CN110070229A - 家庭电力负荷的短期预测方法 - Google Patents
家庭电力负荷的短期预测方法 Download PDFInfo
- Publication number
- CN110070229A CN110070229A CN201910342098.1A CN201910342098A CN110070229A CN 110070229 A CN110070229 A CN 110070229A CN 201910342098 A CN201910342098 A CN 201910342098A CN 110070229 A CN110070229 A CN 110070229A
- Authority
- CN
- China
- Prior art keywords
- lstm network
- home electrical
- electrical load
- component
- wavelet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 24
- 210000002569 neuron Anatomy 0.000 claims description 21
- 210000004027 cell Anatomy 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000700 radioactive tracer Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract description 9
- 230000005611 electricity Effects 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种家庭电力负荷的短期预测方法，包括以下步骤：1)使用静态小波傅里叶变换对原始样本家庭电力负荷数据进行分解后，利用分解后得到的分量对LSTM网络模型进行训练，且利用部分原始样本家庭电力负荷数据对训练后的所述LSTM网络模型进行验证；2)对待预测的真实家庭电力负荷数据进行分解后，将分解后得到的分量输入训练后的所述LSTM网络模型，所述训练后的LSTM网络模型进行回归预测得到预测分量；3)通过逆静态小波变换操作将所述预测分量重构成家庭电力负荷预测值。本发明提出使用小波变化结合深度学习模型的方法消除家庭电力负荷的不确定性，能够准确预测短期时间内的家庭电力负荷，有助于解决用电峰值预测的问题。
Description
技术领域
本发明涉及电力负荷预测技术领域，更具体的说，涉及一种基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法。
背景技术
由于家庭活动的随机性导致家庭电力负荷分布的高波动性和不确定性，家庭短期负荷预测是智能电网中一个重要而又充满挑战的课题。现有技术的家庭短期电力负荷预测方法，如统计学方法、支持向量机、非深度神经网络等都难以对家庭电力负荷进行精准的预测。近来循环神经深度网络的研究为负荷预测提供了新的研究思路，尤其是LSTM神经网络在负荷预测上的表现有较大的提升，然而仍存在模型对不同家庭的预测精度浮动较大且对用电峰值的预测表现不佳等现象。
LSTM(长短期记忆模型)是一种改进的循环神经网络(Recurrent NeuralNetworks，RNN).虽然RNN因为网络结构具有“记忆功能”，即RNN的当前输出不仅取决于当前的输入和网络权值，而且与之前的输入也有关。所以理论上来说RNN比较适合处理序列问题。但是普通的RNN存在记忆快速衰弱的缺点，也就是在处理长期依赖问题时，RNN会出现梯度消失或梯度爆炸情况。
现有技术的傅里叶变换是基于平稳随机过程假设，忽略了数据的局域特征，所以在处理非平稳信号时受到限制。
发明内容
有鉴于此，本发明提出一种消除家庭电力负荷数据的不确定性的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，以提高预测精度，用于解决现有技术存在的预测表现不佳的技术问题。
本发明提供了一种基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，包括以下步骤：
1)使用静态小波傅里叶变换对原始样本家庭电力负荷数据进行分解后，利用分解后得到的分量对LSTM网络模型进行训练，且利用部分原始样本家庭电力负荷数据对训练后的所述LSTM网络模型进行验证；
2)对待预测的真实家庭电力负荷数据进行分解后，将分解后得到的分量输入训练后的所述LSTM网络模型，所述训练后的LSTM网络模型进行回归预测得到预测分量；
3)通过逆静态小波变换操作将所述预测分量重构成家庭电力负荷预测值。
可选的，在使用静态小波分解前，使用滑动窗尺寸k＝12的滑动窗处理数据；在分解过程中，小波基函数选dbN小波族中的db1小波，采用尺度3进行分解，每次分解后得到一个近似分量cA3、三个细节分量cD1、cD2、cD3。
可选的，所述LSTM网络模型中的神经元包括细胞状态Ct、遗忘门ft、输入门it和输出门ot，在整个循环周期删除、添加细胞状态Ct内的信息；通过遗忘门ft、输入门it和输出门ot三个门结构对细胞状态Ct更新，具体的更新过程为：设xt是在t时刻的网络输入，Ct、Ct-1表示当前时刻和上一时刻的细胞状态，表示输入的候选状态，ft、it、ot分别表示遗忘门、输入门、输出门的输出，Wf、Wi、WC、Wo、bf、bi、bC、bo分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数；
首先，神经元在t时刻下计算出遗忘门的输出ft：
ft＝σ(Wf·[yt-1,xt]+bf) (1)；
然后，输入门更新即将添加的信息it，同时创建一个候选输入状态
it＝σ(Wi·[yt-1,xt]+bi) (2)；
接着即可以使用以上得到的遗忘信息ft、输入it和候选输入得到t时刻新的状态Ct：
在计算出神经元新的状态后，可以计算输出门的状态以及神经元的输出：
ot＝σ(Wo·[yt-1,xt]+bo) (5)；
yt＝ot*tanh(Ct) (6)。
可选的，在静态小波的分解过程中，通过高通滤波器和低通滤波器进行多尺度分解，分解时不对高通滤波器和低通滤波器的输出分量进行下采样，而在每一步分解时的高通滤波器和低通滤波器都是对上一级滤波器进行上采样所得；静态小波每次分解后的细节分量与近似分量都与原始信号长度相同。
可选的，LSTM网络模型在训练时，LSTM网络使用基于时间的反向传播算法，根据网络输出与期望输出的误差而创建的目标函数，逐层计算形成梯度，并应用梯度优化算法不断调整更新网络中神经元的权重。
可选的，训练四个LSTM网络模型以识别静态小波变换进行3次尺度分解获得的cD1，cD2，cD3，cA3分量的非线性模式；四个LSTM网络模型选择相同的结构：确定LSTM网络模型的隐藏神经元和LSTM层的数量；在训练和验证每个LSTM网络模型之前，使用归一化方法对每个分量进行归一化，目标产生的值在-1到1的范围内；然后对LSTM网络模型的输出分量进行逆静态小波变换，得到重建的预测信号，然后再进行反归一化得到最终的预测值。
可选的，原始数据以6s为采样频率记录信号，对5分钟短期家庭电力负荷进行预测，对原始数据进行合并处理，然后划分数据，90％用于训练模型，10％用于测试验证模型。
可选的，用于评估预测模型的性能和准确性的指标是：均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)，指标的计算方式如下，其中是yi预测值，yi是实际值，n是样本数；
采用本发明，与现有技术相比，具有以下优点：本发明首先用静态小波分析对数据进行分解，然后使用LSTM模型进行预测。本发明提出使用小波变化结合深度学习模型的方法消除家庭电力负荷的不确定性，能够准确预测短期时间内的家庭电力负荷，有助于解决用电峰值预测的问题。
附图说明
图1为本发明基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法的原理图；
图2为静态小波分解的一个实施例的示意图；
图3为LSTM网络模型中的神经元的原理结构图；
图4为静态小波分解重构的原理图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细描述，但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。
为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。
在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是，附图均采用较为简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明提供一种基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，包括以下步骤：
1)使用静态小波傅里叶变换对原始样本家庭电力负荷数据进行分解后，利用分解后得到的分量对LSTM网络模型进行训练，且利用部分原始样本家庭电力负荷数据对训练后的所述LSTM网络模型进行验证；
2)对待预测的真实家庭电力负荷数据进行分解后，将分解后得到的分量输入训练后的所述LSTM网络模型，所述训练后的LSTM网络模型进行回归预测得到预测分量；
3)通过逆静态小波变换操作将所述预测分量重构成家庭电力负荷预测值。
如图1所示，以四个LSTM网络模型为例，训练四个LSTM网络以识别SWT(静态小波变换)进行3次尺度分解获得的(cD1，cD2，cD3，cA3)分量的非线性模式.四个LSTM网络选择相同的结构：通过尝试过程，凭经验确定LSTM的隐藏神经元和LSTM层的数量,设定一层LSTM，LSTM层神经元个数为100.在训练和验证每个LSTM之前，使用归一化方法对每个分量进行归一化，目标产生的值在-1到1的范围内.然后对LSTM的输出进行逆SWT(ISWT逆静态小波变换)，得到重建的信号，然后再进行反归一化得到最终的预测信号。
如图2所示，示意了静态小波分解的一个实施例。在使用静态小波分解前，使用滑动窗尺寸k＝12的滑动窗处理数据；在分解过程中，小波基函数选dbN小波族中的db1小波，采用尺度3进行分解，每次分解后得到一个近似分量cA3、三个细节分量cD1、cD2、cD3。
如图3所示，示意了LSTM网络模型中的神经元的原理结构。为了保证信息能在整个网络上流通，LSTM需要通过遗忘门ft、输入门it、输出门ot三个门结构，来删除、添加细胞状态内的信息以便实时更新维护整个网络的记忆——细胞状态Ct。所述LSTM网络模型中的神经元包括细胞状态Ct、遗忘门ft、输入门it和输出门ot，在整个循环周期删除、添加细胞状态Ct内的信息；通过遗忘门ft、输入门it和输出门ot三个门结构对细胞状态Ct更新，具体的更新过程为：设xt是在t时刻的网络输入，Ct、Ct-1表示当前时刻和上一时刻的细胞状态，表示输入的候选状态，ft、it、ot分别表示遗忘门、输入门、输出门的输出，Wf、Wi、WC、Wo、bf、bi、bC、bo分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数；
首先，神经元在t时刻下计算出遗忘门的输出ft：
ft＝σ(Wf·[yt-1,xt]+bf) (1)；
然后，输入门更新即将添加的信息it，同时创建一个候选输入状态
it＝σ(Wi·[yt-1,xt]+bi) (2)；
接着即可以使用以上得到的遗忘信息ft、输入it和候选输入得到t时刻新的状态Ct：
在计算出神经元新的状态后，可以计算输出门的状态以及神经元的输出：
ot＝σ(Wo·[yt-1,xt]+bo) (5)；
yt＝ot*tanh(Ct) (6)。
现有技术的傅里叶变换是基于平稳随机过程假设，忽略了数据的局域特征，所以在处理非平稳信号时受到限制。小波变换是一种时间-频率分析法，具有多分辨率分析的特点，而且在时频两域都具有表征信号局部特征的能力，因而非常适合处理非平稳信号。
小波变换的基本方式是用一族函数去表示或逼近一个信号或函数，这一族函数称之为小波函数族，通过一个基本小波函数的平移伸缩得到。
小波变换(Wavelet Transform,WT)的基本解操作是将信号表示为一组小波，可以获得关于信号的时间和频域的信息。WT最常用的两类：连续小波变换(Continuous wavelettransform，CWT)和离散小波变换(Discrete Wavelet Transform，DWT).
连续小波变换如式(7)、(8)所示：
ψs,τ(t)称为基小波或者称为母小波(mother wavelet)；s称之为伸缩因子(或尺度)，τ是平移因子；ψ*s,τ(t)是ψs,τ(t)的共轭.当s和τ可连续变化时，称此时的小波变化为连续小波变换CWT.然而，连续小波变换的计算复杂度过高，冗余度高，不适用于实际应用.为了解决这个问题，引入了离散小波变换(DWT)[15].DWT通过离散化CWT中的伸缩因子和平移因子得到.一般取， m,n∈Z.将其带入式(8)得到离散小波：
则离散小波变换为式：
标准的离散小波使用二进抽取算法对信号进行下采样后，每次分解后小波系数会减少一半，因而每次分解都会遗失原始信号的细节信息，所以当信号需要进行多尺度分解时，多次下采样后所得的小波系数因为数据量过少不能完备的表征信号的特征，则不利于对信号进行分析。在静态小波的分解过程中，通过高通滤波器和低通滤波器进行多尺度分解，分解时不对高通滤波器和低通滤波器的输出分量进行下采样，而在每一步分解时的高通滤波器和低通滤波器都是对上一级滤波器进行上采样所得；静态小波每次分解后的细节分量与近似分量都与原始信号长度相同。如图4所示。
LSTM网络模型在训练时，LSTM网络使用基于时间的反向传播算法，根据网络输出与期望输出的误差而创建的目标函数，逐层计算形成梯度，并应用梯度优化算法不断调整更新网络中神经元的权重。
图1所示，训练四个LSTM网络模型以识别静态小波变换进行3次尺度分解获得的cD1，cD2，cD3，cA3分量的非线性模式；四个LSTM网络模型选择相同的结构：确定LSTM网络模型的隐藏神经元和LSTM层的数量；在训练和验证每个LSTM网络模型之前，使用归一化方法对每个分量进行归一化，目标产生的值在-1到1的范围内.然后对LSTM网络模型的输出分量进行逆静态小波变换，得到重建的预测信号，然后再进行反归一化得到最终的预测值。
原始数据以6s为采样频率记录信号，对5分钟短期家庭电力负荷进行预测，对原始数据进行合并处理，然后划分数据，90％用于训练模型，10％用于测试验证模型。
用于评估预测模型的性能和准确性的指标是：均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)，指标的计算方式如下，其中是yi预测值，yi是实际值，n是样本数。
同样的原始数据，本方法与其他方法进行比较，相比之下，本发明所提出的基于静态小波分解的混合LSTM模型在所有使用的评价标准中都优于其他模型。与其他模型(如SVR，LSTM和CNN_LSTM)相比，它能够显着降低RMSE、MAE和MAPE值。
虽然以上将实施例分开说明和阐述，但涉及部分共通之技术，在本领域普通技术人员看来，可以在实施例之间进行替换和整合，涉及其中一个实施例未明确记载的内容，则可参考有记载的另一个实施例。
以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。
Claims (8)
1.一种基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：包括以下步骤：
4)使用静态小波傅里叶变换对原始样本家庭电力负荷数据进行分解后，利用分解后得到的分量对LSTM网络模型进行训练，且利用部分原始样本家庭电力负荷数据对训练后的所述LSTM网络模型进行验证；
5)对待预测的真实家庭电力负荷数据进行分解后，将分解后得到的分量输入训练后的所述LSTM网络模型，所述训练后的LSTM网络模型进行回归预测得到预测分量；
3)通过逆静态小波变换操作将所述预测分量重构成家庭电力负荷预测值。
2.根据权利要求1所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：在使用静态小波分解前，使用滑动窗尺寸k＝12的滑动窗处理数据；在分解过程中，小波基函数选dbN小波族中的db1小波，采用尺度3进行分解，每次分解后得到一个近似分量cA3、三个细节分量cD1、cD2、cD3。
3.根据权利要求2所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：所述LSTM网络模型中的神经元包括细胞状态Ct、遗忘门ft、输入门it和输出门ot，在整个循环周期删除、添加细胞状态Ct内的信息；通过遗忘门ft、输入门it和输出门ot三个门结构对细胞状态Ct更新，具体的更新过程为：设xt是在t时刻的网络输入，Ct、Ct-1表示当前时刻和上一时刻的细胞状态，表示输入的候选状态，ft、it、ot分别表示遗忘门、输入门、输出门的输出，Wf、Wi、WC、Wo、bf、bi、bC、bo分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数；
首先，神经元在t时刻下计算出遗忘门的输出ft：
ft＝σ(Wf·[yt-1,xt]+bf) (1)；
然后，输入门更新即将添加的信息it，同时创建一个候选输入状态
it＝σ(Wi·[yt-1,xt]+bi) (2)；
接着即可以使用以上得到的遗忘信息ft、输入it和候选输入得到t时刻新的状态Ct：
在计算出神经元新的状态后，可以计算输出门的状态以及神经元的输出：
ot＝σ(Wo·[yt-1,xt]+bo) (5)；
yt＝ot*tanh(Ct) (6)。
4.根据权利要求3所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：在静态小波的分解过程中，通过高通滤波器和低通滤波器进行多尺度分解，分解时不对高通滤波器和低通滤波器的输出分量进行下采样，而在每一步分解时的高通滤波器和低通滤波器都是对上一级滤波器进行上采样所得；静态小波每次分解后的细节分量与近似分量都与原始信号长度相同。
5.根据权利要求3所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：LSTM网络模型在训练时，LSTM网络使用基于时间的反向传播算法，根据网络输出与期望输出的误差而创建的目标函数，逐层计算形成梯度，并应用梯度优化算法不断调整更新网络中神经元的权重。
6.根据权利要求3所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：训练四个LSTM网络模型以识别静态小波变换进行3次尺度分解获得的cD1，cD2，cD3，cA3分量的非线性模式；四个LSTM网络模型选择相同的结构：确定LSTM网络模型的隐藏神经元和LSTM层的数量；在训练和验证每个LSTM网络模型之前，使用归一化方法对每个分量进行归一化，目标产生的值在-1到1的范围内；然后对LSTM网络模型的输出分量进行逆静态小波变换，得到重建的预测信号，然后再进行反归一化得到最终的预测值。
7.根据权利要求6所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：原始数据以6s为采样频率记录信号，对5分钟短期家庭电力负荷进行预测，对原始数据进行合并处理，然后划分数据，90％用于训练模型，10％用于测试验证模型。
8.根据权利要求6所述的基于小波分解的混合LSTM网络对家庭电力负荷的短期预测方法，其特征在于：用于评估预测模型的性能和准确性的指标是：均方根误差(RMSE)，平均绝对误差(MAE)，平均绝对百分比误差(MAPE)，指标的计算方式如下，其中是yi预测值，yi是实际值，n是样本数；
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910342098.1A CN110070229A (zh) | 2019-04-26 | 2019-04-26 | 家庭电力负荷的短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910342098.1A CN110070229A (zh) | 2019-04-26 | 2019-04-26 | 家庭电力负荷的短期预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110070229A true CN110070229A (zh) | 2019-07-30 |
Family
ID=67369060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910342098.1A Pending CN110070229A (zh) | 2019-04-26 | 2019-04-26 | 家庭电力负荷的短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070229A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659775A (zh) * | 2019-09-23 | 2020-01-07 | 国家电网有限公司 | 一种基于lstm改进的电力短时负荷预测算法 |
| CN110909928A (zh) * | 2019-11-19 | 2020-03-24 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
| CN111222689A (zh) * | 2019-12-06 | 2020-06-02 | 重庆三峡学院 | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 |
| CN111564848A (zh) * | 2020-06-09 | 2020-08-21 | 剑科云智(深圳)科技有限公司 | 一种微型电网的智能电力调度方法和用电负荷预测装置 |
| CN111709588A (zh) * | 2020-06-23 | 2020-09-25 | 苏州联电能源发展有限公司 | 一种用电量预测方法和系统 |
| CN112197983A (zh) * | 2020-09-02 | 2021-01-08 | 中车长春轨道客车股份有限公司 | 一种列车服役性能识别方法 |
| CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
| CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
| CN113239029A (zh) * | 2021-05-18 | 2021-08-10 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能表缺失日冻结数据的补全方法 |
| CN113537556A (zh) * | 2021-06-03 | 2021-10-22 | 杭州电子科技大学 | 一种基于状态频率记忆网络的家庭短期负荷预测方法 |
| CN113610296A (zh) * | 2021-08-05 | 2021-11-05 | 王莹 | 一种区域内用电负荷峰值预测方法及电网投资规划方法 |
| CN113920375A (zh) * | 2021-11-01 | 2022-01-11 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 |
| CN114219139A (zh) * | 2021-12-07 | 2022-03-22 | 国网湖北省电力有限公司宜昌供电公司 | 基于注意力机制的dwt-lstm电力负荷预测方法 |
| CN114418071A (zh) * | 2022-01-24 | 2022-04-29 | 中国光大银行股份有限公司 | 循环神经网络训练方法 |
| CN114444551A (zh) * | 2022-04-02 | 2022-05-06 | 西南交通大学 | 一种基于小波变换和卷积自编码器的气动力载荷辨识方法 |
| CN116596144A (zh) * | 2023-05-22 | 2023-08-15 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
| CN117977579A (zh) * | 2024-03-28 | 2024-05-03 | 西华大学 | 基于dwt-lstm神经网络的可调节负荷预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
| CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
| CN109242236A (zh) * | 2018-07-05 | 2019-01-18 | 西安图迹信息科技有限公司 | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 |
| CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
-
2019
- 2019-04-26 CN CN201910342098.1A patent/CN110070229A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
| CN109242236A (zh) * | 2018-07-05 | 2019-01-18 | 西安图迹信息科技有限公司 | 基于关联全连接神经网络和lstm的pmu一次调频负荷预测方法 |
| CN109214575A (zh) * | 2018-09-12 | 2019-01-15 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
| CN109376904A (zh) * | 2018-09-18 | 2019-02-22 | 广东电网有限责任公司 | 一种基于dwt和lstm的短期风力发电功率预测方法及系统 |
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110659775A (zh) * | 2019-09-23 | 2020-01-07 | 国家电网有限公司 | 一种基于lstm改进的电力短时负荷预测算法 |
| CN110909928A (zh) * | 2019-11-19 | 2020-03-24 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
| CN111222689A (zh) * | 2019-12-06 | 2020-06-02 | 重庆三峡学院 | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 |
| CN111564848A (zh) * | 2020-06-09 | 2020-08-21 | 剑科云智(深圳)科技有限公司 | 一种微型电网的智能电力调度方法和用电负荷预测装置 |
| CN111709588B (zh) * | 2020-06-23 | 2023-08-15 | 苏州联电能源发展有限公司 | 一种用电量预测方法和系统 |
| CN111709588A (zh) * | 2020-06-23 | 2020-09-25 | 苏州联电能源发展有限公司 | 一种用电量预测方法和系统 |
| CN112197983A (zh) * | 2020-09-02 | 2021-01-08 | 中车长春轨道客车股份有限公司 | 一种列车服役性能识别方法 |
| CN112488396A (zh) * | 2020-12-01 | 2021-03-12 | 国网福建省电力有限公司 | 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法 |
| CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
| CN113239029A (zh) * | 2021-05-18 | 2021-08-10 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能表缺失日冻结数据的补全方法 |
| CN113537556A (zh) * | 2021-06-03 | 2021-10-22 | 杭州电子科技大学 | 一种基于状态频率记忆网络的家庭短期负荷预测方法 |
| CN113610296A (zh) * | 2021-08-05 | 2021-11-05 | 王莹 | 一种区域内用电负荷峰值预测方法及电网投资规划方法 |
| CN113610296B (zh) * | 2021-08-05 | 2022-03-11 | 国网黑龙江省电力有限公司经济技术研究院 | 一种区域内用电负荷峰值预测方法及电网投资规划方法 |
| CN113920375A (zh) * | 2021-11-01 | 2022-01-11 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 |
| CN113920375B (zh) * | 2021-11-01 | 2024-06-25 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统 |
| CN114219139A (zh) * | 2021-12-07 | 2022-03-22 | 国网湖北省电力有限公司宜昌供电公司 | 基于注意力机制的dwt-lstm电力负荷预测方法 |
| CN114219139B (zh) * | 2021-12-07 | 2023-10-03 | 国网湖北省电力有限公司宜昌供电公司 | 基于注意力机制的dwt-lstm电力负荷预测方法 |
| CN114418071A (zh) * | 2022-01-24 | 2022-04-29 | 中国光大银行股份有限公司 | 循环神经网络训练方法 |
| CN114444551A (zh) * | 2022-04-02 | 2022-05-06 | 西南交通大学 | 一种基于小波变换和卷积自编码器的气动力载荷辨识方法 |
| CN116596144A (zh) * | 2023-05-22 | 2023-08-15 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
| CN116596144B (zh) * | 2023-05-22 | 2024-01-23 | 北京建筑大学 | 融入频率注意力的混合深度学习电力负荷预测方法及系统 |
| CN117977579A (zh) * | 2024-03-28 | 2024-05-03 | 西华大学 | 基于dwt-lstm神经网络的可调节负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110070229A (zh) | 家庭电力负荷的短期预测方法 | |
| Moreno et al. | Wind speed forecasting approach based on singular spectrum analysis and adaptive neuro fuzzy inference system | |
| Xia et al. | A hybrid application of soft computing methods with wavelet SVM and neural network to electric power load forecasting | |
| CN110222887A (zh) | 基于vmd和dnn的预测方法及在短期负荷预测的应用 | |
| Goh et al. | A multimodal approach to chaotic renewable energy prediction using meteorological and historical information | |
| CN105760961A (zh) | 光伏输出功率预测方法和系统 | |
| CN113935513A (zh) | 一种基于ceemdan的短期电力负荷预测方法 | |
| CN108647807A (zh) | 河流流量的预测方法 | |
| Lotrič | Wavelet based denoising integrated into multilayered perceptron | |
| CN115471008A (zh) | 一种基于长短期记忆神经网络的燃气短期负荷预测方法 | |
| CN105515857B (zh) | 一种基于rbf的城域数据网流量测算方法 | |
| CN114091768A (zh) | 基于stl和带有注意力机制的lstm的旅游需求预测方法 | |
| Pal et al. | Time series forecasting using fuzzy transformation and neural network with back propagation learning | |
| Gui et al. | Analysis of animal-related outages in overhead distribution systems with wavelet decomposition and immune systems-based neural networks | |
| CN116865235A (zh) | 一种基于lstm与多模型集成的负荷预测方法及装置 | |
| CN115936196A (zh) | 基于时序卷积网络的月降水模型预测方法 | |
| CN116451856A (zh) | 水泥原料磨生料细度指标预测方法、模型训练方法及系统 | |
| Tao et al. | A combined model of wavelet and neural network for short term load forecasting | |
| CN115952915A (zh) | 一种使用模糊熵分类的能耗预测优化方法 | |
| Zhu et al. | Prediction of air quality index based on wavelet transform combination model | |
| CN112183848B (zh) | 基于dwt-svqr集成的电力负荷概率预测方法 | |
| CN113033094B (zh) | 一种海浪高度预测方法 | |
| Ji et al. | Multi-model fusion short-term power load forecasting based on improved WOA optimization | |
| CN109490793A (zh) | 一种基于小波分解和lstm的x射线高压电源故障预测方法 | |
| Liu et al. | Vector quantization in DCT domain using fuzzy possibilistic c-means based on penalized and compensated constraints |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190730 |