一种基于Bi-LSTM的短期电力负荷预测方法技术

本申请的一种基于Bi‑LSTM的短期电力负荷预测方法，通过负荷‑气象特征训练集和评价指标对Bi‑LSTM模型进行超参数优化，根据优化后的Bi‑LSTM模型超参数得到优化Bi‑LSTM模型，根据优化Bi‑LSTM模型预测负荷数据；本发明专利技术能够能充分挖掘电力负荷数据中的时序特征，使得短期电力负荷预测的精度能够得到有效的提升。

【技术实现步骤摘要】

本专利技术涉及电力系统负荷预测领域，尤其涉及一种基于bi-lstm的短期电力系统负荷预测方法。

技术介绍

1、电力负荷预测是电力系统规划的重要组成部分，精确的电力负荷预测对电力系统运行具有重要意义；现有技术方案多采用基于bp神经网络的预测方法，bp神经网络通过不断调整权重和偏置来最小化损失函数，从而实现对模型的训练和优化，但由于新能源的加入以及用电设备的激增，间接的增加了负荷数据的复杂性、多变性、随机性、影响因素的不确定性等特性，因此，bp神经网络针对于负荷内部自身发展的长期规律往往难以考虑，从而影响负荷预测的精确度。

技术实现思路

1、为解决现有技术中基于bp神经网络的电力负荷预测方法预测精确度低的问题，提出一种基于bi-lstm的短期电力负荷预测方法，通过bi-lstm网络实现电力负荷预测，预测精确度高。

2、一种基于bi-lstm的短期电力负荷预测方法，包括：

3、步骤一、构建负荷特征数据集和气象特征数据集；根据负荷特征数据集和气象特征数据集，得到负荷-气象特征训练集，所述负荷-本文档来自技高网...

【技术保护点】

1.一种基于Bi-LSTM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所述的一种基于Bi-LSTM的短期电力负荷预测方法，其特征在于：

3.根据权利要求2所述的一种基于Bi-LSTM的短期电力负荷预测方法，其特征在于：

4.根据权利要求3所述的一种基于Bi-LSTM的短期电力负荷预测方法，其特征在于：步骤一还包括：对负荷-气象特征训练集进行维度处理和归一化处理；

5.根据权利要求4所述的一种基于Bi-LSTM的短期电力负荷预测方法，其特征在于：所述Bi-LSTM模型的超参数包括：隐藏层神经元个数、学习率、批量大小和训练迭代...

【技术特征摘要】

1.一种基于bi-lstm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所述的一种基于bi-lstm的短期电力负荷预测方法，其特征在于：

3.根据权利要求2所述的一种基于bi-lstm的短期电力负荷预测方法，其特征在于：

4.根据权利要求3所述的一种基于bi-lstm的短期电力负荷预测方法，其特征在于：步骤一还包括：对负荷-气象特征训练集进行维度处理和归一化处理；

5.根据权利要求4所述的一种基于bi-lstm的短期电力负荷预测方法，其特征在于：所述bi-lstm模型的超参数包括：隐藏层神经元个数、学习率、批量大小和训练迭代次数。

6.根据权利要求5所述的一种基于bi-lstm的短期电力负荷预测方法，其特征在于：

7.根据权利要求6所述的一种基于bi...

【专利技术属性】
技术研发人员：金宪才，王胜铎，张首军，房俊龙，魏东辉，赵庆贺，武力刚，王保意，崔言志，王鸣迪，王昭滨，徐勇军，阮德俊，李祥云，程亮，王丽丽，许世洁，高兴山，付强，
申请(专利权)人：国网黑龙江省电力有限公司鹤岗供电公司，
类型：发明
国别省市：