一种基于LSTM与多模型集成的负荷预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于LSTM与多模型集成的负荷预测方法及装置，所述方法包括：采集电力系统历史运行数据；将采集的电力系统历史运行数据，输入构建的基于LSTM与多模型集成的负荷预测模型，输出负荷预测结果。本发明专利技术所述基于LSTM与多模型集成的负荷预测模型通过均值编码方法解决了对离散数据处理不佳的问题，通过LSTM网络解决了对数据的时序相关性考虑不足的问题，通过Stacking模型解决了模型泛化性不佳的问题。因此，本发明专利技术具备高效处理离散数据、考虑数据时序相关性、模型泛化性优越等优点。点。点。

【技术实现步骤摘要】
一种基于LSTM与多模型集成的负荷预测方法及装置


[0001]本专利技术属于电力负荷预测
，具体涉及一种基于LSTM与多模型集成的负荷预测方法及装置。

技术介绍

[0002]电力负荷预测是电力系统规划、用电、调度等方面的重要基础工作，准确、合理的负荷预测能够为电力系统的优化调度、安全运行与合理定价等决策提供关键的数据支撑，有效地提高经济效益，促进电能消纳。
[0003]目前，电力负荷预测方法已经有了较为成熟的研究。主流的预测方法如统计方法，原理简单，容易实现，但是当样本数据较为复杂时，预测效果一般；另一类方法人工智能算法，对时间序列的处理效果较差，在对较长时间序列进行预测时效果差强人意。目前，常用的电力系统负荷预测深度学习算法普遍存在忽略标签之间的内在联系、忽视数据时序相关性、泛化性较差等问题，导致模型预测效果较差。

技术实现思路

[0004]为解决现有技术中的不足，本专利技术提供一种基于LSTM与多模型集成的负荷预测方法及装置，本专利技术具备高效处理离散数据、考虑数据时序相关性、模型泛化性优越等优点。
[0005]为达到上述目的，本专利技术所采用的技术方案是：
[0006]第一方面，提供一种负荷预测方法，包括：采集电力系统历史运行数据；将采集的电力系统历史运行数据，输入构建的基于LSTM与多模型集成的负荷预测模型，输出负荷预测结果。
[0007]进一步地，所述基于LSTM与多模型集成的负荷预测模型，包括：数据预处理模块，用于对电力系统历史运行数据进行预处理，获得预处理数据；负荷预测模块，用于将预处理数据输入训练好的Stacking预测模型，获得预测结果。
[0008]进一步地，对电力系统历史运行数据进行预处理，包括：使用均值编码的方式对电力系统历史运行数据中的离散数据进行处理，并将经过均值编码处理后的离散数据与电力系统历史运行数据中的序列数据进行整合，再对整合后的序列数据采用以下公式进行Z
‑
score标准化，得到第一特征数据：
[0009][0010]其中，x
i
为原始样本数据，z
i
为标准化后的样本数据，μ为所有样本数据的均值，σ为所有样本数据的标准差；将电力系统历史运行数据中的负荷数据输入到多层LSTM神经网络中进行特征提取，得到第二特征数据；将第一特征数据、第二特征数据及电力系统历史运行数据中的其他连续数据整合在一起，得到预处理数据。
[0011]进一步地，所述多层LSTM神经网络的计算公式如下：
[0012]I
t
＝f(X
t
W
xi
+H
t
‑1W
hi
+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0013]F
t
＝f(X
t
W
xf
+H
t
‑1W
hf
+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0014]O
t
＝f(X
t
W
xo
+H
t
‑1W
ho
+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0015]M
t
＝tanh(X
t
W
xm
+H
t
‑1W
hm
+b
m
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0016]C
t
＝F
t
⊙
C
t
‑1+I
t
⊙
M
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0017]H
t
＝O
t
⊙
tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0018]其中，I
t
，F
t
，O
t
和M
t
对应输入门、遗忘门、输出门和候选记忆单元；C
t
与H
t
分别为t时刻的记忆元输出与隐状态；公式中的W
xi
，W
hi
，W
xf
，W
hf
，W
xo
，W
ho
，W
xm
，W
hm
分别为公式(2)
‑
(5)中与X
t
和H
t
‑1相乘的权重矩阵；b
i
，b
f
，b
o
，b
m
为公式(2)
‑
(5)中的权重偏置；f表示sigmoid函数，表示哈达玛积，即两个同阶矩阵对应矩阵元素相乘。
[0019]进一步地，所述Stacking预测模型的训练方法，包括：Stacking预测模型第一层的训练步骤如下：选择N种训练算法，将含有时序性特征的预处理数据输入到Stacking第一层预测模型中；选择训练算法A1通过交叉验证的方式对基学习器进行训练，获得D1,D2,...,D
N
共计N组对验证集的预测值，记为t1,t2,...,t
N
，以及N组对测试集的预测值；将N组对验证集的预测值进行组合，即T1＝[t1,t2,...,t
N
]，同时将N组测试集的预测值取平均得到一组预测值b1；同理，对训练算法A2～A
N
重复上述步骤，最终得到基学习器的预测值[T1,T2,...,T
N
]和测试集的预测值[b1,b2,...,b
N
]；Stacking预测模型第二层的训练步骤如下：将第一层基学习器的预测值[T1,T2,...,T
N
]和第一层得到的测试集的预测值[b1,b2,...,b
N
]分别作为第二层训练集和测试集，使用算法A
’
来训练元学习器，得到最终的预测结果。
[0020]进一步地，使用RF，GBDT，XGBoost三种算法来训练基学习器，选择LightGBM训练元学习器。
[0021]第二方面，提供一种负荷预测装置，包括：数据采集模块，用于采集电力系统历史运行数据；负荷预测模块，用于将采集的电力系统历史运行数据，输入构建的基于LSTM与多模型集成的负荷预测模型，输出负荷预测结果。
[0022]第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现如第一方面所述的负荷预测方法。
[0023]第四方面，提供一种计算机设备，包括：存储器，用于存储指令；处理器，用本文档来自技高网...

【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，包括：采集电力系统历史运行数据；将采集的电力系统历史运行数据，输入构建的基于LSTM与多模型集成的负荷预测模型，输出负荷预测结果。2.根据权利要求1所述的负荷预测方法，其特征在于，所述基于LSTM与多模型集成的负荷预测模型，包括：数据预处理模块，用于对电力系统历史运行数据进行预处理，获得预处理数据；负荷预测模块，用于将预处理数据输入训练好的Stacking预测模型，获得预测结果。3.根据权利要求2所述的负荷预测方法，其特征在于，对电力系统历史运行数据进行预处理，包括：使用均值编码的方式对电力系统历史运行数据中的离散数据进行处理，并将经过均值编码处理后的离散数据与电力系统历史运行数据中的序列数据进行整合，再对整合后的序列数据采用以下公式进行Z
‑
score标准化，得到第一特征数据：其中，x
i
为原始样本数据，z
i
为标准化后的样本数据，μ为所有样本数据的均值，σ为所有样本数据的标准差；将电力系统历史运行数据中的负荷数据输入到多层LSTM神经网络中进行特征提取，得到第二特征数据；将第一特征数据、第二特征数据及电力系统历史运行数据中的其他连续数据整合在一起，得到预处理数据。4.根据权利要求3所述的负荷预测方法，其特征在于，所述多层LSTM神经网络的计算公式如下：I
t
＝f(X
t
W
xi
+H
t
‑1W
hi
+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)F
t
＝f(X
t
W
xf
+H
t
‑1W
hf
+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)O
t
＝f(X
t
W
xo
+H
t
‑1W
ho
+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)M
t
＝tanh(X
t
W
xm
+H
t
‑1W
hm
+b
m
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)C
t
＝F
t
⊙
C
t
‑1+I
t
⊙
M
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)H
t
＝O
t
⊙
tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中，I
t

【专利技术属性】
技术研发人员：庄舒仪，王明深，杨毅，韩俊，朱剑，杨波，宋亮亮，陈实，庞福滨，郑明忠，
申请(专利权)人：国网江苏省电力有限公司江苏省电力试验研究院有限公司，
类型：发明
国别省市：