[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

说明书

本发明涉及机器学习中的时间序列预测技术，具体涉及一种基于动态神经网络的超短期电力负荷预测方法，对原始负荷数据进行数据预处理，修正缺失值和异常值，整理为多个批量大小，并进行归一化操作；将预处理的数据传入CNN模块进行局部特征提取；将特征提取后的数据分别输入LSTM神经网络和优化的动态跳跃LSTM神经网络，将这两个网络的输出结果通过全连接层整合；最后将预处理过的数据经过线性回归模块提取局部线性特征后与神经网络部分的输出进行整合，反归一化后得到最终的超短期负荷预测结果。该方法既保留了常规网络预测结果，又加强了负荷数据周期性信息在预测结果中所占的比重，使得最终的负荷预测结果比常规网络所获得的更为准确。

技术领域

本发明属于机器学习中的时间序列预测技术领域，特别涉及一种基于动态神经网络的超短期电力负荷预测方法。

背景技术

电力是国民经济的命脉，经济要发展，电力是先行。要进行电力市场的需求分析或是制定电价、发电计划等，对电力负荷做出准确的预测是一项重要的工作。负荷预测的准确度偏差可能会造成较大的经济损失。现有的电力负荷预测方法主要遵循时间序列预测的方法，包括有传统的回归分析方法以及现代神经网络方法。

传统的电力负荷预测方法对负荷数据进行回归分析与拟合，这类方法应用了差分的数学模型，因此对数据的平稳性有较高的要求，而电力负荷数据具有较高的随机性，使得该方法预测结果精度难以满足需求。现代人工神经网络的兴起给电力负荷预测提供了更具适应性的方法，这类神经网络方法可以通过建模与训练模拟出数据的大致趋势，该方法普遍适用于回归问题的分析，对负荷问题的针对性不强。现有的常用的时序预测方法包括循环神经网络(RNN)、门控循环单元(GRU)以及长短期记忆神经网络(LSTM)。而目前主流的卷积神经网络(CNN)普遍用于图像处理中，因为其提取重要信息的能力，也部分用于时间序列的特征提取工作中。

对于超短期电力负荷预测而言，其预测结果的准确性不仅取决于回归曲线拟合的准确度，还需要对电力数据进行特征分析。不同于其他线性数据，负荷数据具有较强的周期性，例如参考每周或每天用电用户行为，若取每小时的电力负荷数据，其在24或24×7时间节点上的数据可能具有一定的相似性。现有的基于神经网络的负荷预测方法大多采用基于RNN的复合模型或对神经网络提出数学上的优化方法来提高回归曲线拟合的准确度，而忽略了负荷本身有利于提高预测精度的周期性特征。

目前在时间序列预测领域，涌现的各种神经网络方法中，循环神经网络(RNN)的两种变体，长短期记忆(LSTM)与门控循环单元(GRU)显著改善了RNN的梯度消失与梯度爆炸问题。其中，长短期记忆神经网络(LSTM)通过对时序数据长期与短期特征的记忆满足了较广泛的回归预测需求。动态神经网络在时间序列预测领域主要的应用是基于时间自适应的方法。

发明内容

针对背景技术存在的问题，本发明提供一种基于动态神经网络的超短期电力负荷预测方法。以解决现有技术中预测精度低、可解释性不强的问题。

为解决上述技术问题，本发明采用如下技术方案：一种基于动态神经网络的超短期电力负荷预测方法，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。

在上述基于动态神经网络的超短期电力负荷预测方法中，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；