[发明专利]一种基于改进的长短期记忆网络的电力负荷预测方法

说明书

本发明公开了一种基于改进的长短期记忆网络的电力负荷预测方法，采用最大信息系数初步筛选历史负荷这一特征，并结合考虑负荷相关因子带来的影响，采用最大相关最小冗余算法对历史负荷进行进一步刷选，将筛选后的特征集及作为模型的输入，采用改进的长短记忆网络进行电力负荷预测，得到的预测结果与实际的电网负荷进行验证，证明模型的实用性。本发明的预报方法(H‑ILSTM)精确考虑了电力负荷及其影响负荷的相关因子,有效的提高了电力负荷预测的精度，对电网运行的安全性和经济性有着一定的提高。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种基于改进的长短期记忆网络的电力负荷预测方法。

背景技术

电力负荷预测在电网运行中起着关键性作用，获得准确的短期负荷可以大大提高电网运行的安全性和经济性。另外，它对机组的最优组合，经济调度，最优潮流和电力市场交易也具有重要意义。电力负荷预测的准确性越高，发电设备的利用率就越好，经济调度的效果将越好。但是，电力负荷对外部因素很敏感，例如气候变化，日期类型和社会活动等等。这些不确定性提高了负荷序列的随机性。因此，如何从众多影响因素中识别出提取负荷的强相关因素，实现对短期负荷的准确预测，是目前所需解决的问题。

深度学习方法中，长短期记忆网络(LSTM)由复杂单元的循环神经网络组成，具有良好的表示序列信息的能力。其在解决时间序列预测问题上，都取得了非常好的结果。但是LSTM的输入通常为人为定义的，对于模型来说，其物理意义和解释性较弱。采用特征工程分析影响电力负荷的相关因子之间的关系对提高电力负荷预测精度有着重要意义，也增强了模型的物理意义和解释性。因此，如何精准的分析电力负荷以及相关影响因子之间的关系并结合进预测模型，以提高电力负荷预测的精度是亟需解决的理论和实际工程问题。

特征工程是在特征集中选择特征的代表性子集。这些特征与输出变量高度相关，并且是提取有效特征的最常用方法。常见的特征选择方法包括自相关(AC)，互信息(MI)，ReliefF(RF)，基于相关的特征选择(CFS)等。

在本发明中，最大信息系数被用来初步筛选历史电力负荷这一特征。最大相关最少冗余法结合预测模型对特征进行二次了筛选。

综上所述，现有技术存在的问题是：

(1)影响电力负荷的因子有很多，无法合理的将这些影响因子考虑在负荷预测问题中。

(2)现有的有关电力负荷预测的特征选择多为单一考虑某个特征对其电力负荷之间产生的影响，并未考虑特征与特征之间组合对其产生的效果。

(3)由于预测模型的输入中有较多的因子，导致传统机器学习方法预测电力负荷不能达到较高的精度。传统的LSTM可达到更好的预测效果，但由于其结构错综复杂，训练所需的时间较长，在实际应用上是带来不便。

解决上述技术问题的难度：为了考虑相关因子对电力负荷产生的影响，如何合理的处理这些连续型和离散型特征是该技术难点之一。因子与因子之间的影响错综复杂，单一因子可能对预测提升不大，但是因子结合后会极大的提高预测精度，而如何筛选出这些组合因子将其输入到模型中训练是该技术的第二难点；此外，如何改变LSTM的结构使得在解决负荷预测问题上可以提高预测精度并且减少所需的训练时间也是该技术的难点。

解决上述技术问题后，带来的意义为：为了考虑因子与因子之间的相互影响，本发明提出了一种两阶段混合式特征提取方法，并提出了一种新型的网络(ILSTM)应用于电力负荷预测。其网络在结构上与传统的LSTM产生了差别，正确推导该网络的前向传播和反向传播公式是实现该网络的难点。

现有采用深度学习方法进行的电力负荷预测多为预测下一时段的电力负荷。本发明是可以准确的预测多个未来时段的电力负荷，更具有实际应用意义。因此对H-ILSTM的推广非常有利。

发明内容