[发明专利]家庭电力负荷的短期预测方法

说明书

本发明公开了一种家庭电力负荷的短期预测方法，包括以下步骤：1)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；2)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。本发明提出使用小波变化结合深度学习模型的方法消除家庭电力负荷的不确定性，能够准确预测短期时间内的家庭电力负荷，有助于解决用电峰值预测的问题。

技术领域

本发明涉及电力负荷预测技术领域，更具体的说，涉及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。

背景技术

由于家庭活动的随机性导致家庭电力负荷分布的高波动性和不确定性，家庭短期负荷预测是智能电网中一个重要而又充满挑战的课题。现有技术的家庭短期电力负荷预测方法，如统计学方法、支持向量机、非深度神经网络等都难以对家庭电力负荷进行精准的预测。近来循环神经深度网络的研究为负荷预测提供了新的研究思路，尤其是LSTM神经网络在负荷预测上的表现有较大的提升，然而仍存在模型对不同家庭的预测精度浮动较大且对用电峰值的预测表现不佳等现象。

LSTM(长短期记忆模型)是一种改进的循环神经网络(Recurrent NeuralNetworks，RNN).虽然RNN因为网络结构具有“记忆功能”，即RNN的当前输出不仅取决于当前的输入和网络权值，而且与之前的输入也有关。所以理论上来说RNN比较适合处理序列问题。但是普通的RNN存在记忆快速衰弱的缺点，也就是在处理长期依赖问题时，RNN会出现梯度消失或梯度爆炸情况。

现有技术的傅里叶变换是基于平稳随机过程假设，忽略了数据的局域特征，所以在处理非平稳信号时受到限制。

发明内容

有鉴于此，本发明提出一种消除家庭电力负荷数据的不确定性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，以提高预测精度，用于解决现有技术存在的预测表现不佳的技术问题。

本发明提供了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，包括以下步骤：

1)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；

2)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。

可选的，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。