[发明专利]电力负荷预测方法

说明书

本发明提供了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，所述方法首先根据所确定的研究对象，对历史用能数据、气象数据和节假日信息进行采集汇总，形成初始序列数据集；之后对所汇总的数据集进行数据清洗，剔除缺失时刻的时序数据条，插补小范围缺失数据，并将数据进行归一化，形成时序数据池；然后构建长短期记忆神经网络模型，并基于时序数据池对模型进行训练。本方法在长短期记忆神经网络的基础上，考察、结合了电力能耗与气象和节假日信息的耦合关系，具有模型精度高，预测周期灵活的特点，有利于电网的调度、分析等应用。

技术领域

本发明涉及电力信息技术领域，具体涉及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。

背景技术

电力能源是现代社会的支柱性能源，准确有效的对电网负荷进行预测，对于电网的安全平稳运行、电力生产的经济高效至关重要，因此负荷预测一直以来是电力信息领域的一个研究热点。对于一个用能对象而言，其能耗受到自身特性、外部环境和时间周期等多个因素的影响，导致负荷数据的外在表现为随机性很大，难以基于物理机理进行有效分析、预测，线性回归等传统模型在复杂用能对象的实际负荷预测中无法满足要求。

随着智能电网的建设、投入和信息技术的蓬勃发展，一方面用能对象的能耗数据和外部环境数据可以被实时或定期记录，产生了海量的电能负荷历史数据；另一方面基于数据的信息处理方法不断涌现，在刻画对象的潜在特性和随机性方面超越了传统的机理分析方法。目前，常用的电力负荷预测方法有人工神经网络(Artificial Neural Networks,ANN),支持向量机(Support Vector Machine,SVM)和自回归滑动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)等方法。

传统技术存在以下技术问题：

但是这些方法在实际应用中，通常无法对能耗数据本身的周期性和外部随机性进行兼顾，因而最终的预测准确率有限。

发明内容

本发明要解决的技术问题是提供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，该方法能够基于历史能耗数据和外部环境数据，有效地分析用能对象的自身能耗特性以及同外部因素的耦合关系，充分地挖掘电力能耗的周期性特点，在模型训练完成后，能够基于实际历史数据对未来时刻的电力负荷进行准确预测。该发明可以使用于电力系统分析、电网预测调度等电力信息领域的问题。

为了解决上述技术问题，本发明提供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，具体步骤如下：

第一步，历史数据汇总

根据所选定的用能对象，对其电力能耗数据进行采集汇总，并记录下对应时刻的外部环境数据；

第二步，数据预处理，获取时序数据池

对汇总的历史数据进行预处理，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；

第三步，LSTM网络建模与模型训练

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，来对未来连续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。

第四步，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。

在其中一个实施例中，在第一步中，所需记录的外部环境数据包括温度、湿度、风力、降水等可获取到的气象数据和该时刻所对应的节假日信息。

在其中一个实施例中，在第二步中，对异常的能耗数据值进行剔除，具体地：