[发明专利]电力负荷预测方法

权利要求书

1.一种基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，包括：

根据所选定的用能对象，对其历史电力能耗数据和对应时刻的外部环境数据进行采集汇总。

对汇总的以上数据进行预处理，剔除异常值，之后进行归一化处理，将得到的数据作为模型训练所需的时序数据池；

在时序数据池中，以长度为n的历史时序数据(x_t-n+1,...,x_t)做为模型输入，以未来连续m个时刻的能耗数据(y_t+1,...,y_t+m)作为模型输出，构建LSTM网络模型，并采用时序数据池中的数据对模型进行训练；

根据实际历史数据和训练完成的LSTM网络模型，对未来时刻的电力负荷进行预测。

2.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所述外部环境数据包括该时刻所对应的温度、湿度、风力、降水和节假日信息。

3.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所构建的LSTM网络的输入信息包括：前24小时的电能负荷，预测时刻的温度、湿度、气压、风向和节假日信息，共计29组数据。

4.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所构建的LSTM网络共包含两个隐层，第一个隐层包括20个LSTM单元，第二个隐层包括10个LSTM单元。

5.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所构建模型中的每个LSTM单元中，共包含单元状态和隐状态两个状态和遗忘门、输入门和输出门三个门限，具体地：

单元状态表示当前单元自身的属性，在t时刻记为C_t；

隐状态表示当前神经元对外输出的属性，在t时刻记为h_t；

遗忘门根据当前时刻的输出和前一时刻的隐状态，来对前一时刻的单元状态进行选择，

f_t＝σ(W_f·[h_t-1,x_t]+b_f)

其中σ(·)为sigmoid函数，W_f和b_f分别为遗忘门的权重和偏执项；

输入门根据输入和前一时刻的隐状态来产生候选单元状态，并根据门限情况进行筛选，

i_t＝σ(W_i·[h_t-1,x_t]+b_i)

其中tanh(·)为双曲正切函数，W_C和b_C为产生候选单元状态的权重和偏执项，W_i和b_i分别为输入门限的权重和偏执项；

之后对单元状态进行更新；

输出门根据当前时刻的单元状态确定隐状态的值，并根据当前时刻输入和前一时刻隐状态进行筛选，

o_t＝σ(W_o·[h_t-1,x_t]+b_o)

h_t＝o_t·tanh(C_t)

其中，W_o和b_o分别为输出门限的权重和偏执项，最终产生隐状态h_t作为LSTM单元的整体输出传递到下一层和下一时刻。

6.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，在第三步中，所构建的LSTM网络输出层为一个线性层，具体地，

y_pred＝W_h·h_t+b_h

其中，W_h和b_h分别为输出层的权重和偏执项。