一种基于多场景识别的多LSTM电力负荷短期预测方法技术

本发明专利技术公开了一种基于多场景识别的多LSTM电力负荷短期预测方法，包括以下步骤；S1：收集原始数据；S2：对原始数据进行预处理，通过聚类算法提取负荷场景集合；S3：构建负荷预测模型；S4：构建场景标签预测模型；S5：获得最终预测值。本发明专利技术的有益效果是：通过从设备收集历史电力负荷数据挖掘出多个差异化场景，构建并独立训练多个预测模型，利用场景标签完成未来时刻场景的预测，选择相应的负荷预测模型，实现更加精准的电力负荷预测。实现更加精准的电力负荷预测。实现更加精准的电力负荷预测。

【技术实现步骤摘要】
一种基于多场景识别的多LSTM电力负荷短期预测方法


[0001]本专利技术涉及电力负荷预测
，特别是一种基于多场景识别的多LSTM电力负荷短期预测方法。

技术介绍

[0002]电力系统负荷预测，是指在满足一定的精度要求的情况下，综合考虑电力系统的运行特性，环境、气象、社会活动等影响因素，根据过去和当下的负荷数据，确定未来某一时段系统的所需功率或用电量的情况。电力负荷预测的精度作为电力系统经济运行的重要指标之一，直接影响着发电机组的启停、检修安排、旋转容量储备情况等有关电力成本的因素。如何提高负荷预测的准确性，尤其是短期负荷预测的准确性，是目前研究领域的重点。
[0003]负荷预测方法一般采用统计方法，统计方法包括差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)，多元回归和指数平滑法等。这些方法的结构相对简单，难以挖掘出负荷序列中的复杂相关性。例如，ARIMA主要是学习负荷序列内的相关性，但是电力负荷通常受许多外部因素的影响。
[0004]中国专利申请CN103123665A公开了一种基于模糊聚类相似日的短期电力负荷预测方法，该方法采用模糊聚类，模糊聚类是将模糊数学的思想观点用到聚类分析中，主要适用于定性变量的分类，在该方法中主要根据聚类水平选择相似日，但是如何选择合适的相似度参数比较困难。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺点，提供一种基于多场景识别的多LSTM电力负荷短期预测方法。
[0006]本专利技术的目的通过以下技术方案来实现：一种基于多场景识别的多LSTM电力负荷短期预测方法，包括以下步骤；
[0007]S1：收集原始数据；
[0008]S2：对原始数据进行预处理，通过聚类算法提取负荷场景集合；
[0009]S3：构建负荷预测模型；
[0010]S4：构建场景标签预测模型；
[0011]S5：获得最终预测值。
[0012]优选的，步骤S1中，原始数据包括用电设备的历史负荷数据、天气因素和节假日信息。
[0013]优选的，步骤S2中，还包括以下步骤：
[0014]S2.1：对收集到的历史负荷数据点进行排序，形成完整的时序数据X＝{x1,x2,x3,...,x
n
}，再通过MinMax进行归一化；
[0015]S2.2：设置多个聚类数目，进行重复实验，计算不同类数量下聚类结果的轮廓系数：
[0016][0017]其中，d
in
(x
i
)为第i个负荷数据点x
i
到同类其他所有对象的平均距离，d
ic
(x
i
)为x
i
到其他类所有对象平均距离的最小值，S
m
∈[
‑
1,1]，当S
m
的值越大时，则类内距越小，类间距越大，聚类效果越好；
[0018]S2.3：通过无监督聚类K
‑
Means算法，从历史负荷数据中挖掘出多种负荷场景，根据样本特征的欧式距离将样本聚集到指定的K个类簇中，
[0019][0020]其中，dis(x
i
,C
j
)为第i(1≤i≤n)个对象x
i
到第j个聚类中心C
j
(1≤j≤k)的欧氏距离；
[0021]S2.4：选择步骤S2.2得到的最优类簇数，将聚类后的负荷数据按照时间前后顺序将同一标签的数据片段定义为同一场景，形成负荷场景集合{S1,S2,S3,...,S
K
}。
[0022]优选的，步骤S3中，还包括以下步骤：
[0023]S3.1：通过长短期记忆神经网络提取负荷曲线的时序特征，参数迭代更新公式为，
[0024]f
t
＝σ(ω
f
[a
(t
‑
1)
,x
(t)
]+b
f
)；
[0025]i
t
＝σ(ω
i
[a
(t
‑1),x
(t)
]+b
i
)；
[0026]o
t
＝σ(ω
o
[a
(t
‑
1)
,x
(t)
]+b
o
)；
[0027][0028][0029]a
(t)
＝o
t
*tanhC
(t)
M；
[0030]其中，(f
t
)为遗忘门，(i
t
)为输入门，(o
t
)为输出门；
[0031]S3.2：选择步骤S2.4形成的负荷场景集合{S1,S2,S3,...,S
K
}，构建K个独立的LSTM预测网络，每个预测网络对应一个场景集，得出训练集。
[0032]优选的，步骤S4中，还包括以下步骤：
[0033]S4.1：将步骤S1收集的气候信息、节假日信息与设备负荷拼接，构建场景特征数据集；
[0034]S4.2：通过多层感知机提取场景隐含特征，采用反向传播的方式训练模型，迭代更新网络参数；
[0035]S4.3：将多个隐含层提取到的场景特征，输入到激活函数为Softmax函数的输出层中，利用聚类获得的场景标签训练多分类模型，对于n个样本输入到分类训练集则对应的标签为其中每个样本的估计概率为：
[0036][0037]其中，W1,W2,W3,,W
k
为网络模型参数，K为分类个数，对结果进行归一化。
[0038]优选的，步骤S5中，根据步骤S4得到的场景标签，从步骤S3训练完成的多个预测模型中选择相应模型，将历史负荷数据输入到预测模型中，得到最终预测值。
[0039]本专利技术具有以下优点：本专利技术通过从设备收集历史电力负荷数据挖掘出多个差异化场景，构建并独立训练多个预测模型，利用场景标签完成未来时刻场景的预测，选择相应的负荷预测模型，实现更加精准的电力负荷预测。
附图说明
[0040]图1为预测方法流程的结构示意图。
具体实施方式
[0041]为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本专利技术一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本专利技术实施方式的组件可以以各种不同的配置来布置和设计。
[0042]因此，以下对在附图中提供的本专利技术的实施方式的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多场景识别的多LSTM电力负荷短期预测方法，其特征在于：包括以下步骤；S1：收集原始数据；S2：对原始数据进行预处理，通过聚类算法提取负荷场景集合；S3：构建负荷预测模型；S4：构建场景标签预测模型；S5：获得最终预测值。2.根据权利要求1所述的基于多场景识别的多LSTM电力负荷短期预测方法，其特征在于：所述步骤S1中，原始数据包括用电设备的历史负荷数据、天气因素和节假日信息。3.根据权利要求2所述的基于多场景识别的多LSTM电力负荷短期预测方法，其特征在于：所述步骤S2中，还包括以下步骤：S2.1：对收集到的历史负荷数据点进行排序，形成完整的时序数据X＝{x1,x2,x3,...,x
n
}，再通过MinMax进行归一化；S2.2：设置多个聚类数目，进行重复实验，计算不同类数量下聚类结果的轮廓系数：S2.2：设置多个聚类数目，进行重复实验，计算不同类数量下聚类结果的轮廓系数：其中，d
in
(x
i
)为第i个负荷数据点x
i
到同类其他所有对象的平均距离，d
ic
(x
i
)为x
i
到其他类所有对象平均距离的最小值，S
m
∈[
‑
1,1]，当S
m
的值越大时，则类内距越小，类间距越大，聚类效果越好；S2.3：通过无监督聚类K
‑
Means算法，从历史负荷数据中挖掘出多种负荷场景，根据样本特征的欧式距离将样本聚集到指定的K个类簇中，其中，dis(x
i
,C
j
)为第i(1≤i≤n)个对象x
i
到第j个聚类中心C
j
(1≤j≤k)的欧氏距离；S2.4：选择所述步骤S2.2得到的最优类簇数，将聚类后的负荷数据按照时间前后顺序将同一标签的数据片段定义为同一场景，形成负荷场景集合{S1,S2,S3,...,S
K
}。4.根据权利要求3所述的基于多场景识别的多LSTM电力负荷短期预测方法，其特征在于：所述步骤S3中，还包括以下步骤：S3.1：通过长短期记忆神经网...

【专利技术属性】
技术研发人员：孙晓燕，柳先彪，李琪，苗琪，巩敦卫，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：