[发明专利]一种基于CNN-LSTM-ARIMA组合短期电力负荷预测方法

说明书

本发明涉及电力系统短期负荷预测技术领域，本发明公开一种基于CNN‑LSTM‑ARIMA组合短期电力负荷预测方法。组合模型中CNN负责提取时间维度上的短期模式以及变量之间的局部依赖关系，LSTM提取负荷数据的长期关联信息，ARIMA作为线性分量与主模型预测结果进行融合。其方法包括：选择并确定组合网络模型的基本结构和相关网络参数；获取样本数据导入组合模型进行训练；利用K折交叉验证法选出最优预测模型。本发明旨在使用中小规模负荷数据降低日负荷预测误差率，从而为电力调度工作提供安全可靠的数据支持。与现有技术相比，本发明具有提高短期电力负荷预测精度和降低训练时间的优点。

技术领域

本发明属电力系统技术领域，具体涉及一种基于CNN-LSTM-ARIMA组合短期电力负荷预测模型建立方法。

背景技术

本发明属电力系统技术领域，具体涉及一种基于CNN-LSTM-ARIMA组合短期电力负荷预测模型建立方法。

发明内容

针对现有技术的不足，本发明提出了一种基于CNN-LSTM-ARIMA组合短期电力负荷预测方法，本发明结合K折交叉验证和深度神经网络建立了新型预测模型，能够利用中小规模的历史负荷数据集实现对短期电力负荷数据的准确预测，旨在降低短期负荷预测误差率，从而为电网系统安全调度提供数据支持。

本发明的目的是这样实现的：一种基于CNN-LSTM-ARIMA组合短期电力负荷预测方法，应用在电力负荷数据上，完成短期电力负荷预测任务，包括如下步骤：

步骤1：选择并确定CNN-LSTM-ARIMA组合模型的基本结构和相关网络参数；

步骤2：获取电力负荷数据，进行数据预处理，包括空缺值填补和数据归一化；

其中，空缺值填补：利用相邻两个时间点的数据均值对空缺值进行填补；为保证电力负荷数据在时间线上的完整性，

数据归一化：将数据映射到[0,1]区间上，归一化公式为：式中：表示归一化后的数据值，x(i)表示变量原始数据，x_max表示原始数据中的最大值；x_min表示原始数据中的最小值；

步骤3：采用k折交叉验证法划分数据集，以均方误差MSE作为误差函数；

步骤4：利用滑动窗口法构造输入，设置窗口宽度为24，将数据集导入CNN-LSTM-ARIMA组合模型；

步骤5：记录每一次训练得到的泛化误差，公式为：

步骤6：调整网络模型的参数设置，训练N次，评估得到每个模型的误差指数比较MSE找到使得模型泛化性能最优的超参值，选出最优的模型进行部署。

进一步地，CNN-LSTM-ARIMA组合预测模型的第一层为去除池化层的卷积神经网络CNN，卷积参数设置为filters＝48,kernel_size＝6,strides＝1,activation＝'relu'，卷积层由多个宽度为ω、高度为n的滤波器组成，第k个滤波器扫过输入矩阵X并产生h_k，其公式为：h_k＝RELU(ω_k*X+b_k)；

式中：*为卷积运算，输出h_k为隐含向量，RELU激活函数

进一步地，CNN-LSTM-ARIMA组合预测模型卷积层的输出同时输入到递归分量和递归跳跃分量，递归分量和递归跳跃分量采用LSTM网络结构，可捕捉电力负荷数据间的长期关联信息；

递归分量为门控递归单元的递归层，并使用ReLU激活函数作为隐式更新激活函数，t时刻递归单元的隐藏状态计算公式为：