【技术实现步骤摘要】
本专利技术属于电力功率负荷预测，具体是一种基于lstm网络模型的电力功率负荷预测方法及预测装置。
技术介绍
1、电力负荷预测是指对未来一段时间内电力系统的负荷需求进行预测和估计的过程，它是电力系统运行和调度的重要组成部分，对于确保电力系统的可靠运行、合理调度发电设备以及规划电力系统的发展具有重要意义。
2、电力负荷合理准确预测可以帮助电力系统运营者准确预测未来的电力需求，从而确保供应和需求的平衡。通过准确地预测负荷，电力系统可以合理调度发电机组和优化电力输送，以满足用户的需求，避免供电不足或过剩的情况发生。
3、与此同时，电力负荷预测可以帮助电力系统优化能源调度和运营策略，以提高系统的经济性和效率。系统运营者通过准确预测负荷，可以合理安排发电机组的启停和运行模式，避免低效运行和能源浪费，从而降低发电成本和供电价格。
4、在现有技术中，电力负荷预测对于长期预测面临诸多的不确定性和复杂性，如何处理不同时间周期下的复杂时间序列，并且针对其非线性因素进行拟合、建模则变得尤为重要。因此，如何提供一种电力功率负荷预测方法，可以对各种影响因素进行抽象处理，能够处理长时间序列，捕捉各种影响因素中的长期依赖关系，提高模型的泛化能力和鲁棒性，从而提高模型预测的准确性和有效性，是目前亟需解决的一项重要技术课题。
技术实现思路
1、为了解决现有技术中存在的问题，本专利技术提供了一种基于lstm网络模型的电力功率负荷预测方法及预测装置，可以抽象与电力有关的影响因素，处理影
2、本专利技术解决上述技术问题所采用的技术方案如下：
3、第一方面，本专利技术提供一种基于lstm网络模型的电力功率负荷预测方法，该方法包括以下步骤：
4、s1、从历史数据库获取用于预测的数据集，包括历史时刻的电力负荷功率数据和区域特征因素，区域特征因素包括气象数据和经济数据，并筛选得到样本数据集；
5、s2、对样本数据集进行预处理，包括对时间序列数据、电力负荷功率数据的数据标准化、数据缺失值处理，得到各单位时间的电力负荷特征数据集、气象数据集和经济数据集；
6、s3、对步骤s2得到的各单位时间的电力负荷特征数据集、气象数据集和经济数据集进行训练建模，以构建用于预测电力负荷的深度神经网络负荷预测模型；
7、s4、训练用于所述深度神经网络负荷预测模型，使用梯度下降法优化模型参数，以最小化损失函数；
8、s5、使用训练完成的深度神经网络负荷预测模型进行预测，输入未来的气象数据、经济数据，即得到未来的电力负荷功率预测值。
9、作为本专利技术进一步优化的技术方案，所述深度神经网络负荷预测模型由公式表示为：forecast＝f(t，d，c，yl，ul，id)，其中f表示状态转移函数，t∈[0，24]，表示一天中对应的整点时刻；d∈{i，2，...，365，366}表示一年中对应的公历日；c表示公历日对应的公历日类型，包括星期数以及节假日；yl表示包含一段历史用电需求内的历史电力负荷数据的实值向量；ul表示一个包含区域特征因素的实值向量，包括温度、经济指标数据；id表示用电需求的区域标识；采样收集上述特征向量后，即确定上式中的状态转移函数f以完成模型构建，模型的输出为对一个区域内的电力负荷的预测。
10、作为本专利技术进一步优化的技术方案，所述深度神经网络负荷预测模型为lstm网络模型，lstm网络由输入层、lstm网络层和输出层构成，lstm网络层包括输入门it、输出门ot和遗忘门ft以及记忆单元ct；在用电时刻t，记忆单元ct记录自当前时刻t为止的所有历史信息，并受三个逻辑门控制，三个逻辑门分别为所述输入门it、输出门ot和遗忘门ft，三个逻辑门模拟神经细胞间的输入、读取和复位操作，且输出值均在0和1之间。
11、作为本专利技术进一步优化的技术方案，所述lstm网络的输入序列为x＝(x1，x2，...，xt)，由输入层输入至lstm网络层，输出序列为y＝(y1，y2，...yt)，由输出层从lstm网络层输出，其中，t是预测期，x是历史输入数据，包括历史电力负荷、气象状况，经济指标，y是预测电力负荷。
12、作为本专利技术进一步优化的技术方案，当下一个用电时刻t+1来到之前，准备输入序列xt+1，输入至训练完成的lstm网络模型，输出序列y，即得到在t+1时刻电力负荷预测结果。
13、作为本专利技术进一步优化的技术方案，所述lstm网络层的遗忘门ft控制lstm网络层中的信息擦除；输入门it控制lstm网络层中的信息更新；输出门ot控制lstm网络层内部状态的信息输出，lstm网络层的参数迭代更新方式由以下公式表示为：
14、it＝σ(wiixt+bii+whiht-1+bhi)；
15、ft＝σ(wifxt+bif+whfht-1+bhf)；
16、gt＝tanh(wigxt+big+whght-1+bhg)；
17、ot＝σ(wioxt+bio+whoht-1+bho；
18、ct＝ft⊙ct-1+it⊙gt；
19、ht＝ot⊙tanh(ct)；
20、其中，xt是t时刻的输入序列，σ表示为sigmoid函数，tanh为隐层状态h的双曲正切函数，gt表示输入值，ht表示输出值，ct表示状态值，⊙表示为元素间相乘，wii、whi、wif、whf、wig、whg、wio、who分别代表各个权重矩阵，bii、bhi、bif、bhf、big、bhg、bio、bho分别是遗忘门的偏置项。
21、第二方面，本专利技术还提供了一种电力功率负荷预测装置，该预测装置运行所述的电力功率负荷预测方法，预测装置包括数据预处理模块、数据模型模块和预测执行模块，
22、所述数据预处理模块，根据地理位置以及电网能量管理系统中的用电数据对用电区域进行划分，并对划分后的每一块区域的电力负荷数据进行整合和处理，处理后的电力负荷数据传入历史数据库，将气象数据、经济数据处理后也传入历史数据库；
23、所述数据模型模块，用于构建预测电力负荷的lstm网络模型；
24、所述预测执行模块，采用lstm网络模型进行电力负荷预测。
25、与现有技术相比，本专利技术的有益效果是：
26、1、本专利技术的lstm网络模型为长短时记忆神经网络，是一种改进型的迭代神经网络(rnn)模型，它通过引入逻辑门机制，有效地解决了简单的迭代神经网络面临的梯度消失或者爆炸问题，与长期用电负荷预测方面相匹配，使深层网络模型能够学习时间序列的长期依赖。该lstm网络的关键在于引入了一组记忆单元，允许网络学习何时遗忘历史信息，即：允许忘记某些时间段的用电负荷信息，根据不同时间特点，选择不同的时间序列区间，何时用新信息更新记忆单元。
27、2、本专利技术通过抽象与电力有关的影响因素，包括气象数据和经济数据本文档来自技高网...
【技术保护点】
1.一种基于LSTM网络模型的电力功率负荷预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于LSTM网络模型的电力功率负荷预测方法，其特征在于，所述深度神经网络负荷预测模型由公式表示为：Forecast＝f(t,d,c,yl,ul,id)，其中f表示状态转移函数，t∈[0,24]，表示一天中对应的整点时刻；d∈{l,2,...,365,366}表示一年中对应的公历日；c表示公历日对应的公历日类型，包括星期数以及节假日；yl表示包含一段历史用电需求内的历史电力负荷数据的实值向量；ul表示一个包含区域特征因素的实值向量，包括温度、经济指标数据；id表示用电需求的区域标识；采样收集上述特征向量后，即确定上式中的状态转移函数f以完成模型构建，模型的输出为对一个区域内的电力负荷的预测。
3.根据权利要求2所述的基于LSTM网络模型的电力功率负荷预测方法，其特征在于，所述深度神经网络负荷预测模型为LSTM网络模型，LSTM网络由输入层、LSTM网络层和输出层构成，LSTM网络层包括输入门it、输出门ot和遗忘门ft以及记忆单元ct；在用电时刻t，
4.根据权利要求2所述的基于LSTM网络模型的电力功率负荷预测方法，其特征在于，所述LSTM网络的输入序列为由输入层输入至LSTM网络层，输出序列为由输出层从LSTM网络层输出，其中，T是预测期，x是历史输入数据，包括历史电力负荷、气象状况，经济指标，y是预测电力负荷。
5.根据权利要求4所述的基于LSTM网络模型的电力功率负荷预测方法，其特征在于，当下一个用电时刻t+1来到之前，准备输入序列xt+1，输入至训练完成的LSTM网络模型，输出序列y，即得到在t+1时刻电力负荷预测结果。
6.根据权利要求1所述的基于LSTM网络模型的电力功率负荷预测方法，其特征在于，所述LSTM网络层的遗忘门ft控制LSTM网络层中的信息擦除；输入门it控制LSTM网络层中的信息更新；输出门ot控制LSTM网络层内部状态的信息输出，LSTM网络层的参数迭代更新方式由以下公式表示为：
7.一种电力功率负荷预测装置，其特征在于，该预测装置运行权利要求1-6任一项所述的电力功率负荷预测方法，预测装置包括数据预处理模块、数据模型模块和预测执行模块，
...【技术特征摘要】
1.一种基于lstm网络模型的电力功率负荷预测方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于lstm网络模型的电力功率负荷预测方法，其特征在于，所述深度神经网络负荷预测模型由公式表示为：forecast＝f(t,d,c,yl,ul,id)，其中f表示状态转移函数，t∈[0,24]，表示一天中对应的整点时刻；d∈{l,2,...,365,366}表示一年中对应的公历日；c表示公历日对应的公历日类型，包括星期数以及节假日；yl表示包含一段历史用电需求内的历史电力负荷数据的实值向量；ul表示一个包含区域特征因素的实值向量，包括温度、经济指标数据；id表示用电需求的区域标识；采样收集上述特征向量后，即确定上式中的状态转移函数f以完成模型构建，模型的输出为对一个区域内的电力负荷的预测。
3.根据权利要求2所述的基于lstm网络模型的电力功率负荷预测方法，其特征在于，所述深度神经网络负荷预测模型为lstm网络模型，lstm网络由输入层、lstm网络层和输出层构成，lstm网络层包括输入门it、输出门ot和遗忘门ft以及记忆单元ct；在用电时刻t，记忆单元ct记录自当前时刻t为止的所有历史信息，并受三个逻辑门控制，三个逻辑门分别为所述输入门...
【专利技术属性】
技术研发人员：陈思超，翁利国，沈鸿达，霍凯龙，王鹏程，陈成，宋青，罗曼，练德强，洪达，高水杨，肖成刚，沈旭峰，沈哲尧，陈泽，项建森，倪栌玮，徐嘉浩，高钧，
申请(专利权)人：浙江中新电力工程建设有限公司，
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。