[发明专利]一种多时序协同的中期电力负荷预测方法

说明书

本发明公开了一种多时序协同的中期电力负荷预测方法，其特征在于：建立内部与外部特征结合的多时序协同预测系统。其中包括在普通的电力负荷数据基础上，增加日期、温度、节假日等外部特征；建立双层长短时记忆网络预测模型；用多特征结合数据对长短时记忆网络预测模型进行训练，通过输入被测区域日期、温度、节假日参数，得到所述被测区域电力负荷预测结果。本发明将长短时记忆网络引入到电力负荷中期预测中，通过其时序长效记忆特性，实现对未来一段时间区域电力负荷每日总用电量的预测。而且本发明的中期电力负荷预测方法很大程度上提高了预测的精度和速度。本发明创造用于对中期电力负荷情况进行预测。

技术领域

本发明涉及电力系统技术领域，更确切的说是涉及一种中期电力负荷预测方法。具体是在传统电力负荷数据基础上添加外部时序特征数据，用此数据训练双层长短时记忆网络预测模型。

背景技术

中期负荷预测为区域的配电网规划方面提供一个相对合理的参照值，直接影响着电力资源的投入趋势，影响着当地国民经济发展的上限，可以辅助电力企业科学地规划电力资源投资。电网日常运行更为重视经济及安全，中期电力负荷预测的高效与准确，精确度更高的中期电力预测对电网企业电力市场的发展愈发显现越来越重要的意义。

电力负荷预测的特点具有不准确性、条件性、时间性、多方案性、内部相关性使得负荷预测的精度是个有挑战性的工作。目前负荷预测方法主要有支持向量机、BP人工神经网络等传统法和人工智能法。长短时记忆网络属人工智能法，其具有消除非线性及各类非明确因素的能力，通过量化各种环境变量，将各类抽象因素以数学模型的形式予以度量和运算，具有对以往输出的记忆能力，能够很好的解决复杂的非线性映射问题。

发明内容

针对电力负荷预测中，数据记忆深度问题，本发明设计了一种基于双层长短时记忆网络的电力负荷中期多时序协同预测方法。

本发明主要是通过如下方案所实现：

步骤1.建立双层长短时记忆网络预测模型；

步骤2.采用均方根反向传播算法，结合被测区域电力负荷的历史每日总用电量时序数据，并添加温度时序数据，且以独热码方式添加节假日外部时序数据对长短时记忆网络预测模型进行训练得到预测模型每层的偏置值，设置长短时记忆网络预测模型的激活函数、学习率、正则化方式和批次大小，通过训练学习得到所述长短时记忆网络预测模型输入输出之间以及与以往输出之间的内在联系。

步骤3.根据确定的长短时记忆网络预测模型，对被测区域电力负荷的实际总用电量进行预测，输入被测区域日期、温度、节假日参数，得到所述被测区域电力负荷预测结果。

作为上述技术方案的进一步改进，步骤1中所述的双层长短时记忆网络预测模型含有一个输入层，两个含有LSTM block结构的隐含层，一个输出层的神经网络，输入层的节点为3个，输出层节点为1个，时间步长为365，每个隐含层节点为1095个，学习率设置为0.0006；

所述双层长短时记忆网络预测模型的两层隐含层激活函数都选用softsign函数来替代tanh函数。

作为上述技术方案的进一步改进，所述步骤2包括以下步骤：

步骤21.根据长短时记忆网络的训练过程，对步骤1建立的双层长短时记忆网络预测模型使用被测时期前一年数据进行无监督训练，从而得到双层长短时记忆网络模型每层的参数值；

步骤22.使用有监督学习方法对所述网络的学习率进行微调；

所述步骤22中以双层长短时记忆网络预测模型目标输出为监督信号，构建对数似然损失函数，对所述网络进行有监督训练，最终确定双层长短时记忆网络预测模型。