CN114462670A - 一种基于lstm模型的用电量预测方法 - Google Patents

一种基于lstm模型的用电量预测方法 Download PDF

Info

Publication number
CN114462670A
CN114462670A CN202111600079.8A CN202111600079A CN114462670A CN 114462670 A CN114462670 A CN 114462670A CN 202111600079 A CN202111600079 A CN 202111600079A CN 114462670 A CN114462670 A CN 114462670A
Authority
CN
China
Prior art keywords
data
daily
electric quantity
value
user
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
CN202111600079.8A
Other languages
English (en)
Inventor
吴海杰
王联智
王康桑
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.)
Hainan Digital Power Grid Research Institute of China Southern Power Grid Co Ltd
Original Assignee
Hainan Digital Power Grid Research Institute of China Southern Power Grid Co Ltd
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 Hainan Digital Power Grid Research Institute of China Southern Power Grid Co Ltd filed Critical Hainan Digital Power Grid Research Institute of China Southern Power Grid Co Ltd
Priority to CN202111600079.8A priority Critical patent/CN114462670A/zh
Publication of CN114462670A publication Critical patent/CN114462670A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于LSTM模型的用电量预测方法，包括下列步骤：采集在T时间段内且包含多个用户的日用电量相关历史数据，并对所述日用电量相关历史数据进行异常值处理以及缺失值填补；建立第一特征指标，根据新的用电量相关数据获得对应用户的第一特征指标的特征值，对所述用户样本集进行K‑means聚类，基于聚类结果划分多个用户群体；建立第二特征指标以及包含LSTM网络的用电量预测模型，将每类用户群体的第二特征指标的特征值以及第一特征指标的特征值作为所述用电量预测模型的输入，对所述用电量预测模型进行训练，得到特定日的电量预测值，将待预测月已实际产生的日电量与该月内特定日的电量预测值相加即得到相应的月电量预测值。

Description

一种基于LSTM模型的用电量预测方法
技术领域
本发明涉及电量预测技术领域，尤其涉及一种基于LSTM模型的用电量预测方法。
背景技术
电量预测是指在满足一定精度要求下，充分考虑一些重要的自然条件与社会影响、系统运行特性与增容决策等方面，研究或利用一种能够处理过去与未来电量的关系的数学方法，确定未来某特定时刻的电量数值；对电量进行准确预测，可以保证人民生活和社会正常生产，有效地降低电力企业的运行成本，保证电网经济运行，提高社会和经济效益；而电量的影响因素较多，例如地区经济、政策、气候等，这些因素中又确定性的，也有随机性的，这一方面说明了电量预测所需的数据较多，另一方面说明了电量预测结果由于影响因素的随机性在一定程度上具有不确定性，很大程度上增加了电量预测的难度。目前，对于中长期电量的预测技术已经日趋承受，而日电量的预测技术研究相对较少，且日电量信息数据隐藏的用电行为更具体。
发明内容
本发明的目的在于提供一种基于LSTM模型的用电量预测方法，以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的：本发明公开了一种基于LSTM模型的用电量预测方法，包括下列步骤：
采集在T时间段内且包含多个用户的日用电量相关历史数据，并对所述日用电量相关历史数据进行异常值处理以及缺失值填补，获得新的用电量相关数据，所述用电量相关历史数据包括日用电量数据以及日气温数据，；
建立包括用户在7天内日电量的平均电量、最小电量、最大电量、电量方差、电量中位数、日平均气温在内的第一特征指标，根据新的用电量相关数据获得对应用户的第一特征指标的特征值，多个用户的特征值构成用户样本集D＝{x1,x2,x3,…,xn}，xn表示第n个用户，对所述用户样本集进行K-means聚类，基于聚类结果划分多个用户群体；
建立第二特征指标以及包含LSTM网络的用电量预测模型，将每类用户群体的第二特征指标的特征值以及第一特征指标的特征值作为所述用电量预测模型的输入，对所述用电量预测模型进行训练，得到特定日的电量预测值，将待预测月已实际产生的日电量与该月内特定日的电量预测值相加即得到相应的月电量预测值。
可选的，对用户在T时段内的日用电量数据进行异常值处理，具体包括：计算每个用户在T时间段内的日用电量数据的中位数以及均值，对所述中位数和均值进行比较，若所述中位数和均值相差在30倍以上，则对上述T时段内的日用电量数据进行逐个筛选，找出异常数据。
可选的，对上述T时段内的日用电量数据进行逐个筛选，找出异常数据的过程包括：将每个用户在T时段内的日用电量数据按照时间维度从大到小进行排序，计算其均值以及方差，同时设定最大门限值
Figure BDA0003431432890000021
以及最小门限值
Figure BDA0003431432890000022
若该用户在T时段内的每个日用电量数据大于
Figure BDA0003431432890000023
则用
Figure BDA0003431432890000024
替换相应的日用电量数据；
若该用户在T时段内的每个日用电量数据小于
Figure BDA0003431432890000025
则用
Figure BDA0003431432890000026
替换相应的日用电量数据，其中
Figure BDA0003431432890000027
为均值，std为方差。
可选的，对所述日用电量数据进行缺失值填补，包括：
在用户T时段内的日用电量数据中选取连续31天的日用电量数据，在所述连续31天的日用电量数据中至少包括一个存在缺失值的数据；
将该用户连续31天的日用电量数据采用K近邻法计算缺失值与其他正常值的欧式距离，并对所述欧式距离按照从小到大的顺序进行排序，选取欧式距离最小的三个数据，通过计算三个数据的均值来对缺失值进行替换。
可选的，所述第二特征指标包括特定用户在31天内的日用电量数据以及31天内的日用电量数据的平均值、最大值、最小值、方差、电量中位数、待预测当天温度平均值、待预测当天星期类型、节假日情况。
可选的，将待预测当天星期类型、节假日情况进行数值话处理，数字0或1表示是否为节假日情况，采用数字1至7表征待预测当天星期类型。
可选的，采用线性插值法对日气温数据中的异常值以及缺失值进行处理。
与现有技术相比，本发明达到的有益效果如下：本发明提供的一种基于LSTM模型的用电量预测方法，在日电量和气温数据基础上，对异常的电量和气温数据进行识别处理，使用K近邻模型对其缺失值进行填补，并从天气、节假日类型、星期类型等维度构建衡量用户电量波动的特征，由于各个用户之间的用电模式存在一定差异性，将利用上述部分特征进行聚类，得到5类用户群体，使用深度学习中的LSTM模型对每一类用户群体进行训练和日电量预测，并将待预测月已实际产生的日电量与该月内预测的日电量相加即得到相应的月电量预测值，其中随着预测月的时间推移，每天都将进行一次日电量预测进而得到滚动的月电量预测结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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优选实施例，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为本发明提供的一种基于LSTM模型的用电量预测方法的流程图；
图2是本发明实施例中的LSTM的结构示意图；
图3是本发明实施例中的全连接神经网络示意图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
参见图1，本发明公开了一种基于LSTM模型的用电量预测方法，包括下列步骤：
S1、采集在T时间段内且包含多个用户的日用电量相关历史数据，并对所述日用电量相关历史数据进行异常值处理以及缺失值填补，获得新的用电量相关数据，所述用电量相关历史数据包括日用电量数据以及日气温数据。
在本步骤中，其T时间段优选为50天内，即采集50天内的多个用户的日用电量数据以及日气温数据,上述数据都是存在或多或少的缺失以及异常情况，因此需要对上述数据进行预处理。
在本发明的一个实施方式中，采用线性插值法对日气温数据中的异常值以及缺失值进行处理。
在本发明的另一个实施方式中，给出了对用户在T时段内的日用电量数据进行异常值处理的具体方式，其具体步骤为：计算每个用户在T时间段内的日用电量数据的中位数以及均值，对所述中位数和均值进行比较，若所述中位数和均值相差在30倍以上，则说明该用户在T时间段内的日用电量数据存在较多的异常情况，因此需要对上述用户在T时段内的日用电量数据进行逐个筛选，找出异常数据。
进一步的，对上述T时段内的日用电量数据进行逐个筛选，找出异常数据的过程包括：将每个用户在T时段内的日用电量数据按照时间维度从大到小进行排序，计算其均值以及方差，同时设定最大门限值
Figure BDA0003431432890000061
以及最小门限值
Figure BDA0003431432890000062
然后剔除每个用户在T时段内的日用电量数据存在值为0的情况，将剩余数据的值与最大门限值与最小门限值进行比较，若该用户在T时段内的每个日用电量数据大于
Figure BDA0003431432890000063
则用
Figure BDA0003431432890000064
替换相应的日用电量数据；
若该用户在T时段内的每个日用电量数据小于
Figure BDA0003431432890000065
则用
Figure BDA0003431432890000066
替换相应的日用电量数据，其中
Figure BDA0003431432890000067
为均值，std为方差。
若该用户在T时段内的每个日用电量数据的值在
Figure BDA0003431432890000068
与
Figure BDA0003431432890000069
之间，则说明该数据的值为正常情况。
在本发明的另一个实施方式中，给出了对所述日用电量数据进行缺失值填补的具体过程，需要说明的是，用户在T时段内的日用电量数据存在值为0的情况即为该数据的缺失值，其具体过程包括：
在用户T时段内的日用电量数据中选取连续31天的日用电量数据，在所述连续31天的日用电量数据中至少包括一个存在缺失值的数据；
将该用户连续31天的日用电量数据采用K近邻法计算缺失值与其他正常值的欧式距离，并对所述欧式距离按照从小到大的顺序进行排序，选取欧式距离最小的三个数据，通过计算三个数据的均值来对缺失值进行替换。
S2、建立包括用户在7天内日电量的平均电量、最小电量、最大电量、电量方差、电量中位数、日平均气温在内的第一特征指标，根据新的用电量相关数据获得对应用户的第一特征指标的特征值。
以用户A为例，在本发明的实施方式中，首先获取用户A在50天当中的每日用电量数据以及日气温数据，选取其中的七天，依次获取七天中的平均电量、最小电量、最大电量、电量方差、电量中位数、日平均气温的数值，上述数值即为用户A的第一特征指标的特征值，多个用户的特征值构成用户样本集D＝{x1,x2,x3,…,xn}，xn表示第n个用户，对所述用户样本集进行K-means聚类，基于聚类结果划分多个用户群体，在本实施例中，优选为5类用户群体。
建立第二特征指标，其第二指标特征包括特定用户在31天内的日用电量数据以及31天内的日用电量数据的平均值、最大值、最小值、方差、电量中位数、待预测当天星期类型、节假日情况。同时建立包含LSTM网络的用电量预测模型，将每类用户群体的第二特征指标的特征值以及第一特征指标的特征值作为所述用电量预测模型的输入，对所述用电量预测模型进行训练，得到特定日的电量预测值。
继续以用户A为例，选取用户A的31天内的日用电量数据，同时获取相应的平均值、最大值、最小值、方差、电量中位数，将七天中的平均电量、最小电量、最大电量、电量方差、电量中位数、日平均气温以及31天内的日用电量、平均值、最大值、最小值、方差、电量中位数、待预测当天温度平均值、待预测当天星期类型、节假日情况作为用电量预测模型的输入。
在本发明中，用电量预测模型采用LSTM网络作为主体架构，LSTM网络是RNN变种，相比较传统RNN,LSTM解决了RNN所存在的梯度爆炸问题。他采用了门控机制来对之前的信息进行过滤，能控制有用信息的保留和无用信息的过滤，在长时间序列问题上有较好表现。
图2为LSTM的结构图和公式，它由输入门，输出门，遗忘门组成，通过控制遗忘门对上一个神经元的内容进行选择，捕捉之前的用电量和今天用电量之间的关系。一个LSTM的单元的输入是上个单元的输出ht-1，上一个状态的单元信息Ct-1和这一状态的输入Xt，然后通过如图2所示的门控制输出这一个状态的ht(在本次项目中是代表每一天日电量特征经LSTM层变换后的日电量表示)，这一个状态的单元信息Ct。
遗忘门：
ft＝σ(Wf·[ht-1,xt]+bf)
对应于图2中从左到右第一个门，具体的如图3所示，为一个全连接神经网络。输入为每一天的向量{f1,f2,f3,...f55}与上次个神经元的输出相结合成的新输入{x1,x2,x3,...x55}，对应于图3左边f1到fn。每个输入都会和中间层神经元有连接，并且每一次连接都会有相应的权重wij(代表第i个特征与第j个神经元之间的权重)和偏秩wij(代表第i个特征与第j个神经元之间的偏秩)。对每一个特征和对应神经元的权重做矩阵运算：
Figure BDA0003431432890000081
再通过SOFTMAX函数将门输出设置为0或者1，若是0即是忘记前一个状态的单元信息Ct-1，若是1，则是让其输入。简单来说，在日电量预测中，如果前一天的日电量数据对今天的日电量数据影响不大，那遗忘门可以将其输出权重置为0，将这一天的信息遗忘。
其中SOFTMAX公式为：
Figure BDA0003431432890000082
其中的zj为第j个日电量特征向量，SOFTMAX函数就是对每一个向量的输出进行对数归一化，使得每个日电量向量都能得到自己输出的概率值)
输入门：
it＝σ(Wi·[ht-1,xt]+bi)
对应图2中从左至右第二个门，和遗忘门相同，他通过ht-1和Xt的乘积加上一个bias值，再通过SOFTMAX函数将门输出设置为0或者1，若是0即是忘记住着一个时刻的单元信息输入，若是1，则是让其输入。简单来说，在日电量预测中，是对输入天的特征进行筛选，有比例的输入对应的信息。
输出门：
Ot＝σ(Wo·[ht-1,xt]+bo)
，对应图2中从左至右最后一个门，和遗忘门相同，他通过ht-1和Xt的乘积加上一个bias值(同样是一个全连接神经网络)，再通过SOFTMAX函数将门输出设置为0或者1，若是0即是忘记住着一个时刻的输出ht，若是1，则是让其输出。
Figure BDA0003431432890000091
和
Figure BDA0003431432890000092
是对上一状态的单元信息进行处理，同样和门操作一样，首先经过ht-1和Xt的乘积加上一个bias值(同样是一个全连接神经网络)，之后再经过TANH函数的变换，再与上一个状态的单元信息进行融合得到这个状态的信息Ct。在日电量预测中，这一操作是将前几天神经元捕获到的特征与当前天的特征进行融合，提取新的有用的信息。
ht＝ot*tanh(Ct)，这个公式就是通过输出门控制最后输出此状态的ht。
对于LSTM进行反向传播求导时候，会涉及到激活函数的求导，即SOFTMAX、TANH函数的求导，他们的求导公式如下所示：
Figure BDA0003431432890000093
Figure BDA0003431432890000094
在某一时间下，对于LSTM网络，最末层l的误差信号为(对于SOFTMAX输出函数)：
Figure BDA0003431432890000101
所以则有：
Figure BDA0003431432890000102
Figure BDA0003431432890000103
我们已知的条件是
Figure BDA0003431432890000104
和
Figure BDA0003431432890000105
所以根据链式法则：
(1)输出门梯度
Figure BDA0003431432890000106
(2)新生成信息
Figure BDA0003431432890000107
梯度
Figure BDA0003431432890000108
(3)输出门梯度
Figure BDA0003431432890000109
(4)遗忘门梯度
Figure BDA00034314328900001010
有了上面三个误差信号，就可以求得参数梯度了，具体公式如下：
输出门相关：
Figure BDA00034314328900001011
新生成信息
Figure BDA00034314328900001012
相关：
Figure BDA00034314328900001013
输入门相关：
Figure BDA0003431432890000111
遗忘门相关：
Figure BDA0003431432890000112
所以再往前面传的误差信号为：
Figure BDA0003431432890000113
Figure BDA0003431432890000114
输入LSTM网络的格式为[batch_size,time_step,feature_dim]的三维矩阵，其中batch_size是训练时候模型每次输入批次的大小，time_stamp是训练数据时间节点的长度，在日电量中一天就为一个时间节点，训练时设置每一天单独作为一个训练数据进行模型训练，试验发现time_step设置为1为效果最好。feature_dim表示每一天所提取的特征的维度，本文即是从日电量数据和天气温度数据提取的55维特征。
综上，通过上述用电量预测模型得到特定日的电量预测值，依次计算相应特定日的电量预测值，例如首先基于本月前15天的数据，通过用电量预测模型计算第16天的电量预测值，然后基于本月前15天的数据以及第16天的电量预测值，计算第17天的电量预测值，依此类推，最终获得本月时间内的其他用电量预测值，将本月内所有的已知用电量以及用电量预测值进行相加，最后的结果即为相应的月电量预测值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (7)

1.一种基于LSTM模型的用电量预测方法，其特征在于，包括下列步骤：
采集在T时间段内且包含多个用户的日用电量相关历史数据，并对所述日用电量相关历史数据进行异常值处理以及缺失值填补，获得新的用电量相关数据，所述用电量相关历史数据包括日用电量数据以及日气温数据；
建立包括用户在7天内日电量的平均电量、最小电量、最大电量、电量方差、电量中位数、日平均气温在内的第一特征指标，根据新的用电量相关数据获得对应用户的第一特征指标的特征值，多个用户的特征值构成用户样本集D＝{x1,x2,x3,…,xn}，xn表示第n个用户，对所述用户样本集进行K-means聚类，基于聚类结果划分多个用户群体；
建立第二特征指标以及包含LSTM网络的用电量预测模型，将每类用户群体的第二特征指标的特征值以及第一特征指标的特征值作为所述用电量预测模型的输入，对所述用电量预测模型进行训练，得到特定日的电量预测值，将待预测月已实际产生的日电量与该月内特定日的电量预测值相加即得到相应的月电量预测值。
2.根据权利要求1所述的一种基于LSTM模型的用电量预测方法，其特征在于，对用户在T时段内的日用电量数据进行异常值处理，具体包括：计算每个用户在T时间段内的日用电量数据的中位数以及均值，对所述中位数和均值进行比较，若所述中位数和均值相差在30倍以上，则对上述T时段内的日用电量数据进行逐个筛选，找出异常数据。
3.根据权利要求2所述的一种基于LSTM模型的用电量预测方法，其特征在于，对上述T时段内的日用电量数据进行逐个筛选，找出异常数据的过程包括：将每个用户在T时段内的日用电量数据按照时间维度从大到小进行排序，计算其均值以及方差，同时设定最大门限值
Figure FDA0003431432880000021
以及最小门限值
Figure FDA0003431432880000022
若该用户在T时段内的每个日用电量数据大于
Figure FDA0003431432880000023
则用
Figure FDA0003431432880000024
替换相应的日用电量数据；
若该用户在T时段内的每个日用电量数据小于
Figure FDA0003431432880000025
则用
Figure FDA0003431432880000026
替换相应的日用电量数据，其中
Figure FDA0003431432880000027
为均值，std为方差。
4.根据权利要求3所述的一种基于LSTM模型的用电量预测方法，其特征在于，对所述日用电量数据进行缺失值填补，包括：
在用户T时段内的日用电量数据中选取连续31天的日用电量数据，在所述连续31天的日用电量数据中至少包括一个存在缺失值的数据；
将该用户连续31天的日用电量数据采用K近邻法计算缺失值与其他正常值的欧式距离，并对所述欧式距离按照从小到大的顺序进行排序，选取欧式距离最小的三个数据，通过计算三个数据的均值来对缺失值进行替换。
5.根据权利要求1所述的一种基于LSTM模型的用电量预测方法，其特征在于，所述第二特征指标包括特定用户在31天内的日用电量数据以及31天内的日用电量数据的平均值、最大值、最小值、方差、电量中位数、待预测当天星期类型、节假日情况。
6.根据权利要求5所述的一种基于LSTM模型的用电量预测方法，其特征在于，将待预测当天星期类型、节假日情况进行数值话处理，数字0或1表示是否为节假日情况，采用数字1至7表征待预测当天星期类型。
7.根据权利要求1所述的一种基于LSTM模型的用电量预测方法，其特征在于，采用线性插值法对日气温数据中的异常值以及缺失值进行处理。
CN202111600079.8A 2021-12-24 2021-12-24 一种基于lstm模型的用电量预测方法 Pending CN114462670A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111600079.8A CN114462670A (zh) 2021-12-24 2021-12-24 一种基于lstm模型的用电量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111600079.8A CN114462670A (zh) 2021-12-24 2021-12-24 一种基于lstm模型的用电量预测方法

Publications (1)

Publication Number Publication Date
CN114462670A true CN114462670A (zh) 2022-05-10

Family

ID=81407070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111600079.8A Pending CN114462670A (zh) 2021-12-24 2021-12-24 一种基于lstm模型的用电量预测方法

Country Status (1)

Country Link
CN (1) CN114462670A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630772A (zh) * 2022-12-19 2023-01-20 国网浙江省电力有限公司宁波供电公司 综合能源检测配电方法、系统、设备及存储介质
CN115809942A (zh) * 2023-02-06 2023-03-17 四川智源能诚售电有限公司 用电量数据预测方法、装置及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115630772A (zh) * 2022-12-19 2023-01-20 国网浙江省电力有限公司宁波供电公司 综合能源检测配电方法、系统、设备及存储介质
CN115809942A (zh) * 2023-02-06 2023-03-17 四川智源能诚售电有限公司 用电量数据预测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN111178611B (zh) 一种日电量预测的方法
Shen et al. Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network
Fahiman et al. Improving load forecasting based on deep learning and K-shape clustering
CN106709820A (zh) 一种基于深度置信网络的电力系统负荷预测方法及装置
CN110348624B (zh) 一种基于Stacking集成策略的沙尘暴等级预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN114595874B (zh) 一种基于动态神经网络的超短期电力负荷预测方法
CN114462670A (zh) 一种基于lstm模型的用电量预测方法
CN111177579B (zh) 集成多样性增强的极深因子分解机模型的应用方法
CN106971238A (zh) 基于T‑S模糊Elman神经网络的短期电力负荷预测方法
CN112288137A (zh) 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置
CN112949821B (zh) 基于双重注意力机制的网络安全态势感知方法
CN115689008A (zh) 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其系统
Chennapragada et al. Time series-based deep learning model for personal thermal comfort prediction
CN115034430A (zh) 碳排放量预测方法、装置、终端及存储介质
CN113657678A (zh) 一种基于信息新鲜度的电网电力数据预测方法
CN116844041A (zh) 一种基于双向卷积时间自注意力机制的耕地提取方法
Ma An Efficient Optimization Method for Extreme Learning Machine Using Artificial Bee Colony.
CN115481788A (zh) 相变储能系统负荷预测方法及系统
CN117674098A (zh) 面向不同渗透率的多元负荷时空概率分布预测方法及系统
CN117371573A (zh) 基于TrAdaBoost-LSTM的时间序列预测方法、装置及介质
CN115392387B (zh) 一种低压分布式光伏发电出力预测方法
CN117034046A (zh) 一种基于isodata聚类的柔性负荷可调潜力评估方法
CN114841778B (zh) 一种基于动态图神经网络的商品推荐方法
CN113537607B (zh) 停电预测方法

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