【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:
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。