[发明专利]基于主成分分析和LSTM神经网络的电力负荷预测方法

权利要求书

1.一种基于主成分分析和LSTM神经网络的电力负荷预测方法，其特征在于：所述方法包括如下步骤：

1)查找原始负荷数据中的异常值，利用负荷点前后相近两个点的负荷值变化率作为判断异常点的标准，并通过平均值修正法进行处理；

2)利用原始负荷数据的标准差及均值对数据进行标准化操作；

3)将字符型影响因素进行量化，得到各变量在主成分分析中的特征值；

4)以主成分分析后的数据作为特征值输入长短时记忆神经网络，预测输出值；

5)对神经网络的输出进行反标准化操作；

6)选择均方根误差作为回归模型的评价指标，衡量观测值同真值之间的偏差，所得偏差大于设定值则返回步骤2)，否则流程结束。

2.根据权利要求1所述的基于主成分分析和LSTM神经网络的电力负荷预测方法，其特征在于：所述步骤1)中判断异常点和修正处理的方法为：

若

则

式(1)—式(3)中y_i为第i天电力负荷值，为设定阈值，为设定的阈值系数，n为全年天数，当第i天电力负荷值与前后两天电力负荷值的绝对差值超过阈值时，判定第i天电力负荷值为异常值；在式(3)中，用前后两天电力负荷值的均值来修正第i天的电力负荷异常值。

3.根据权利要求2所述的基于主成分分析和LSTM神经网络的电力负荷预测方法，其特征在于：所述步骤2)中标准化操作的方法为：

其中，i＝1,2,…,n，为原始数据的均值，s为原始数据的标准差，经过Z-SCORE标准化后得到的新序列z₁,z₂,…,z_n的均值为0、方差为1，且无量纲。

4.根据权利要求1所述的基于主成分分析和LSTM神经网络的电力负荷预测方法，其特征在于：所述步骤3)的具体步骤包括：

301)将字符型影响因素进行量化处理，映射到区间以区分电力负荷的不同影响程度；

302)将标准化后的电力负荷样本数据进行主成分分析：

|λE-R|＝0 (10)

式(7)中，X为电力负荷数据矩阵，x为标准化后的电力负荷样本数据，n表示历史负荷数据样本数，p表示每个负荷样本数据包含的变量数；式(8)—式(9)中，矩阵X中任意两列X_i和X_j的相关系数r_ij组成样本相关系数矩阵R；根据特征方程式(10)得到p个特征值并使其按顺序排列为λ₁≥λ₂≥…λ_p≥0；E为单位矩阵，x_i为标准化后的第i天电力负荷样本数据，x_j为标准化后的第j天电力负荷样本数据。

303)计算第k个特征值对应的方差贡献率m_k，k＝1,2,……,p，分析各特征值对因变量作用大小的程度，如式(11)所示：

304)选取前q个特征信息的主成分作为电力负荷预测模型的输入，q≤p，主成分求解如式(12)—式(14)所示：

Rα_i＝λ_iα_i (12)

α＝(α₁,α₂,…,α_k) (13)

式(11)-(13)中，前q个特征值对应的特征向量组成主成分因子分析载荷矩阵α，通过式(14)求解出对应的前k个主成分数据

5.根据权利要求4所述的基于主成分分析和LSTM神经网络的电力负荷预测方法，其特征在于：所述步骤4)中以主成分数据在这n个时刻的数据x_t作为输入来预测t时刻的输出y_t，如式(15)—式(16)所示：

y_t＝X_t (16)。