【技术实现步骤摘要】
本专利技术涉及电力负荷预测，具体地涉及一种基于lstm算法的短期电力负荷预测方法及系统。
技术介绍
1、短期电力负荷预测是构建数字智能化新型电力系统的重要推动力，精准的电力负荷预测能为电网协调调度、地区生产规划和节能减排等提供重要参考。
2、随着分布式可再生能源在用户侧装机容量的不断增长以及电力市场发展的不断深入，地区性负荷需求呈现出更强的随机性特征，对地区负荷预测及智能化管理带来了新的挑战。
3、目前，深度学习在电力负荷领域预测领域逐渐应用，如长短期记忆神经网络(lstm)的应用，但是该种方法存在主观性决定关键参数，容易陷入局部最优，导致能力不佳的问题，进而使得电力负荷预测精度低。
4、本申请专利技术人在实现本专利技术的过程中发现，现有技术的上述方案具有电力负荷预测低的缺陷。
技术实现思路
1、本专利技术实施例的目的是提供一种基于lstm算法的短期电力负荷预测方法及系统，该基于lstm算法的短期电力负荷预测方法及系统具有预测精度高的功能。
2、为了实现上述目的，本专利技术实施例一方面提供一种基于lstm算法的短期电力负荷预测方法，包括：
3、获取电网历史电力负荷数据，并构建训练集；
4、对所述训练集进行预处理；
5、构建电力负荷短期预测模型；
6、将所述训练集输入至所述电力负荷短期预测模型中，并采用优化算法优化所述电力负荷短期预测模型的参数，其中，所述电力负荷短期预测模型的参数包括学习
7、获取所述电力负荷短期预测模型的最优参数，并带入所述电力负荷短期预测模型中；
8、获取当前所述电网的实时数据；
9、将当前所述电网的实时数据输入至所述电力负荷短期预测模型中，以获取所述电网的预测电力负荷。
10、可选地，将所述训练集输入至所述电力负荷短期预测模型中，并采用优化算法优化所述电力负荷短期预测模型的参数包括：
11、获取所述电力负荷短期预测模型的网络拓扑结构，并初始化所述电力负荷短期预测模型中的所有参数；
12、随机化所述电力负荷短期预测模型的待优化参数，并选择相应的搜索范围；
13、获取当前所述电力负荷短期预测模型的适应度值；
14、判断当前所述适应度值是否小于或等于上一个所述适应度值；
15、在判断当前所述适应度值小于或等于上一个所述适应度值的情况下，将当前所述适应度值作为全局最优适应度值；
16、对所述电力负荷短期预测模型的参数进行迭代优化。
17、可选地，将所述训练集输入至所述电力负荷短期预测模型中，并采用优化算法优化所述电力负荷短期预测模型的参数还包括：
18、判断所述参数的迭代次数是否大于或等于预设迭代次数；
19、在判断所述参数的迭代次数大于或等于所述预设迭代次数的情况下，将全局最优适应度值对应的参数作为最优参数并输出；
20、在判断所述参数的迭代次数小于所述预设迭代次数的情况下，返回获取当前所述电力负荷短期预测模型的适应度值的步骤。
21、可选地，对所述电力负荷短期预测模型的参数进行迭代优化包括：
22、构建所述电力负荷短期预测模型中每个参数的种群；
23、根据公式(1)获取所述种群中个体的优化范围，
24、
25、其中，d为搜索代理到目标个体的距离，c为系数向量，x*(t)为当前的种群中目标个体的位置，x(t)为当前的种群中个体的位置，x(t+1)为下一个种群中个体的位置，a为系数向量，a在迭代过程中从2线性减小到0，r为区间[0,1]的随机数，t为当前的迭代次数。
26、可选地，对所述电力负荷短期预测模型的参数进行迭代优化还包括：
27、按照预设值逐次迭代更新所述种群中个体的优化范围；
28、根据公式(2)更新所述种群中每个个体与目标个体的距离，
29、
30、其中，d为当前所述种群中个体与目标个体的距离，b为螺旋形状常数，l为区间[-1,1]的随机数。
31、可选地，对所述电力负荷短期预测模型的参数进行迭代优化还包括：
32、根据公式(3)选取对所述种群中个体的位置更新的方法，
33、
34、其中，p为方法选择的概率。
35、可选地，对所述电力负荷短期预测模型的参数进行迭代优化还包括：
36、根据公式(4)寻找最优参数，
37、
38、其中，xrand为随机个体的位置。
39、可选地，获取所述电力负荷短期预测模型的最优参数，并带入所述电力负荷短期预测模型中包括：
40、将所述最优参数替换所述电力负荷短期预测模型中对应的参数；
41、根据公式(5)计算所述电力负荷短期预测模型的均方根误差，
42、
43、其中，rmse为所述均方根误差，n为样本数，y′n为所述电力负荷短期预测模型的预测值，yn为样本真实值，n为整数编号；
44、根据公式(6)计算所述电力负荷短期预测模型的平均绝对百分比误差，
45、
46、其中，mape为所述平均绝对百分比误差。
47、可选地，获取所述电力负荷短期预测模型的最优参数，并带入所述电力负荷短期预测模型中还包括：
48、根据公式(7)计算所述电力负荷短期预测模型的平均绝对误差，
49、
50、其中，mae为所述平均绝对误差；
51、根据公式(8)计算所述电力负荷短期预测模型的决定系数，
52、
53、其中，r2为所述决定系数，y′为样本真实值的平均值。
54、另一方面，本专利技术还提供一种基于lstm算法的短期电力负荷预测系统，包括：
55、电力负荷数据平台；
56、控制器，与所述电力负荷数据平台通信连接，用于执行如上任一所述的短期电力负荷预测方法。
57、通过上述技术方案，本专利技术提供的基于wao-lstm算法的短期电力负荷预测方法及系统通过获取历史电力负荷数据，并构建训练集以及电力负荷短期预测模型，将训练集输入至电力负荷短期预测模型中，并结合优化算法对电力负荷短期预测模型的参数进行优化，以获得模型的最优参数，最后获取电网的实时数据，电力负荷短期预测模型根据实时数据即可对电力负荷进行预测，采用优化算法对模型参数进行优化的方式，加快了收敛速度，有效地提高了电力负荷预测的精度。
58、本专利技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
本文档来自技高网...【技术保护点】
1.一种基于LSTM算法的短期电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的短期电力负荷预测方法，其特征在于，将所述训练集输入至所述电力负荷短期预测模型中，并采用优化算法优化所述电力负荷短期预测模型的参数包括：
3.根据权利要求2所述的短期电力负荷预测方法，其特征在于，将所述训练集输入至所述电力负荷短期预测模型中，并采用优化算法优化所述电力负荷短期预测模型的参数还包括：
4.根据权利要求2所述的短期电力负荷预测方法，其特征在于，对所述电力负荷短期预测模型的参数进行迭代优化包括：
5.根据权利要求4所述的短期电力负荷预测方法，其特征在于，对所述电力负荷短期预测模型的参数进行迭代优化还包括：
6.根据权利要求5所述的短期电力负荷预测方法，其特征在于，对所述电力负荷短期预测模型的参数进行迭代优化还包括：
7.根据权利要求6所述的短期电力负荷预测方法，其特征在于，对所述电力负荷短期预测模型的参数进行迭代优化还包括：
8.根据权利要求1所述的短期电力负荷预测方法，其特征在于，获取所述电力负荷
9.根据权利要求8所述的短期电力负荷预测方法，其特征在于，获取所述电力负荷短期预测模型的最优参数，并带入所述电力负荷短期预测模型中还包括：
10.一种基于LSTM算法的短期电力负荷预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于lstm算法的短期电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的短期电力负荷预测方法，其特征在于，将所述训练集输入至所述电力负荷短期预测模型中，并采用优化算法优化所述电力负荷短期预测模型的参数包括：
3.根据权利要求2所述的短期电力负荷预测方法，其特征在于，将所述训练集输入至所述电力负荷短期预测模型中，并采用优化算法优化所述电力负荷短期预测模型的参数还包括：
4.根据权利要求2所述的短期电力负荷预测方法，其特征在于，对所述电力负荷短期预测模型的参数进行迭代优化包括：
5.根据权利要求4所述的短期电力负荷预测方法，其特征在于，对所述电力负荷短期预测模型的参数进行迭代...
【专利技术属性】
技术研发人员：薛强，李宇，李翔，杨建旭，周红，陈康伟，张辉，江宜瑞，夏伦勇，王松林，张瑞，任帅，
申请(专利权)人：安徽南瑞继远电网技术有限公司，
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。