CN113051837A - 一种基于气象参数的dlstm电力负荷预测方法和装置 - Google Patents

一种基于气象参数的dlstm电力负荷预测方法和装置 Download PDF

Info

Publication number
CN113051837A
CN113051837A CN202110448184.8A CN202110448184A CN113051837A CN 113051837 A CN113051837 A CN 113051837A CN 202110448184 A CN202110448184 A CN 202110448184A CN 113051837 A CN113051837 A CN 113051837A
Authority
CN
China
Prior art keywords
data
dlstm
power load
training
data set
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
Application number
CN202110448184.8A
Other languages
English (en)
Inventor
龚钢军
孟芷若
马洪亮
武昕
文亚凤
陆俊
苏畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202110448184.8A priority Critical patent/CN113051837A/zh
Publication of CN113051837A publication Critical patent/CN113051837A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (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

本发明公开一种基于气象参数的DLSTM电力负荷预测的方法和装置，包括：步骤1、获取与电力负荷预测工作有关的历史数据，通过构建数据集，对其进行预处理；步骤2、搭建基于DLSTM神经网络的电力负荷预测模型，利用预处理后的数据集训练所述电力负荷预测模型；步骤3、根据所述训练好的电力负荷预测模型，对获取的实时数据进行电力负荷预测。采用本发明的技术方案，将电力负荷中的关键因素气象和DLSTM的深度学习的方法相结合，可更好的用于负荷预测，有利于构建高性价比电力负荷预测模型。

Description

一种基于气象参数的DLSTM电力负荷预测方法和装置
技术领域
本发明属于电力技术领域，尤其涉及一种基于气象参数的DLSTM电力负荷预测方法和装置。
背景技术
电力是日常生活中的基本商品，但电力的生产量必须依据电力的需求量和利用率进行合理安排，且电能尚无法实现大规模的存储，过多或过少的电力生产都不利于电力系统高效、经济和稳定运行。因此，如何结合各种因素，设计出一个低成本和高性能的电力负荷预测模型，更好的预测未来用电趋势、调度发电机组、确保为消费者提供不间断的能源供应是要解决的技术问题之一。有研究表明家庭和企业用于供暖和制冷的电力消耗主要是由天气现象所驱动的，天气的变化使电力需求发生相应的变化，而且天气也会对风、光等新能源发电产生较大影响。如果不将气象因素考虑在内，可能会导致供需之间的不平衡，甚至导致电力生产成本增加以及产生过剩而浪费已经生产的电力。
目前已经有一些负荷预测模型涉及气象相关因素，例如一种采用KNN-LSTM模型进行负荷预测，这是一种用考虑多因素的深度学习融合方法来实现的负荷预测，其中包含温度和湿度两个相关因素，气象因素考虑有所欠缺，因此这会对负荷预测的准确性造成一定的影响；在一种基于NBA-SVR的日最大负荷预测模型中，采用的样本数据特征有最高温度、平均温度、降水量和相对湿度等，这种方法中虽然将气象因素考虑的较为全面，但是支持向量机(SVR)的方法仍然在选取内核函数上存在一定的困难。
目前对于相关气象参数的电力负荷预测模型常常采用支持向量回归器(SVR)的分析方法，其是一种基于支持向量机(SVM)、随机森林(RF)和AdaBoost的原理的方法。SVR常用于回归的流行机器学习，基本上算是SVM的修改版本。SVM旨在将每个数据点分成一个n维特征空间，之后将超平面的数据点分离到它所对应的类别。而SVR与SVM的工作原理相同，但SVM具有许多内核功能。在相关研究中，将使用三种流行的内核：带有线性内核的SVR(SVRL)，带有径向内核的SVM(SVRR)和带有多项式内核的SVR(SVRP)进行电力负荷预测。通过使用R语言开发SVR模型。
深度长短期记忆神经网络(DLSTM)是一种深度学习的方法，它克服了RNN的长期记忆效果不好的问题。其较于传统常用的SVM的方法来说有着许多的优点，建立的模型经过训练后预测的速度会更快；并且这种一次性的端到端的解决方式更加的直接便捷；同时对于数据量较大的情况下，选择DLSTM更加的适合，并且大量的数据一定程度上可以提高模型预测的准确性。
由于目前有很多负荷预测的模型没有考虑到气象参数，或者仅选取了温度、湿度等较少的一两个因素进行预测。大量的研究表明，气象参数对负荷预测有着十分重要的影响，所以如何将气象参数较全面的考虑到负荷预测模型中成为一个重要的切入点。再者对于已有的相关气象参数的负荷预测多采用的SVM或者改进的SVR，这些方法存在一些传统浅层机器学习自身特性导致的缺点。
发明内容
本发明要解决的技术问题是，提供一种基于气象参数的DLSTM电力负荷预测的方法和装置，将电力负荷中的关键因素气象和DLSTM的深度学习的方法相结合，可更好的用于负荷预测，有利于构建高性价比电力负荷预测模型。
为实现上述目的，本发明采用如下的技术方案：
一种基于气象参数的DLSTM电力负荷预测的方法，包括：
步骤1、获取集与电力负荷预测工作有关的历史数据，通过构建数据集，对其进行预处理；
步骤2、搭建基于DLSTM神经网络的电力负荷预测模型，利用预处理后的数据集训练所述电力负荷预测模型；
步骤3、根据所述训练好的电力负荷预测模型，对获取的实时数据进行电力负荷预测。
作为优选，步骤1中，所述数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量。
作为优选，设所有特征变量的历史数据集为V，则数据集表示为：
V＝[V1V2V3…Vk…Vm]
其中，Vk表示第k个特征变量，m为负荷预测所考虑的特征变量维数，1≤k≤m；
第k个特征变量Vk可以进一步的表示为
Figure BDA0003037630130000031
其中，
Figure BDA0003037630130000032
表示第k个特征变量第j个时间点的历史数据，n为特征变量Vk的时间长度，1≤j≤n。
作为优选，步骤1中，数据预处理如下：
设标准处理过后的第k维数据表示为V’k，进一步第k维数据特征变量的第j(1≤j≤n)个时间点的历史数据V’k (j)以表示为：
Figure BDA0003037630130000033
其中，σ表示特征变量的方差，μ表示特征变量的均值，
对标准化后的数据进行帧格化，设其滑动窗口的长度为m，将所得作为模型的一个训练样本；将处理后的数据集设为A，第i个训练样本的表示如下：
Figure BDA0003037630130000034
设测试样本的总数为a，那么滑动窗口的长度1<m<a。
设数据集对应的负荷值为Y，那么DLSTM神经网络的嵌入维输入数据集为：
D＝[A Y]。
作为优选，步骤2中，所述DLSTM神经网络由多层LSTM神经网络进行顺序堆叠构成的神经网络；所述LSTM包括输入门i(t)、遗忘门f(t)以及输出门o(t)，t为时间节点，当前时刻神经元的内部状态表示为h(t)，当前时刻的外部状态表示为c(t)，当前时刻的外部输入表示为x(t)，激活层函数表示为σ；DLSTM神经网络每一层网络的隐藏层的输出为下一层网络的输入；设DLSTM神经网络的层数为Υ，则Υ层DLSTM神经网络的状态更新方式如下表示：
Figure BDA0003037630130000041
Figure BDA0003037630130000042
Figure BDA0003037630130000043
Figure BDA0003037630130000044
Figure BDA0003037630130000045
其中，b为偏移项；Wi，Υ，Wf，Υ，Wo，Υ，Wc，Υ表示与当前输入的负荷数据的连接权重；Vi，Υ，Vf，Υ，Vo，Υ，Vc，Υ表示与前一时刻输出的负荷数据的连接权重；下标i,f,o分别对应输入门、遗忘门、输出门，下标c对应外部状态；
Figure BDA0003037630130000046
表示内积运算；σ表示的是sigmod函数。
作为优选，训练所述电力负荷预测模型具体为：设迭代次数采用s表示，S表示算法所用的总的迭代次数，E(s)表示的是第s次softmax回归函数；
根据获取相关历史数据构建数据集，数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量等，然后对数据进行格式标准化，将标准化后的数据表示为A，接着对标准化后的数据进行帧格化，得到可以用于模型训练的数据集；
数据集处理完毕后，先对W、V、b进行初始化，然后将训练次数s设定初值为1，进行第一次训练；
逐层计算i(t)、h(t)、f(t)、o(t)、c(t)，要保证第s次softmax回归函数的值大于第s-1次的回归函数的值，否则更新模型；
如果当前回归函数的值大于上一次训练的回归函数的值的时候，就对训练次数s与开始设定的总的训练次数S进行比较；
当s的值没有达到设定的训练次数时，进行下一次训练，同时将训练次数的值加一；否则说明训练结束，得到训练后的模型。
本发明还提供一种基于气象参数的DLSTM电力负荷预测的装置，包括：
预处理模块，用于获取集与电力负荷预测工作有关的历史数据，通过构建数据集，对其进行预处理；
训练模块，用于搭建基于DLSTM神经网络的电力负荷预测模型，利用预处理后的数据集训练所述电力负荷预测模型；
预测模块，用于根据所述训练好的电力负荷预测模型，对获取的实时数据进行电力负荷预测。
作为优选，所述数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量。
采用本发明技术方案，首先，获取与电力负荷预测工作(例如：时长为两年)有关的历史数据，通过构建数据集，对其进行预处理；然后，搭建基于DLSTM神经网络的电力负荷预测模型；接着利用构建并已经预处理好的历史数据集训练预测模型，得到稳定、快速的预测模型；最后，基于训练好的预测模型，对获取的实时数据进行电力负荷预测。本发明将电力负荷中的关键因素气象和DLSTM的深度学习的方法相结合，可更好的用于负荷预测，有利于构建高性价比电力负荷预测模型。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明DLSTM电力负荷预测的方法的流程图
图2为本发明LSTM神经元结构的示意图；
图3为本发明DLSTM神经元结构的示意图；
图4为本发明训练预测模型的流程图；
图5为本发明DLSTM电力负荷预测的装置的结构图。
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、完整地描述，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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供一种基于气象参数的DLSTM电力负荷预测的方法包括：
步骤1、获取集与电力负荷预测工作有关的历史数据，通过构建数据集，对其进行预处理。
采集某地指定时段(此处以两年为例)相关历史数据来建立电力负荷预测模型；其中，电力需求从相关的变电站获得，而且气象数据收集时间与电力数据收集时间区间相同。
构建相关数据集，数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量。本发明将这些因素均称谓特征变量。
表示相关数据集，设所有特征变量的历史数据集为V，则该数据集可以表示为：
V＝[V1V2V3…Vk…Vm] (1)
其中，Vk表示第k(1≤k≤m)个特征变量，m为负荷预测所考虑的特征变量维数。例如数据集特征变量共有6，则m为6。
进一步构造相关数据集，第k个特征变量Vk可以进一步的表示为
Figure BDA0003037630130000061
其中，
Figure BDA0003037630130000062
表示第k个特征变量第j(1≤j≤n)个时间点的历史数据，n为特征变量Vk的时间长度。
所述数据预处理包括：
因为所选取的两年相关数据多，并且负荷预测的特征变量维数较大、结构特征差距大，所以还需要对相关数据进行标准化，从而进一步提高本发明所设计的模型的准确性。
设标准处理过后的第k维数据表示为V’k，那么同理可推，进一步纬度的第k维数据特征变量的第j(1≤j≤n)个时间点的历史数据V’k (j)可以表示为：
Figure BDA0003037630130000071
其中，σ表示特征变量的方差，μ表示特征变量的均值。
对标准化后的数据进行帧格化，设其滑动窗口的长度为m，将所得作为模型的一个训练样本；将处理后的数据集设为A，第i个训练样本的表示如下：
Figure BDA0003037630130000072
设测试样本的总数为a，那么滑动窗口的长度1<m<a。
设数据集对应的负荷值为Y，那么DLSTM神经网络的嵌入维输入数据集为
D＝[A Y] (5)
步骤2、搭建基于DLSTM神经网络的电力负荷预测模型，利用预处理后的数据集训练所述电力负荷预测模型。
本发明采用的DLSTM神经网络，其是由多层LSTM神经网络进行顺序堆叠构成的神经网络。因为LSTM神经网络可以控制神经网络中传递的信息是否保存，并且可以控制将这些信息保存多少到记忆存储单元中。因为LSTM可以学习跨度较长的依赖关系，避免梯度爆炸问题的出现。而为了使得挖掘的信息更加的全面，本发明采用DLSTM神经网络。下面先介绍LSTM神经元结构。
LSTM神经元结构如下：
如图2所示，LSTM包括了输入门i(t)、遗忘门f(t)以及输出门o(t)，t为时间节点。输入门主要是用来控制决定有多少新输入的数据存储在内部状态中。遗忘门用于控制有多少过去的信息需要丢弃。输出门用于控制在当前时刻内部状态中有多少信息需要输出到外部状态。另外，图2中的当前时刻神经元的内部状态表示为h(t)；当前时刻的外部状态表示为c(t)；当前时刻的外部输入表示为x(t)；激活层函数表示为σ。
DLSTM神经元结构如下：
如图3所示，可以看到该神经网络每一层网络的隐藏层的输出为下一层网络的输入。此时，假设DLSTM神经网络的层数为Υ，则Υ层DLSTM神经网络的状态更新方式如下表示：
Figure BDA0003037630130000081
Figure BDA0003037630130000082
Figure BDA0003037630130000083
Figure BDA0003037630130000084
Figure BDA0003037630130000085
其中，b为偏移项；Wi，Υ，Wf，Υ，Wo，Υ，Wc，Υ表示与当前输入的负荷数据的连接权重；Vi，Υ，Vf，Υ，Vo，Υ，Vc，Υ表示与前一时刻输出的负荷数据的连接权重；下标i,f,o分别对应上文中所提及的输入门、遗忘门、输出门，下标c对应外部状态；
Figure BDA0003037630130000086
表示内积运算；σ表示的是sigmod函数。
如图4所示，训练预测模型如下：
本发明设计的预测模型是由嵌入维、DLSTM以及逻辑回归层顺序堆叠而成的。迭代次数用s表示，S表示算法所用的总的迭代次数，E(s)表示的是第s次softmax回归函数。
根据步骤1获取相关历史数据构建数据集，数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量等，然后对数据进行格式标准化，将标准化后的数据表示为A，接着对标准化后的数据进行帧格化，得到可以用于模型训练的数据集。
数据集处理完毕后，先对W、V、b进行初始化，然后将训练次数s设定初值为1，进行第一次训练。
逐层计算i(t)、h(t)、f(t)、o(t)、c(t)，要保证第s次softmax回归函数的值大于第s-1次的回归函数的值，否则更新模型。
如果当前回归函数的值大于上一次训练的回归函数的值的时候，就对训练次数s与开始设定的总的训练次数S进行比较。
当s的值没有达到设定的训练次数时，进行下一次训练，同时将训练次数的值加一。否则说明训练结束，得到训练后的模型。
负荷模型搭建完成后，需要将之前预处理好的大量的历史数据进行离线训练，直到收敛后才能获得稳定的可以实际应用的模型。在离线训练过后，原本运行时间长，运行不稳定的模型会变的快速高效且稳定。
步骤3、根据所述训练好的电力负荷预测模型，对获取的实时数据进行电力负荷预测。
本发明通过对数据集的建立以及DLSTM模型的构建和训练，进行了相关的负荷预测。首先构建相关数据集，对数据进行预处理，得到统一格式且容易被模型处理的数据。然后使用已经训练好的基于DLSTM的高性价比电力负荷预测模型进行相关负荷预测，最后输出负荷预测结果。进行模型其将气象这一重要因素全面考虑，能够更准确、全面的得到气象变化和用户电力需求间的关系，进一步提高了负荷预测的准确性，降低了成本。
如图5所示，本发明还提供一种基于气象参数的DLSTM电力负荷预测的装置包括：
预处理模块，用于获取集与电力负荷预测工作有关的历史数据，通过构建数据集，对其进行预处理；
训练模块，用于搭建基于DLSTM神经网络的电力负荷预测模型，利用预处理后的数据集训练所述电力负荷预测模型；
预测模块，用于基于训练好的电力负荷预测模型，对获取的实时数据进行电力负荷预测。
进一步，所述数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于气象参数的DLSTM电力负荷预测的方法，其特征在于，包括：
步骤1、获取与电力负荷预测工作有关的历史数据，通过构建数据集，对其进行预处理；
步骤2、搭建基于DLSTM神经网络的电力负荷预测模型，利用预处理后的数据集训练所述电力负荷预测模型；
步骤3、根据所述训练好的电力负荷预测模型，对获取的实时数据进行电力负荷预测。
2.如权利要求1所述的基于气象参数的DLSTM电力负荷预测的方法，其特征在于，步骤1中，所述数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量。
3.如权利要求2所述的基于气象参数的DLSTM电力负荷预测的方法，其特征在于，设所有特征变量的历史数据集为V，则数据集表示为：
V＝[V1 V2 V3 …Vk…Vm]
其中，Vk表示第k个特征变量，m为负荷预测所考虑的特征变量维数，1≤k≤m；
第k个特征变量Vk进一步的表示为
Figure FDA0003037630120000011
其中，
Figure FDA0003037630120000012
表示第k个特征变量第j个时间点的历史数据，n为特征变量Vk的时间长度，1≤j≤n。
4.如权利要求3所述的基于气象参数的DLSTM电力负荷预测的方法，其特征在于，步骤1中，数据预处理如下：
设标准处理过后的第k维数据表示为V’k，进一步第k维数据特征变量的第j个时间点的历史数据
Figure FDA0003037630120000014
表示为：
Figure FDA0003037630120000013
其中，σ表示特征变量的方差，μ表示特征变量的均值，1≤j≤n；
对标准化后的数据进行帧格化，设其滑动窗口的长度为m，将所得作为模型的一个训练样本；将处理后的数据集设为A，第i个训练样本的表示如下：
Figure FDA0003037630120000021
设测试样本的总数为a，那么滑动窗口的长度1<m<a。
设数据集对应的负荷值为Y，那么DLSTM神经网络的嵌入维输入数据集为：
D＝[A Y]。
5.如权利要求1所述的基于气象参数的DLSTM电力负荷预测的方法，其特征在于，步骤2中，所述DLSTM神经网络由多层LSTM神经网络进行顺序堆叠构成的神经网络；所述LSTM包括输入门i(t)、遗忘门f(t)以及输出门o(t)，t为时间节点，当前时刻神经元的内部状态表示为h(t)，当前时刻的外部状态表示为c(t)，当前时刻的外部输入表示为x(t)，激活层函数表示为σ；DLSTM神经网络每一层网络的隐藏层的输出为下一层网络的输入；设DLSTM神经网络的层数为Υ，则Υ层DLSTM神经网络的状态更新方式如下表示：
Figure FDA0003037630120000022
Figure FDA0003037630120000023
Figure FDA0003037630120000024
Figure FDA0003037630120000025
Figure FDA0003037630120000026
其中，b为偏移项；Wi，Υ，Wf，Υ，Wo，Υ，Wc，Υ表示与当前输入的负荷数据的连接权重；Vi，Υ，Vf，Υ，Vo，Υ，Vc，Υ表示与前一时刻输出的负荷数据的连接权重；下标i,f,o分别对应输入门、遗忘门、输出门，下标c对应外部状态；
Figure FDA0003037630120000031
表示内积运算；σ表示的是sigmod函数。
6.如权利要求5所述的基于气象参数的DLSTM电力负荷预测的方法，其特征在于，训练所述电力负荷预测模型具体为：设迭代次数采用s表示，S表示算法所用的总的迭代次数，E(s)表示的是第s次softmax回归函数；
根据获取相关历史数据构建数据集，数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量，然后对数据进行格式标准化，将标准化后的数据表示为A，接着对标准化后的数据进行帧格化，得到用于模型训练的数据集；
数据集处理完毕后，先对W、V、b进行初始化，然后将训练次数s设定初值为1，进行第一次训练；
逐层计算i(t)、h(t)、f(t)、o(t)、c(t)，要保证第s次softmax回归函数的值大于第s-1次的回归函数的值，否则更新模型；
如果当前回归函数的值大于上一次训练的回归函数的值的时候，就对训练次数s与开始设定的总的训练次数S进行比较；
当s的值没有达到设定的训练次数时，进行下一次训练，同时将训练次数的值加一；否则说明训练结束，得到训练后的模型。
7.一种基于气象参数的DLSTM电力负荷预测的装置，其特征在于，包括：
预处理模块，用于获取集与电力负荷预测工作有关的历史数据，通过构建数据集，对其进行预处理；
训练模块，用于搭建基于DLSTM神经网络的电力负荷预测模型，利用预处理后的数据集训练所述电力负荷预测模型；
预测模块，用于根据所述训练好的电力负荷预测模型，对获取的实时数据进行电力负荷预测。
8.如权利要求7所述的基于气象参数的DLSTM电力负荷预测的装置，其特征在于，所述数据集包括每小时的气温、露点温度、相对湿度、云量、风速和降雨量。
CN202110448184.8A 2021-04-25 2021-04-25 一种基于气象参数的dlstm电力负荷预测方法和装置 Pending CN113051837A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110448184.8A CN113051837A (zh) 2021-04-25 2021-04-25 一种基于气象参数的dlstm电力负荷预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110448184.8A CN113051837A (zh) 2021-04-25 2021-04-25 一种基于气象参数的dlstm电力负荷预测方法和装置

Publications (1)

Publication Number Publication Date
CN113051837A true CN113051837A (zh) 2021-06-29

Family

ID=76520434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110448184.8A Pending CN113051837A (zh) 2021-04-25 2021-04-25 一种基于气象参数的dlstm电力负荷预测方法和装置

Country Status (1)

Country Link
CN (1) CN113051837A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266925A (zh) * 2021-12-30 2022-04-01 华北电力大学 一种基于dlstm-rf的用户窃电检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN112446537A (zh) * 2020-11-20 2021-03-05 国网浙江省电力有限公司宁波供电公司 基于深度长短期记忆网络的短期负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN112446537A (zh) * 2020-11-20 2021-03-05 国网浙江省电力有限公司宁波供电公司 基于深度长短期记忆网络的短期负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王激华 等: ""基于深度长短期记忆神经网络的短期负荷预测"", 《广东电力》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266925A (zh) * 2021-12-30 2022-04-01 华北电力大学 一种基于dlstm-rf的用户窃电检测方法及系统
CN114266925B (zh) * 2021-12-30 2022-09-30 华北电力大学 一种基于dlstm-rf的用户窃电检测方法及系统

Similar Documents

Publication Publication Date Title
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
Zhou et al. Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine
Ke et al. Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network
CN108280551B (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
Xiaoyun et al. Short-term prediction of wind power based on deep long short-term memory
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
Scott et al. Machine learning for forecasting a photovoltaic (PV) generation system
CN109948845A (zh) 一种配电网负荷长短期记忆神经网络预测方法
CN106960252A (zh) 基于长短时记忆神经网络的电力负荷预测方法
CN112116144B (zh) 一种区域配电网短期负荷预测方法
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN115481788B (zh) 相变储能系统负荷预测方法及系统
Tian et al. An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting
CN114065646B (zh) 基于混合优化算法的能耗预测方法、云计算平台及系统
CN113762387B (zh) 一种基于混合模型预测的数据中心站多元负荷预测方法
Liang et al. Method of bidirectional LSTM modelling for the atmospheric temperature
CN115049115A (zh) 计及nwp风速横纵向误差的rdpg风速修正方法
CN115409258A (zh) 一种混合深度学习短期辐照度预测方法
CN116757057A (zh) 基于pso-ga-lstm模型的空气质量预测方法
CN115409369A (zh) 基于机理和数据混合驱动的综合能源系统可靠性评估方法
Chen et al. EvaNet: An extreme value attention network for long-term air quality prediction
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN113051837A (zh) 一种基于气象参数的dlstm电力负荷预测方法和装置

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