[发明专利]基于多元线性回归和改进型LSTM的电力负荷预测方法

权利要求书

1.基于多元线性回归和改进型LSTM的电力负荷预测方法，其特征在于，所述方法的步骤为：

S1、采集疫情爆发前后的城市原始电力负荷历史数据，对采集到的数据进行预处理，将其分为训练集和测试集两部分；

S2、基于多元线性回归方法对原始电力负荷历史数据进行分析，得到疫情影响下不同变量与电力负荷时间序列的相关性，构建影响城市的电力负荷需求模式的相应变量；并构建变量时间序列的相关函数，捕获工作日和周末模式的变化，分析电力负荷总体趋势；

S3、使用构建的影响城市的电力负荷需求模式的相应变量建立多元线性回归模型，得到影响城市的电力负荷需求模式的相应变量之间的关系；

S4、构建基于改进型LSTM的残差时间序列，获得残差预测序列；

S5、结合残差预测序列与多元线性回归模型得出电力负荷预测模型。

2.根据权利要求1所述的基于多元线性回归和改进型LSTM的电力负荷预测方法，其特征在于，构建多元线性回归模型中所需的影响城市的电力负荷需求模式的相应变量包括：

weekend、lockdown、lockdown_weekend、WeeklySin、WeeklyCos、MonthlySin、MonthlyCos、SeasonlySin、SeasonlyCos、Yearly Sin、YearlyCos、lockdown_WeeklySin、lockdown_WeeklyCos、lockdown_MonthlySin、lockdown_MonthlyCos、lockdown_SeasonlySin、lockdown_SeasonlyCos、COVID、time；

其中，lockdown表示城市在固定地区人员基本不变状态下对电力负荷需求影响的变量；COVID表示城市在疫情爆发前后对电力负荷需求影响的变量；

weekend表示城市在疫情爆发后，工作日和周末的用电模式对电力负荷需求影响的变量；属于周期变量的有WeeklySin、WeeklyCos、MonthlySin、MonthlyCos、SeasonlySin、SeasonlyCos、Yearly Sin、YearlyCos，其表示的是正常状态下的周期情况；当这些周期变量前缀加上lockdown时，表示在疫情管控下的周期情况；变量time表示时间轴变化信息。

3.根据权利要求2所述基于多元线性回归和改进型LSTM的电力负荷预测方法，其特征在于，构建变量时间序列的相关函数sin(2πt/T)和cos(2πt/T)来表述正常状态下的周期变量，当T取值为7时，所表述的为WeeklySin、WeeklyCos；当T取值为时，所表述的为MonthlySin、MonthlyCos；当T取时，所表述的为SeasonlySin、SeasonlyCos；当T取365时，所表述的为Yearly Sin、YearlyCos；同理构建变量时间序列的相关函数sin(2πt/T)和cos(2πt/T)来表述疫情管控下的周期变量。