[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

说明书

本发明属于电力负荷预测技术领域，公开了一种基于多元线性回归和改进型LSTM的电力负荷预测方法，通过构建相关变量来捕捉疫情影响，并说明对电力负荷预测的有利影响；还采用改进型LSTM通过对回归模型中原始序列与多变量线性回归模型输出之间的残差进行建模，并进行训练，从而提高模型的准确性，实现准确的负荷需求预测；通过对于疫情影响未来负荷需求趋势的长期分析，为电力部门提供一份长期的参考。

技术领域

本发明属于电力负荷预测技术领域，具体涉及一种基于多元线性回归和改进型LSTM的电力负荷预测方法。

背景技术

疫情给人们生活方式带来了巨大的改变，电力负荷需求模式存在着巨大的随机性，这会显著的影响能源系统和能源网络的安全操作。

电力负荷预测是以电力负荷为对象进行的一系列预测工作，在电力系统运营中,准确预测未来电力负荷是保证电力系统安全和实现电网科学管理及调度的重要基础,也是电力能源管理系统的核心组成部分。现有的在疫情下对电力负荷预测的方法通常是用一系列数学方法和模型，对历史数据进行分析，进而对未来电力负荷的数据进行预测，如专利申请CN111598328A、文献“新冠肺炎疫情影响下基于多源数据驱动的电力系统负荷预测方法”；这样的预测方法导致电力系统在应对突发事件时的应变性不高，因为在人们生活方式的转变以及应急事件的突发情况下的电力负荷会出现更多的不确定性和偶然性，突发事件的产生，电力系统应该如何根据情况调整发电量，应该如何为接下来的发电量制定策略，这些情况便是我们所需要解决的问题。

发明内容

为解决上述技术问题，本发明提供了一种基于多元线性回归和改进型LSTM 的电力负荷预测方法，通过构建相应变量建立多元线性回归模型，构建残差预测序列，能够描绘疫情带来的影响，更为精确的预测电力负荷。

本发明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，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。

进一步的，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；