(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211316020.0 (22)申请日 2022.10.26 (71)申请人 国网吉林省电力有限公司经济技 术 研究院 地址 130000 吉林省长 春市人民大街 4799 号 (72)发明人 宋磊 董添 王雨薇 王静  陈沛光 石晶 王勇 王冬  石伊可 张圆美 李君慧 刘云  (74)专利代理 机构 深圳市君胜知识产权代理事 务所(普通 合伙) 44268 专利代理师 朱阳波 (51)Int.Cl. H02J 3/00(2006.01) G06Q 10/04(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于负荷挖掘和LSTM神经网络的电力负荷 预测方法 (57)摘要 本发明公开了基于负荷挖掘和LSTM神经网 络的电力负荷预测方法, 包括: 对获取的历史负 荷数据集分为测试集和训练集; 构建一新矩阵, 采用改进FCM的聚类方法进行聚类, 构建出K*个 子集; 分别构建K*个基于改进LSTM的负荷预测 器; 并搭建改进的周期增强LSTM神经网络模型; 并对所述改进的周期增强LSTM神经网络进行训 练; 通过训练的所述周期增强LSTM神经网络模 型、 根据待测日前一天的负荷曲线以及待测日的 气象数据以及确定的预测期得到预测值。 本发明 针对电力负荷数据的复杂特性, 本发 明建立了一 种结合聚类和深度学习的电力负荷预测模型, 提 出周期性增强LS TM神经网络, 利用前一天信息实 现了对后一天负荷的准确预测。 权利要求书3页 说明书13页 附图8页 CN 115549082 A 2022.12.30 CN 115549082 A 1.一种基于负荷挖掘和LSTM神经网络的电力负荷预测方法, 其特征在于, 所述方法包 括: S1、 获取历史负荷数据集; S2、 对获取的历史负荷数据集分为测试集和训练集; 并将训练集连续两天的负荷曲线 合二为一作为一新的训练集, 从而构建一新矩阵, 然后对所述新矩阵进 行降维处理, 得到降 维后的特 征矩阵; S3、 基于降维后的特征矩阵, 确定负荷模式数量区间, 采用改进FCM的聚类方法进行聚 类, 利用聚类有效性指标确定最优的聚类结果, 构建出 K*个子集, 以确定K*种负荷模式; S4、 将得到的K*种负荷模式分别输入K*个LSTM层, 分别构建K*个基于改进LSTM的负荷 预测器; S5、 通过构建的K*个基于改进LSTM的负荷 预测器搭建改进的周期增强LSTM神经网络模 型; 并将利用FSI指标确定的最优的聚类结果以及待测日及其前一天的日历特征输入所述 改进的周期增强LSTM神经网络进行训练, 得到训练的周期增强LSTM神经网络; 其中, 所述搭建的改进的周期增强LSTM神经网络模型包含两个LSTM层和两个全连接 层, 每个LSTM层包含24个LSTM模块, 分别对应一 天中的24个小时; 全 连接层融入待测时刻前 24小时的负荷值, 模型输入为h ‑1至h‑24时刻的负荷值和温度值, 输出第h时刻的负荷预测 值 以均方误差作为模型的目标函数, 通过最小化均方误差训练模型; S6、 通过训练的所述周期增强LSTM神经网络模型、 根据待测日前一天的负荷曲线以及 待测日的气象数据以及确定的预测期得到预测值。 2.根据权利要求1所述的基于负荷挖掘和LSTM神经网络的电力负荷预测方法, 其特征 在于, 所述 步骤S6之后还 包括: 基于得到的预测值, 将所述预测值与真实值做计算得到平均绝对百分比误差, 以进行 模型评估。 3.根据权利要求1所述的基于负荷挖掘和LSTM神经网络的电力负荷预测方法, 其特征 在于, 所述对获取 的历史负荷数据集分为测试集和训练集; 并将训练集连续两天的负荷曲 线合二为一作为一新的训练集, 从而构建一新矩阵, 然后对所述新矩阵进 行降维处理, 得到 降维后的特 征矩阵的步骤 包括: 对获取的历史负荷数据集, 进行数据预处理、 将所述历史负荷数据集分为测试集和训 练集, 确定负荷的训练集; 其中, 所述训练集包含N 天的负荷曲线, 每一 天包含24个负荷采样 值; 将连续两天的负荷曲线合二为一作为一新的训练集样本, 从而构建一维度为(N ‑1)× 48的新矩阵, 记为Y; 利用聚类算法对所述新矩阵进行聚类分析, 得到若干种连续两天的负荷模式, 将前一 天的负荷数据作为输入, 利用LSTM神经网络预测待测日的负荷曲线; 利用主成分 分析, 对所述 新矩阵进行降维处 理, 得到降维后的特 征矩阵。 4.根据权利要求3所述的基于负荷挖掘和LSTM神经网络的电力负荷预测方法, 其特征 在于, 所述利用主成分 分析, 对所述 新矩阵进行降维处 理, 得到降维后的特 征矩阵, 包括: 利用主成分分析对所述新矩阵进行降维处理, 选择前m个贡献度不小于90%的特征用权 利 要 求 书 1/3 页 2 CN 115549082 A 2于后续的聚类分析; 最终得到维度为(N ‑1)×m的降维后的特 征矩阵, 记为X(N‑1)×m。 5.根据权利要求1所述的基于负荷挖掘和LSTM神经网络的电力负荷预测方法, 其特征 在于, 所述基于降维后的特征矩阵, 确定负荷模式数量区间, 采用改进FCM的聚类方法进行 聚类, 利用聚类有效性指标确定最优的聚类结果, 构建出K*个子集, 以确定K*种负荷 模式的 步骤, 包括: 基于降维后的特征矩阵, 确定负荷模式数量区间为[kmin, kmax], 利用改进主成分分析 (FCM)算法对所述特 征矩阵X(N‑1)×m进行聚类分析; 如果k<kmax,k值加1继续进行主成分分析聚类, 否则利用聚类有效性指标确定最优 的 聚类结果, 最终构建出k*个子集, 以确定K*种负荷模式, 为之后 基于LSTM的预测模型提供k* 个类。 6.根据权利要求1所述的基于负荷挖掘和LSTM神经网络的电力负荷预测方法, 其特征 在于, 所述通过训练的所述周期增强LSTM神经网络模型、 根据待测日前一天的负荷曲线以 及待测日的气象数据以及确定的预测期得到预测值, 包括: 确定测试集中每一对连续两天的电力负荷模式, 从而确定要利用的预测器; 对测试集中某连续两天, 统计训练集中与 该连续两天日期相同的所有样本的负荷模式 标签, 通过多数投票的方式确定该 连续两天的负荷模式; 将待测日前一天的电力负荷数据及温度数据输入所述训练的周期增强LSTM神经网络 模型的对应负荷模式的预测器中, 得到待测日的电力负荷曲线。 7.根据权利要求2所述的基于负荷挖掘和LSTM神经网络的电力负荷预测方法, 其特征 在于, 所述基于得到的预测值, 将所述预测值与真实值做计算得到平均绝对百分比误差, 以 进行模型评估, 包括: 基于得到的预测值, 将所述预测值与真实值做计算得到平均绝对百分比误差; 定义 为: 式中, Li和 分别代表第i时刻的负荷值和预测 值, n表示每一天的负荷采样数, 进行模 型评估。 8.一种基于负荷挖掘和LSTM神经网络的电力负荷预测装置, 其特征在于, 所述装置包 括: 获取模块, 获取历史负荷数据集; 新矩阵构建模块, 用于对获取的历史负荷数据集分为测试集和训练集; 并将训练集连 续两天的负荷曲线合二为一作为一新的训练集, 从而构建一新矩阵, 然后对所述新矩阵进 行降维处 理, 得到降维后的特 征矩阵; 负荷模式确定模块, 用于基于降维后的特征矩阵, 确定负荷模式数量区间, 采用改进 FCM的聚类方法进行聚类, 利用聚类有效性指标确定最优的聚类结果, 构建出K*个子集, 以 确定K*种负荷模式; 负荷预测器构建模块, 用于将得到的K*种负荷模式分别输入K*个LSTM层, 分别构建K* 个基于改进LSTM的负荷预测器; 改进的周期增强LSTM神经网络模型搭建与训练模块, 用于通过构建的K*个基于改进 LSTM的负荷预测器搭建改进的周期增强LSTM神经网络模型; 并将利用FSI指标确 定的最优权 利 要 求 书 2/3 页 3 CN 115549082 A 3

PDF文档 专利 基于负荷挖掘和LSTM神经网络的电力负荷预测方法

文档预览
中文文档 25 页 50 下载 1000 浏览 0 评论 0 收藏 3.0分
温馨提示:本文档共25页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
专利 基于负荷挖掘和LSTM神经网络的电力负荷预测方法 第 1 页 专利 基于负荷挖掘和LSTM神经网络的电力负荷预测方法 第 2 页 专利 基于负荷挖掘和LSTM神经网络的电力负荷预测方法 第 3 页
下载文档到电脑,方便使用
本文档由 SC 于 2024-02-18 22:24:13上传分享
友情链接
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们微信(点击查看客服),我们将及时删除相关资源。