一种基于LSTM-DNN混合神经网络的短期负荷预测方法及系统技术方案

本发明专利技术公开了一种基于LSTM‑DNN混合神经网络的短期负荷预测方法，涉及电力系统技术领域，包括收集电力负荷数据和气象参数数据；对电力负荷数据和气象参数数据进行预处理；基于多维度动态分析，将电力负荷数据划分为高峰负荷、低谷负荷和平峰负荷三种类型；对各类型电力负荷数据及其对应的气象参数数据进行特征提取，得到各类型电力负荷的特征子集；构建LSTM‑DNN混合神经网络模型架构，使用训练数据集对LSTM‑DNN混合神经网络模型进行训练和参数优化，得到负荷预测模型；将实时数据预处理和特征提取后，输入负荷预测模型进行预测，对预测结果进行反标准化处理，完成短期负荷预测。本发明专利技术能够综合各天气因素对电力负荷预测的影响，从而有效提高负荷预测的精度。

【技术实现步骤摘要】

本专利技术涉及电力系统，特别是一种基于lstm-dnn混合神经网络的短期负荷预测方法及系统。

技术介绍

1、随着电力系统中的电量需求不断增长，负荷预测成为电力系统调度不可或缺的一项工作，其准确度直接影响到电力调度的安排和运行效率。然而负荷具有波动性、随机性和非线性等特性，将极大影响负荷预测的精度，因此，如何选择合适的预测模型和算法对电力负荷进行准确预测是保证电力供需平衡的关键。

2、目前主流的负荷预测方法包括数理统计法、时间序列法和人工智能方法。以卡尔曼滤波法为代表的数理统计法考虑因素单一，只能处理简单线性数据，故无法考虑天气数据等复杂因素的影响，导致预测结果与实际值相差较大；时间序列法包括回归分析法、多元回归法和傅里叶展开法等，该类方法仅基于当前负荷和历史负荷，虽然能够有较好的预测效果，但负荷往往由多种因素影响，且该方法对于非线性、非平稳的负荷数据，其预测准确度较低，无法大规模使用；人工智能方法以人工神经网络算法为代表，现有的人工智能方法在建立负荷预测模型时仅考虑温度、湿度和风速等因素对负荷的影响，但负荷还与降水量、空气气压、云层厚度和大气成本文档来自技高网...

【技术保护点】

1.一种基于LSTM-DNN混合神经网络的短期负荷预测方法，其特征在于：包括，

2.如权利要求1所述的基于LSTM-DNN混合神经网络的短期负荷预测方法，其特征在于：所述对电力负荷数据和气象参数数据进行预处理包括以下步骤：

3.如权利要求2所述的基于LSTM-DNN混合神经网络的短期负荷预测方法，其特征在于：所述若单个电力负荷数据缺失则采用加权平均法进行插补，具体公式如下：

4.如权利要求1所述的基于LSTM-DNN混合神经网络的短期负荷预测方法，其特征在于：所述将电力负荷数据划分为高峰负荷、低谷负荷和平峰负荷三种类型包括以下步骤：

5.如...

【技术特征摘要】

1.一种基于lstm-dnn混合神经网络的短期负荷预测方法，其特征在于：包括，

2.如权利要求1所述的基于lstm-dnn混合神经网络的短期负荷预测方法，其特征在于：所述对电力负荷数据和气象参数数据进行预处理包括以下步骤：

3.如权利要求2所述的基于lstm-dnn混合神经网络的短期负荷预测方法，其特征在于：所述若单个电力负荷数据缺失则采用加权平均法进行插补，具体公式如下：

4.如权利要求1所述的基于lstm-dnn混合神经网络的短期负荷预测方法，其特征在于：所述将电力负荷数据划分为高峰负荷、低谷负荷和平峰负荷三种类型包括以下步骤：

5.如权利要求4所述的基于lstm-dnn混合神经网络的短期负荷预测方法，其特征在于：所述得到各类型电力负荷的特征子集包括以下步骤：

6.如权利要求1所述的基于lstm-dnn混合神经网络的短期负荷预测方法，其特征在于：所述构...

【专利技术属性】
技术研发人员：杨婕睿，秦柯，刘文霞，胡彬，马蕊，何向刚，娄素华，贺红艳，杨东俊明，刘培宇，蒋泽甫，李岩，胡江，袁小清，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：