CN110212524A - 一种区域电力负荷预测方法 - Google Patents

Abstract

本申请公开一种区域电力负荷预测方法，包括：根据用电区域的历史负荷数据，构造N组不同时间间隔步长的时间序列特征数据；分别对N组时间序列特征数据进行相关性检验，得到M组通过检验的相关序列；所述相关序列具有序列自相关性；将M组所述相关序列输入多序列长短期记忆网络预测模型中，集成所述多序列长短期记忆网络预测模型的输出结果，预测目标时间点的负荷数据。本申请提供的多序列长短期记忆网络预测模型，基于多个相关序列并捕获负荷数据的长距离依赖性，捕捉如相邻时间点相关性、日相关性、周相关性、月相关性之间的联系，建立特征与负荷之间的非线性关系，提高了负荷预测的准确性，同时还可防止负荷数据样本过度拟合。

Description

一种区域电力负荷预测方法

技术领域

本申请涉及电力系统技术领域，尤其涉及一种区域电力负荷预测方法。

背景技术

作为使电网更智能化的关键环节之一，区域电力负荷预测在电力系统的规划和运行中起着重要作用。诸如专家系统、灰色系统理论和人工神经网络等许多方法被用于负荷预测，然而由于其负荷预测是一种极其不稳定的时间序列模型，这些方法建立的预测模型很难达到理想的效果，因此需探索一种更优化的负荷预测方法。

相关技术中提出由粒子群优化算法优化的最小二乘支持向量机模型、基于支持向量机的分销网络方法，或者使用随机的基于森林的集成系统等负荷预测方法，这些方法虽然已在传统时间序列模型的基础上，提高了函数的拟合能力并提高了样本的训练效率，但没有考虑到时间序列数据之间的相关性，导致负荷预测的准确性仍旧较低。此外，上述预测方法仅建立特征与负荷之间的非线性映射关系，忽略连续负荷数据样本之间的相关关系，并且存在负荷数据样本过度拟合的问题。

发明内容

本申请提供一种区域电力负荷预测方法，以解决负荷预测准确性低的问题。

本申请提供一种区域电力负荷预测方法，包括：

根据用电区域的历史负荷数据，构造N组不同时间间隔步长的时间序列特征数据；

分别对N组时间序列特征数据进行相关性检验，得到M组通过检验的相关序列，M≦N；所述相关序列具有序列自相关性；

将M组所述相关序列输入多序列长短期记忆网络预测模型中，集成所述多序列长短期记忆网络预测模型的输出结果，预测目标时间点的负荷数据；其中，所述多序列长短期记忆网络预测模型包括若干组长短期记忆网络预测模型。

可选地，所述时间序列特征数据为：

E_i＝{e_t-Ki+1，e_t-2×Ki+1，...，e_t-j×Ki+1，...，e_t-n×Ki+1}

式中，E_i表示时间序列特征数据，Ki为时间间隔步长，n为时间序列特征数据的维度，e_t-j×Ki+1为E_i中第j个时间点对应的负荷变量；i＝1，2…，N；j＝1，2…，n。

可选地，所述分别对N组时间序列特征数据进行相关性检验，包括：

根据所述时间序列特征数据中任意两个负荷变量之间的Spearman相关系数，以及所述时间序列特征数据的维度n，计算t检验统计量T；

判断t检验统计量T是否大于或等于阈值t_α,v，所述阈值t_α,v是与显著性水平α和自由度v有关的参数；

如果t检验统计量T大于或等于阈值t_α,v，则所述时间序列特征数据中任意两个负荷变量之间具备相关性；反之，则所述时间序列特征数据中任意两个负荷变量不相关。

可选地，所述得到M组通过检验的相关序列，包括：

相关性检验完成后，从所述时间序列特征数据中筛选出非相关负荷变量，所述非相关负荷变量与所述时间序列特征数据中的其他负荷变量都不相关；

将所述非相关负荷变量从所述时间序列特征数据中移除，将移除处理后的时间序列特征数据作为所述相关序列；

丢弃N-M组不具有序列自相关性的时间序列特征数据，从而得到M组通过检验的相关序列。

可选地，所述时间序列特征数据中任意两个负荷变量(X_j，Y_j)之间的Spearman相关系数r_s为：

式中，R_j为负荷变量X_j的秩，Q_j为负荷变量Y_j的秩。

可选地，所述t检验统计量T通过如下公式计算：

式中，r_s为所述时间序列特征数据中任意两个负荷变量(X_j，Y_j)之间的Spearman相关系数。

可选地，在将M组所述相关序列输入多序列长短期记忆网络预测模型之前，所述方法还包括：

对所述相关序列进行如下归一化处理：

式中，x_norm为负荷变量的归一化值，x为所述负荷变量的当前值，x_max为所述负荷变量的最大值，x_min为所述负荷变量的最大值。

可选地，按照如下公式预测目标时间点的负荷数据S：

式中，S_k为第k组长短期记忆网络预测模型输出的目标时间点负荷值，W_k为第k组长短期记忆网络预测模型对应的权重系数，L为所述多序列长短期记忆网络预测模型中所包括的长短期记忆网络预测模型的数量。

可选地，所述方法还包括：

对所述长短期记忆网络预测模型的超参数进行贝叶斯优化，所述超参数包括迭代次数、批尺寸和隐含层节点个数。

可选地，所述长短期记忆网络预测模型采用单隐含层结构。

本申请提供一种基于多序列周期性异构特征交互的区域电力负荷预测方法，根据用电区域的历史负荷数据，来构造N组不同时间间隔步长的时间序列特征数据，在进行相关性检验后，得到M组相关序列，所述相关序列是指通过校验的具有序列自相关性的时间序列特征数据，M组相关序列作为多序列长短期记忆网络(Long Short-Term Memory，LSTM)模型的输入，来预测目标时间点的区域用户的用电负荷。本申请是基于Spearman相关系数和t检验，来衡量电力消费者的时间序列相关性，将若干组并行的LSTM预测模型进行集成，构建多序列LSTM预测模型，一组LSTM预测模型对应一种时间序列类型，通过M组相关序列作为输入并捕获负荷数据中的长距离依赖性，以提高负荷预测的准确性。本申请提供的多序列LSTM预测模型并行集成架构，基于M组相关序列并捕获负荷数据的长距离依赖性，捕捉如相邻时间点相关性、日相关性、周相关性、月相关性之间的联系，建立特征与负荷之间的非线性关系，提高了负荷预测的准确性，同时还可防止负荷数据样本过度拟合。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例示出的区域电力负荷预测方法流程图；

图2为本申请实施例示出的基于多序列LSTM的短期负荷预测框架示意图；

图3a为本申请实施例示出的传统LSTM模型的预测值与真实值的对比图；

图3b为本申请实施例示出的由图2所示的负荷预测架构输出的预测值与真实值的对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本申请提供的一种区域电力负荷预测方法流程图，所述方法包括如下步骤：

步骤S100，根据用电区域的历史负荷数据，构造N组不同时间间隔步长的时间序列特征数据。

在执行步骤S100之前，需要提取电力系统中记录的用户区域的历史负荷(即耗电量)数据，可选择建立用电区域的负荷数据库，并对负荷数据库中存储的历史负荷数据进行预处理，这里所述的预处理包括但不限于异常值处理和空缺值填充等。对数据进行预处理的过程可以参照现有相关技术，本实施例中不再赘述。

步骤S200，分别对N组时间序列特征数据进行相关性检验，得到M组通过检验的相关序列；所述相关序列具有序列自相关性，自相关性度量的是同一序列在两个不同时期之间的相关程度，形象的讲就是度量自己过去的行为对现在的影响。在此步骤中，由于可能丢弃了未通过相关性检验的时间序列特征数据，即丢弃了不具有序列自相关性的时间序列特征数据，因此M≦N。对于给定的用电区域，其电力生产和管理通常具有较为明显的周期性和规律性，若无重大异常事件发生，一般假设各区域的负荷曲线应具有以下属性：

(1)短时间内的负荷曲线波动应该很小，即相邻时间点的负荷具有相关性。

(2)对于不同日期的同一时间点，例如6月12号PM18:00和6月13号PM18:00，其负荷曲线是相似的，即以日为周期的负荷具有相关性。

(3)具有相同周类型的每日负荷曲线是相似的，其中周类型包括周一、周二…周日，例如对于第一周的周三PM18:00和第二周的周三PM18:00，两者的负荷曲线是相似的，即以周为周期的负荷具有相关性。

(4)以月(或者季节)为周期的负荷曲线是相似的，比如6月12号PM18:00和7月12号PM18:00，即以月(或者季节)为周期的负荷具有相关性。

在历史负荷数据中存在多种时间序列相关性，提取相应的多种时间跨度的序列数据并存储在相应数据结构中，从而构成N组时间序列特征数据，其中N为自然数。本实施例中，分别以相邻时间点、日、周和月作为周期为例，构造四种类型的时间序列特征数据。在实际应用中，还可选择其他类型的周期单位作为时间间隔，比如季节、年等，不限于本实施例所述。

具体地，所述时间序列特征数据可表示为：

E_i＝{e_t-Ki+1，e_t-2×Ki+1，...，e_t-j×Ki+1，...，e_t-n×Ki+1}

式中，E_i表示时间序列特征数据，Ki为时间间隔步长，n为时间序列特征数据的维度，e_t-j×Ki+1为E_i中第j个时间点对应的负荷变量；i＝1，2…，N；j＝1，2…，n。

对于相邻时间点序列，其时间间隔步长为K₁，加载预测时间点之前连续间隔K₁的n个时间点的负荷变量数据，构成相邻时间点的时间序列特征数据E₁，则有：

E₁＝{e_t-K1+1，e_t-2×K1+1，...，e_t-j×K1+1，...，e_t-n×K1+1}

对于日间隔时间序列，其时间间隔步长为K₂，加载预测时间点之前间隔K₂的n个日期内相同时间点的负荷变量数据，构成与日有关的时间序列特征数据E₂，则有：

E₂＝{e_t-K2+1，e_t-2×K2+1，...，e_t-j×K2+1，...，e_t-n×K2+1}

对于周间隔时间序列，其时间间隔步长为K₃，加载预测时间点之前间隔K₃的n个周内相同时间点的负荷变量数据，构成与周有关的时间序列特征数据E₃，则有：

E₃＝{e_t-K3+1，e_t-2×K3+1，...，e_t-j×K3+1，...，e_t-n×K3+1}

对于月间隔时间序列，其时间间隔步长为K₄，加载预测时间点之前间隔K₄的n个月内相同时间点的负荷变量数据，构成与月有关的时间序列特征数据E₄，则有：

E₄＝{e_t-K4+1，e_t-2×K4+1，...，e_t-j×K4+1，...，e_t-n×K4+1}

进一步地，在步骤S200中，所述分别对N组时间序列特征数据进行相关性检验，包括：

步骤a，根据所述时间序列特征数据中任意两个负荷变量之间的Spearman相关系数，以及所述时间序列特征数据的维度n，计算t检验统计量T。

对于前述四种类型的时间序列特征数据E_i中的任一种，设X_j和Y_j为时间序列特征数据中任意两个负荷变量，令R_j为负荷变量X_j的秩，Q_j为负荷变量Y_j的秩。如果X_j与Y_j同步，则R_j和Q_j也是同步的，为了定义秩之间的一致性，Spearman相关系数r_s定义如下：

其中，

则有：

t检验用于参数统计中的相关性测试，在零假设下，t检验统计量T通过如下公式计算：

步骤b，判断t检验统计量T是否大于或等于阈值t_α,v，所述阈值t_α,v是与显著性水平α和自由度v有关的参数。显著性水平α和自由度v可以根据实际对相关性的要求进行选取，当显著性水平α和自由度v确定时，即可确定阈值t_α,v，这一过程可具体参照现有t检验的相关方法，从而判定两个负荷变量之间是否相关。

步骤c，如果t检验统计量T大于或等于阈值t_α,v，则所述时间序列特征数据中任意两个负荷变量之间具备相关性；反之，如果t检验统计量T小于阈值t_α,v，则所述时间序列特征数据中任意两个负荷变量不相关。

由于Spearman相关系数消除了影响整体数据的一些干扰因素，适用于大数据量的相关性判定，因此Spearman相关系数适用于计算负荷预测中的时间序列相关性。

如图2所示，为本实施例提供的基于多序列LSTM的短期负荷预测框架，当提取数据(即历史负荷数据)后，构造N组时间序列特征数据，分别对应相邻时间序列、日间隔时间序列、周间隔时间序列以及月间隔时间序列这四种类型，然后按照上述方式进行相关性检验，并从时间序列特征数据中筛选出非相关负荷变量，所述非相关负荷变量与时间序列特征数据中的其他负荷变量都不相关，然后将筛选出的非相关负荷变量从所述时间序列特征数据中移除，将移除处理后的时间序列特征数据作为所述相关序列，以保证相关序列具有自相关性；丢弃N-M组不具有序列自相关性的未通过检验的时间序列特征数据，从而得到M组通过检验的相关序列。

受限于现有负荷预测模型和方法，一般而言，预测下一个目标时间点的负荷值，主要依赖于前几步的数据，即距离目标时间点较近距离的数据，而不考虑更长步数(长距离)前的数据的影响。一般预测问题也仅需要近距离就能取得不错的效果，也比较合理。然而，对比这种周期性的负荷数据，长距离的关系可能更有用处，日、周、月间隔的时间序列相当于人为构造出长距离关系，例如假设每个时间点间隔单位为1小时，那么一日24小时，就间隔了24个时间点距离，一周则间隔的时间点更多，距离更长。

图2所示的多序列负荷预测架构则充分利用了不同的序列相关性，并捕获负荷数据中的长距离依赖性，以提高负荷预测的准确性，长距离依赖是指与离当前时刻间隔较远的历史负荷数据对当前预测具有相关性。该多序列负荷预测架构能根据序列相关性检验结果，提取多个周期的相关序列，自适应选择多个相关序列作为输入。该多序列负荷预测架构中，具体地，包括多个并行的LSTM预测模型，每个LSTM模型对应一种时间序列类型，比如相邻时间序列对应1号LSTM模型，日间隔时间序列对应2号LSTM模型，周间隔时间序列对应3号LSTM模型，月间隔时间序列对应4号LSTM模型，利用多个LSTM模型的递归神经网络，并行捕获多组相关序列中的信息数据，每个单独的LSTM预测模型都采用单隐含层结构，图2所示的预测架构能够防止负荷数据样本过度拟合。

步骤S300，将M组所述相关序列输入多序列长短期记忆网络预测模型中，集成所述多序列长短期记忆网络预测模型的输出结果，预测目标时间点的负荷数据。本实施例中所述的目标时间点为下一时刻，优选为1小时间隔，当然也可根据具体情况进行设定和修改，不过不推荐多步预测。

在本实施例可选的方案中，在步骤S200之后，并且在步骤S300之前，所述方法还包括：

对所述相关序列进行如下归一化处理：

式中，x_norm为负荷变量的归一化值，x为所述负荷变量的当前值，x_max为所述负荷变量的最大值，x_min为所述负荷变量的最大值，通过归一化处理即可将相关序列中的各个负荷变量的值放缩到[0，1]区间内，从而便于LSTM预测模型的运算和处理。

在各个LSTM模型运算完成后，集成方法是利用预设的权重，对各个LSTM模型的输出结果进行线性加权计算，更具体地，按照如下公式预测目标时间点的负荷数据S：

式中，S_k为第k组长短期记忆网络预测模型输出的目标时间点负荷值，L为所述多序列长短期记忆网络预测模型中所包括的长短期记忆网络预测模型的数量，k可表示为如图2中LSTM模型的序号，i＝1、2、3或4，即L＝4；W_k为第k组长短期记忆网络预测模型对应的权重系数，权重系数W_k可以根据实际应用进行设定和选取。

LSTM模型的超参数对负荷预测准确性的影响很大，这是因为深度学习对于这些超参数很敏感，不合理的超参数会使得LSTM模型预测不准，甚至严重偏离，因此需要选择一个优秀的超参数优化方式，此外，由于本申请时间序列众多，还需要考虑降低预测运算的复杂度，因此在本实施例其他可能的实现方式中，选择对长短期记忆网络预测模型的超参数进行贝叶斯优化，所述的超参数包括迭代次数、批尺寸和隐含层节点个数等。

贝叶斯优化是一种逼近思想，当计算非常复杂、迭代次数较高时能起到很好的效果，多用于超参数确定，它是基于数据使用贝叶斯定理估计目标函数的后验分布，然后再根据分布选择下一个采样的超参数组合。它充分利用了前一个采样点的信息，其优化的工作方式是通过对目标函数形状的学习，并找到使结果向全局最大提升的参数，从而提高负荷预测的准确性和运算效率。基于贝叶斯优化进行超参数优化，与传统网格搜索相比，参迭代次数少，速度快，即便在非凸问题下也已然能够稳定地执行超参数优化。

本实施例贝叶斯优化选取的Acquisition Function如下：

其中，f(X)为超参数的目标函数值，f(X⁺)为到目前为止最优超参数的目标函数值，μ(x)为高斯过程所得到的目标函数的均值，σ(x)为高斯过程所得到的目标函数的方差，即f(X)的后验分布。ξ为trade-off系数，如果没有该系数，POI函数会倾向于取在X⁺周围的点，而加入trade-off系数ξ进行权衡，不断选取新的X，使得POI(X)最大，从而达到优化参数的目的。

本实施例给出对EKPC电站的分时负荷数据进行仿真预测的示例，首先提取EKPC电站5年左右的历史负荷数据，检测异常值和缺失值，并未发现缺失值和异常值。将负荷序列数据转化为多个时间跨度的序列数据并存储在相应数据结构中，以便每次提取。由于此数据是分时数据，那么K₁＝1，K₂＝24，K₃＝7×24，K₄＝30×24，需要注意的是，K₄的取值应与真实月间隔对应。

在每次预测下一时刻的负荷数据时，提取相关的4种类型时间序列特征数据，然后进行基于Spearman相关系数和t检验的相关性检验过程，进而确定是否作为多序列LSTM模型框架的输入，以及丢弃不具有自相关性的未通过检验的时间序列特征数据，每个单独的LSTM预测模型都采用单隐含层结构。仿真实验数据表明，绝大部分情况下，检验结果均为有相关性。然后对需要输入多序列LSTM预测模型的相关序列进行归一化处理，最终集成按照W＝{W₁，W₂，W₃，W₄}＝{0.4，0.2，0.2，0.2}的权重进行线性加权运算，得到下一时刻的负荷数据S＝0.4×S₁+0.2×S₂+0.2×S₃+0.2×S₄，其中，S₁、S₂、S₃、S₄分别为如图2中1号LSTM模型、2号LSTM模型、3号LSTM模型、4号LSTM模型的输出结果。

如图3a和图3b所示，由于本申请采用多个时间跨度的序列特征以及捕捉负荷数据中的长距离依懒性，与传统仅使用单一相邻时间序列(近距离)的LSTM模型相比，传统LSTM模型中预测值与真实值之间的均方根误差为159.76，而本申请预测架构中预测值与真实值之间的均方根误差为121.46，预测准确性具有较为明显的提升，并且还在一定程度上缓解了常见LSTM模型的滞后错位现象。

本示例进一步针对隐含层节点个数、批尺寸(batch_size)和迭代次数(epoch)进行贝叶斯优化超参数优化，假定参数域服从离散均匀分布，则最终确定LSTM超参数如下：

相邻时间序列对应的LSTM模型：隐含层节点个数为64，batch_size为8192，epoch为64；

日间隔时间序列对应的LSTM模型：隐含层节点个数为64，batch_size为32，epoch为32；

周间隔时间序列对应的LSTM模型：隐含层节点个数为32，batch_size为16，epoch为64；

月间隔时间序列对应的LSTM模型：隐含层节点个数为16，batch_size为2，epoch为128。

由以上技术方案可知，根据用电区域的历史负荷数据，来构造N组不同时间间隔步长的时间序列特征数据，在进行相关性检验后，得到M组相关序列作为多序列长短期记忆网模型的输入，来预测目标时间点的区域用户的用电负荷。本申请是基于Spearman相关系数和t检验，来衡量电力消费者的时间序列相关性，将若干组(本实施例中示出的为四组)并行的LSTM预测模型进行集成，构建多序列LSTM预测模型，一组LSTM预测模型对应一种时间序列类型，通过M组相关序列作为输入并捕获负荷数据中的长距离依赖性，以提高负荷预测的准确性。本申请提供多序列LSTM预测模型并行集成架构，基于M组相关序列并捕获负荷数据的长距离依赖性，捕捉如相邻时间点相关性、日相关性、周相关性、月相关性之间的联系，建立特征与负荷之间的非线性关系，提高了负荷预测的准确性，同时还可防止负荷数据样本过度拟合。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (10)

1.一种区域电力负荷预测方法，其特征在于，包括：

根据用电区域的历史负荷数据，构造N组不同时间间隔步长的时间序列特征数据；

分别对N组时间序列特征数据进行相关性检验，得到M组通过检验的相关序列，M≦N；所述相关序列具有序列自相关性；

将M组所述相关序列输入多序列长短期记忆网络预测模型中，集成所述多序列长短期记忆网络预测模型的输出结果，预测目标时间点的负荷数据；其中，所述多序列长短期记忆网络预测模型包括若干组长短期记忆网络预测模型。

2.根据权利要求1所述的方法，其特征在于，所述时间序列特征数据为：

E_i＝{e_t-Ki+1，e_t-2×Ki+1，...，e_t-j×Ki+1，...，e_t-n×Ki+1}

式中，E_i表示时间序列特征数据，Ki为时间间隔步长，n为时间序列特征数据的维度，e_t-j×Ki+1为E_i中第j个时间点对应的负荷变量；i＝1，2…，N；j＝1，2…，n。

3.根据权利要求2所述的方法，其特征在于，所述分别对N组时间序列特征数据进行相关性检验，包括：

根据所述时间序列特征数据中任意两个负荷变量之间的Spearman相关系数，以及所述时间序列特征数据的维度n，计算t检验统计量T；

判断t检验统计量T是否大于或等于阈值t_α,v，所述阈值t_α,v是与显著性水平α和自由度v有关的参数；

如果t检验统计量T大于或等于阈值t_α,v，则所述时间序列特征数据中任意两个负荷变量之间具备相关性；反之，则所述时间序列特征数据中任意两个负荷变量不相关。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述得到M组通过检验的相关序列，包括：

相关性检验完成后，从所述时间序列特征数据中筛选出非相关负荷变量，所述非相关负荷变量与所述时间序列特征数据中的其他负荷变量都不相关；

将所述非相关负荷变量从所述时间序列特征数据中移除，将移除处理后的时间序列特征数据作为所述相关序列；

丢弃N-M组不具有序列自相关性的时间序列特征数据，从而得到M组通过检验的相关序列。

5.根据权利要求3所述的方法，其特征在于，所述时间序列特征数据中任意两个负荷变量(X_j，Y_j)之间的Spearman相关系数r_s为：

式中，R_j为负荷变量X_j的秩，Q_j为负荷变量Y_j的秩。

6.根据权利要求5所述的方法，其特征在于，所述t检验统计量T通过如下公式计算：

式中，r_s为所述时间序列特征数据中任意两个负荷变量(X_j，Y_j)之间的Spearman相关系数。

7.根据权利要求1所述的方法，其特征在于，在将M组所述相关序列输入多序列长短期记忆网络预测模型之前，所述方法还包括：

对所述相关序列进行如下归一化处理：

式中，x_norm为负荷变量的归一化值，x为所述负荷变量的当前值，x_max为所述负荷变量的最大值，x_min为所述负荷变量的最大值。

8.根据权利要求1所述的方法，其特征在于，按照如下公式预测目标时间点的负荷数据S：

式中，S_k为第k组长短期记忆网络预测模型输出的目标时间点负荷值，W_k为第k组长短期记忆网络预测模型对应的权重系数，L为所述多序列长短期记忆网络预测模型中所包括的长短期记忆网络预测模型的数量。

9.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述长短期记忆网络预测模型的超参数进行贝叶斯优化，所述超参数包括迭代次数、批尺寸和隐含层节点个数。

10.根据权利要求1或9所述的方法，其特征在于，所述长短期记忆网络预测模型采用单隐含层结构。