）输出门:
ꢀꢀꢀꢀ
（6）最终输出:
ꢀꢀꢀꢀꢀ
（7）进一步挖掘当前负荷数据同过去及未来时刻负荷数据的内在联系：
ꢀꢀꢀꢀꢀꢀ
（8）其中，、、、、、、、为各门训练参数，tanh为tanh函数，为sigmoid函数；为前向隐藏层状态；为后向隐藏层状态；为前向传播单元隐藏层输出权重；为后向传播单元隐藏层输出权重；为当前时刻隐藏层偏置优化参数。4.根据权利要求3所述的一种基于LSTM神经网络的网供负荷预测系统，其特征在于：所述循环跳过层的更新过程表示如下：
ꢀꢀꢀꢀꢀꢀꢀ
（9）
ꢀꢀꢀ
（10）...

【专利技术属性】
技术研发人员：张照彦，辛博，成霄楠，王帅虎，刘志宾，刘志恒，孙绣程，田孟德，
申请(专利权)人：河北大学，
类型：发明
国别省市：