[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

说明书

本发明公开了基于主成分分析和LSTM神经网络的电力负荷预测方法，所述方法包括：1)查找原始负荷数据中的异常值，判断异常点，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。本发明采用的长短时记忆神经网络具有良好的鲁棒性能和非线性处理能力，能够通过特殊的单元结构缓解梯度消失和梯度爆炸等问题，进一步提高电力负荷预测结果的精度。

技术领域

本发明涉及电力系统智能电网技术领域，具体地指一种基于主成分分析和LSTM神经网络的电力负荷预测方法。

技术背景

智能电网高度融合电网中的电力流、信息流和业务流，具有可靠、高效、安全、经济及友好等优点，已成为世界范围内电力系统发展的必然趋势。其中，电力负荷预测技术是智能电网中输配电工程的重要组成部分之一，是实现经济综合能源服务的必要手段。科学的电力负荷预测方法，可以作为电力公司制定电价的参考依据，可以为地区电网的日常运营和调度检修提供方案从而优化电力调度，还可以为国家在电力基础设施建设方面的布局提供指导。因此，电力负荷预测结果的准确性直接对电力系统产生重要的影响。

电力负荷数据受到许多因素的影响，不仅具有基本的周期特性，还会受到突发社会事件、天气气候、市场环境及国家政策等不确定因素的制约。影响因素的随机性加大了电力负荷预测问题的难度，对电力负荷预测方法提出了更高的要求。目前。常用的电力负荷预测方法主要分为两类：统计分析法和机器学习法。统计分析法利用数据统计学原理确定自变量与因变量之间的关系，建立相关性较高的回归方程式。这类方法的主要优点为简单、快速和直观，但是这类方法的适应能力和非线性拟合能力差，不适用于复杂情况下的电力负荷预测。与统计分析法比，机器学习法基于数学理论借助计算机进行精确预测，具有良好的适应性和鲁棒性，可以快速获得全局解。但常用的机器学习法，如支持向量回归法、反向传播神经网络、递归神经网络等，对于大数据集的可扩展性是有限的。

发明内容

本发明的目的在于克服现有技术的不足，而提出一种基于主成分分析和长短时记忆(Long Short-Term Memory，LSTM)神经网络算法的电力负荷预测方法，使原始负荷数据既能保留自身重要特征又能进一步提升处理速度。

为实现上述目的，本发明所设计的基于主成分分析和LSTM神经网络的电力负荷预测方法，其特殊之处在于，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。

优选地，所述步骤1)中判断异常点和修正处理的方法为：

若

则