[发明专利]一种基于动态神经网络的超短期电力负荷预测方法

权利要求书

1.一种基于动态神经网络的超短期电力负荷预测方法，其特征在于：包括以下步骤：

步骤1、对电力负荷数据进行预处理；

步骤2、卷积神经网络CNN模块提取特征；

步骤3、LSTM神经网络模块进行常规时间序列预测；

步骤4、动态跳跃LSTM神经网络模块预测；

步骤5、全连接层整合；

步骤6、线性回归模块捕捉线性关系；

步骤7、输出预测结果。

2.根据权利要求1所述基于动态神经网络的超短期电力负荷预测方法，其特征在于：步骤1的实现包括：

步骤1.1、补全缺失值、修正异常值和数据样本处理；

步骤1.2将缺失值用0值补全，超过正常范围的异常值用前后两个时间步长的平均值代替；将得到的多元负荷输入矩阵分割为多个批量数据矩阵，并进行归一化处理，得到预处理后的负荷数据。

3.根据权利要求2所述基于动态神经网络的超短期电力负荷预测方法，其特征在于：步骤2的实现包括：

步骤2.1、将预处理后的负荷数据输入至二维卷积神经网络CNN模块中，通过选取与输入样本列数相同的卷积核，提取多元负荷数据之间的短期依赖特征；

步骤2.2、卷积神经网络CNN模块中卷积层由多个与样本列数相同的卷积核W组成，设定其宽度为m，高度与输入X的列数n相同，第i个卷积核W_i对输入X进行一轮二维卷积滤波操作并得到该模块输出序列的第i列输出值r_i：

步骤2.3、在卷积核滤波操作之后选取ReLU函数作为激励函数，其中ReLU函数的表达式为：

ReLU(x)＝max(0,x)

则卷积神经网络CNN模块的输出为：

r＝ReLU(W*X+b)

步骤2.4、卷积神经网络CNN模块输出矩阵的大小为T×n，T为输入X的行数，n为卷积核的个数。

4.根据权利要求3所述基于动态神经网络的超短期电力负荷预测方法，其特征在于：步骤3的实现包括：

步骤3.1、将卷积神经网络CNN模块的输出数据作为LSTM神经网络模块的输入序列{X₁,X₂,...,X_T}；

步骤3.2、LSTM神经网络模块包括多个LSTM单元，LSTM模块中每个LSTM单元维护了一个中间状态s_t，每个LSTM单元的输出h_t同时也作为该时间步长的输出；X_t与X_t+1分别为t时间步长和t+1时间步长的输入，第t个LSTM单元的输出h_t包含了前t个单元的结论信息，同时该LSTM单元的记忆单元状态变量s_t包含了长期和短期的信息；

步骤3.3、每个LSTM单元包括遗忘门f_t、输入门i_t、输入节点g_t、输出门o_t；每个节点、门控函数、隐藏状态和输出的表达式如下：

其中为对应节点或门控函数的权重矩阵，⊙表示元素乘法，分别选取Sigmoid函数和tanh函数为激活函数，Sigmoid函数将该节点的计算结果限定在0到1之间，使得单元内部进行门控判断，越接近1，则该部分的信息越有可能通过该门控节点；而tanh函数将结果转换至-1到1之间；Sigmoid函数与tanh函数的表达式为：

步骤3.4、LSTM神经网络模块中t-1时刻的隐藏状态s_t-1、中间输出变量h_t-1与t时刻的输入X_t同时输入下一个LSTM单元，则当前LSTM单元根据输入，计算t时间步长的隐藏状态并判断需要更新、保留或舍弃的部分；

步骤3.5、训练LSTM循环神经网络中设定输出序列的维度，同时对s_t、h_t进行初始化，每个LSTM单元中的遗忘门、输入门、输出门的判断都受当前步长的输入x_t与之前的输出h_t-1的影响，输入门控制输入中将保留至隐藏状态s_t中的部分，遗忘门控制需要从上一个隐藏状态s_t-1中舍弃的部分，输出门则控制隐藏状态将加入本单元的输出h_t的部分；

步骤3.6、连接各个LSTM单元以构建LSTM循环神经网络，重复上述每个LSTM单元计算过程，负荷数据经过LSTM循环神经网络后得到初步的预测结果。