[发明专利]家庭电力负荷的短期预测方法

权利要求书

1.一种基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：包括以下步骤：

4)使用静态小波傅里叶变换对原始样本家庭电力负荷数据进行分解后，利用分解后得到的分量对LSTM网络模型进行训练，且利用部分原始样本家庭电力负荷数据对训练后的所述LSTM网络模型进行验证；

5)对待预测的真实家庭电力负荷数据进行分解后，将分解后得到的分量输入训练后的所述LSTM网络模型，所述训练后的LSTM网络模型进行回归预测得到预测分量；

3)通过逆静态小波变换操作将所述预测分量重构成家庭电力负荷预测值。

2.根据权利要求1所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：在使用静态小波分解前，使用滑动窗尺寸k＝12的滑动窗处理数据；在分解过程中，小波基函数选dbN小波族中的db1小波，采用尺度3进行分解，每次分解后得到一个近似分量cA3、三个细节分量cD1、cD2、cD3。

3.根据权利要求2所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：所述LSTM网络模型中的神经元包括细胞状态C_t、遗忘门f_t、输入门i_t和输出门o_t，在整个循环周期删除、添加细胞状态C_t内的信息；通过遗忘门f_t、输入门i_t和输出门o_t三个门结构对细胞状态C_t更新，具体的更新过程为：设x_t是在t时刻的网络输入，C_t、C_t-1表示当前时刻和上一时刻的细胞状态，表示输入的候选状态，f_t、i_t、o_t分别表示遗忘门、输入门、输出门的输出，W_f、W_i、W_C、W_o、b_f、b_i、b_C、b_o分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数；

首先，神经元在t时刻下计算出遗忘门的输出f_t：

f_t＝σ(W_f·[y_t-1,x_t]+b_f) (1)；

然后，输入门更新即将添加的信息i_t，同时创建一个候选输入状态

i_t＝σ(W_i·[y_t-1,x_t]+b_i) (2)；

接着即可以使用以上得到的遗忘信息f_t、输入i_t和候选输入得到t时刻新的状态C_t：

在计算出神经元新的状态后，可以计算输出门的状态以及神经元的输出：

o_t＝σ(W_o·[y_t-1,x_t]+b_o) (5)；

y_t＝o_t*tanh(C_t) (6)。

4.根据权利要求3所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：在静态小波的分解过程中，通过高通滤波器和低通滤波器进行多尺度分解，分解时不对高通滤波器和低通滤波器的输出分量进行下采样，而在每一步分解时的高通滤波器和低通滤波器都是对上一级滤波器进行上采样所得；静态小波每次分解后的细节分量与近似分量都与原始信号长度相同。