负荷预测方法、装置和芯片设备制造方法及图纸

本发明专利技术公开了一种负荷预测方法、装置和芯片设备，负荷预测方法包括：获取待预测时间段内连续的m条待预测时间序列负荷数据，其中，m为大于1的整数；对待预测时间序列负荷数据进行正态分布处理，得到待预测正态分布负荷数据；将待预测时间序列负荷数据和待预测正态分布负荷数据进行融合，得到融合后的待预测负荷数据；将融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型，输出负荷预测结果。本发明专利技术实施例的负荷预测方法，提高改进长短期记忆LSTM网络模型对突变负荷数据的灵敏度和增加负荷数据预测的准确性。的灵敏度和增加负荷数据预测的准确性。的灵敏度和增加负荷数据预测的准确性。

【技术实现步骤摘要】
负荷预测方法、装置和芯片设备


[0001]本专利技术涉及电力预测
，特别涉及一种负荷预测方法、一种负荷预测装置、一种芯片设备。

技术介绍

[0002]目前，对电力系统负荷进行预测，不仅可以为电力系统的设计、计划提供可靠的信息，而且对电力系统的经济性运行也起着至关重要的作用。负荷预测的精准度是电力企业现代化程度的一个指标，采用科学、合理的方法进行负荷预测，可以提高电力系统负荷预测的精准度。在电力企业的发展中，要充分发挥负荷预测的功能，应对电力市场的价格变动，从而保障电力系统的安全和稳定运行，改善电力系统的经济性运行。
[0003]随着国家能源革命和数字革命的深度融合，大数据和人工智能技术在能源领域开展深入结合与应用，能够促进能源资源的合理配置，大幅度提高能源的利用效率。用户电能数据大多来源于电表采集，使用数据挖掘、数据分析和深度学习等技术对其进行分析，可深度了解政府、企业和居民的能源需求，更好地制定发电计划。电力负荷数据属于时序变化序列，受经济水平、气象和人口等非线性因素影响。
[0004]随着电网的数据日益增多，负荷预测建模难度增加,负荷数据容易受各种因素的影响，数据的不确定性比较大，因此负荷数据复杂度较高且具有突变性。目前常见的负荷预测方法有统计学方法、机器学习方法等，其中统计学方法有回归分析法、波动模型等方法；机器学习方法有BP（Back Propagation，反向传播）神经网络法、支持向量机法、随机森林、卷积神经网络等方法。然而，这些方法对负荷数据拟合程度差，对负荷预测中突变数据没有足够的灵敏度，精度无法达到负荷预测的预期。

技术实现思路

[0005]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的目的在于提出一种负荷预测方法、装置和芯片设备，以提高负荷数据预测的准确率。
[0006]为达到上述目的，本专利技术第一方面实施例提出了一种负荷预测方法，所述方法包括：获取待预测时间段内连续的m条待预测时间序列负荷数据，其中，m为大于1的整数；对所述待预测时间序列负荷数据进行正态分布处理，得到待预测正态分布负荷数据；将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合，得到融合后的待预测负荷数据；将所述融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型，输出负荷预测结果；其中，改进长短期记忆LSTM网络模型包括依次连接的m个网络单元，在训练所述改进长短期记忆LSTM网络模型时，通过多标签输出优化所述改进长短期记忆LSTM网络模型的损失函数。
[0007]另外，本专利技术实施例的负荷预测方法还可以具有如下附加技术特征：根据本专利技术的一个实施例，所述将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合，包括：对所述待预测时间序列负荷数据进行归一化处理，得到待
预测归一化负荷数据；将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合。
[0008]根据本专利技术的一个实施例，所述将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合，包括：对所述待预测正态分布负荷数据进行中值差分处理；将所述待预测归一化负荷数据和中值差分处理后的待预测正态分布负荷数据进行融合。
[0009]根据本专利技术的一个实施例，所述改进长短期记忆LSTM网络模型的训练过程，包括：构建训练样本集，其中，所述训练样本集包括多个训练样本及其对应的第一标签真实值、第二标签真实值，每个所述训练样本包括连续的m条历史时间序列负荷数据；分别对每个所述训练样本及其对应的标签真实值进行归一化处理，以及分别对每个所述训练样本进行正态分布处理，并对正态分布处理后的训练样本进行中值差分处理；分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合，得到更新后的训练样本；构建改进长短期记忆LSTM网络模型；在每个训练周期，将更新后的训练样本的输入当前训练周期的改进长短期记忆LSTM网络模型，得到第一标签预测值和第二标签预测值，并根据归一化处理后的第一标签真实值和所述第一标签预测值、归一化处理后的第二标签真实值和所述第二标签预测值，计算当前训练周期的损失函数，以及判断所述损失函数是否满足训练结束条件；若不满足，则根据所述损失函数通过反向传播对当前训练周期的改进长短期记忆LSTM网络模型中各单元的权重参数进行调整，并将调整后的改进长短期记忆LSTM网络模型用于下一训练周期的训练；若满足，则将当前训练周期的改进长短期记忆LSTM网络模型作为所述训练好的改进LSTM模型。
[0010]根据本专利技术的一个实施例，所述构建训练样本集，包括：获取预设历史时间段内连续的n条历史时间序列负荷数据，其中，n为大于m的整数；对进行预处理，得到训练数据与标签数据，其中，表示所述训练数据中的第i个元素对应的第一标签真实值，表示所述训练数据中的第i个元素对应的第二标签真实值，所述训练数据中的每个元素作为一个训练样本。
[0011]根据本专利技术的一个实施例，所述分别对每个所述训练样本及其对应的标签真实值进行归一化处理，包括：获取中的最大值。
[0012]通过如下公式对所述训练数据进行归一化：其中，表示归一化训练数据。
[0013]通过如下公式对所述标签数据进行归一化：其中，表示归一化标签数据。
[0014]根据本专利技术的一个实施例，所述分别对每个所述训练样本进行正态分布处理，包括：通过如下公式对所述训练数据进行正态分布处理：
其中，表示正态分布值集合，，。
[0015]根据本专利技术的一个实施例，所述对正态分布处理后的训练样本进行中值差分处理，包括：通过如下公式对进行中值处理：其中，表示中值集合，表示对序列b中的数据进行排序，并取排序后数据序列中的中间值；通过如下公式对进行差分处理：其中，表示对应的差分值，表示中第i个正态分布数据中第j个元素的正态分布值，表示中第i个中值，，，。
[0016]根据本专利技术的一个实施例，所述分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合，包括：通过如下公式对和进行融合：其中，表示更新后的第i个训练样本中第j个值。
[0017]根据本专利技术的一个实施例，通过如下公式计算所述当前训练周期的损失函数：其中，，，表示对应的预测值，表示对应的预测值。
[0018]根据本专利技术的一个实施例，每个所述网络单元包括：忘记门、输入门、状态子单元、第一输出门和第二输出门，所述网络单元的计算公式如下：所述忘记门的输出为：其中，表示t时刻所述忘记门的输出，表示激活函数Sigmoid，表示t时刻的负荷数据，作为所述忘记门的输入表示上一个网络单元的第二输出门的输出值，表示公式中的权重，表示公式中的权重，和表示所述忘记门的偏置；所述输入门的输出为：其中，，，表示t时刻所述输入门的输出，表示中的权重，表示中的权重，表示中的权重，表示中的权重，、表示的偏置，、表示的偏
置，；所述第一输出门的输出为：其中，表示t时刻所述第一输出门的输出，表示公式中的权重，表示公式中的权重，、表示所述第一输出门的偏置；所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种负荷预测方法，其特征在于，所述方法包括：获取待预测时间段内连续的m条待预测时间序列负荷数据，其中，m为大于1的整数；对所述待预测时间序列负荷数据进行正态分布处理，得到待预测正态分布负荷数据；将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合，得到融合后的待预测负荷数据；将所述融合后的待预测负荷数据输入至预先训练好的改进长短期记忆LSTM网络模型，输出负荷预测结果；其中，改进长短期记忆LSTM网络模型包括依次连接的m个网络单元，在训练所述改进长短期记忆LSTM网络模型时，通过多标签输出优化所述改进长短期记忆LSTM网络模型的损失函数。2.根据权利要求1所述的负荷预测方法，其特征在于，所述将所述待预测时间序列负荷数据和所述待预测正态分布负荷数据进行融合，包括：对所述待预测时间序列负荷数据进行归一化处理，得到待预测归一化负荷数据；将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合。3.根据权利要求2所述的负荷预测方法，其特征在于，所述将所述待预测归一化负荷数据和所述待预测正态分布负荷数据进行融合，包括：对所述待预测正态分布负荷数据进行中值差分处理；将所述待预测归一化负荷数据和中值差分处理后的待预测正态分布负荷数据进行融合。4.根据权利要求3所述的负荷预测方法，其特征在于，所述改进长短期记忆LSTM网络模型的训练过程，包括：构建训练样本集，其中，所述训练样本集包括多个训练样本及其对应的第一标签真实值、第二标签真实值，每个所述训练样本包括连续的m条历史时间序列负荷数据；分别对每个所述训练样本及其对应的标签真实值进行归一化处理，以及分别对每个所述训练样本进行正态分布处理，并对正态分布处理后的训练样本进行中值差分处理；分别将每个归一化处理后的训练样本和中值差分处理后的训练样本进行融合，得到更新后的训练样本；构建改进长短期记忆LSTM网络模型；在每个训练周期，将更新后的训练样本的输入当前训练周期的改进长短期记忆LSTM网络模型，得到第一标签预测值和第二标签预测值，并根据归一化处理后的第一标签真实值和所述第一标签预测值、归一化处理后的第二标签真实值和所述第二标签预测值，计算当前训练周期的损失函数，以及判断所述损失函数是否满足训练结束条件；若不满足，则根据所述损失函数通过反向传播对当前训练周期的改进长短期记忆LSTM网络模型中各单元的权重参数进行调整，并将调整后的改进长短期记忆LSTM网络模型用于下一训练周期的训练；若满足，则将当前训练周期的改进长短期记忆LSTM网络模型作为所述训练好的改进LSTM模型。5.根据权利要求4所述的负荷预测方法，其特征在于，所述构建训练样本集，包括：获取预设历史时间段内连续的n条历史时间序列负荷数据，其中，n
为大于m的整数；对进行预处理，得到训练数据与标签数据，其中，表示所述训练数据中的第i个元素对应的第一标签真实值，表示所述训练数据中的第i个元素对应的第二标签真实值，所述训练数据中的每个元素作为一个训练样本。6.根据权利要求5所述的负荷预测方法，其特征在于，所述分别对每个所述训练样本及其对应的标签真实值进行归一化处理，包括：获取中的最大值；通过如下公式对所述训练数据进行归一化：其中，表示归一化训练数据；通过如下公式对所述标签数据进行归一化：其中，表示归一化标签数据。7.根据权利要求6所述的负荷预测方法，其特征在于，所述分别对每个所述训练样本进行正态分布处理，包括：通过如下公式对所述训练数据进行正态分布处理：通过如下公式对所述训练数据进行正态分布处理：其中，表示正态分...

【专利技术属性】
技术研发人员：魏世安，甄岩，郑利斌，曹延成，王洪勉，赵猛，李胜明，翟长昊，
申请(专利权)人：北京智芯微电子科技有限公司，
类型：发明
国别省市：