CN115169703A - 一种基于长短时记忆网络组合的短期电力负荷预测方法 - Google Patents
一种基于长短时记忆网络组合的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN115169703A CN115169703A CN202210819495.5A CN202210819495A CN115169703A CN 115169703 A CN115169703 A CN 115169703A CN 202210819495 A CN202210819495 A CN 202210819495A CN 115169703 A CN115169703 A CN 115169703A
- Authority
- CN
- China
- Prior art keywords
- data
- term
- short
- power load
- prediction
- 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 43
- 230000007787 long-term memory Effects 0.000 title claims abstract description 14
- 230000006403 short-term memory Effects 0.000 title claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 4
- 230000000295 complement effect Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000005215 recombination Methods 0.000 claims description 6
- 230000006798 recombination Effects 0.000 claims description 6
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于长短时记忆网络组合的短期电力负荷预测方法,包括以下步骤:S1.获取历史电力负荷数据、气象数据及日期类型数据,并进行预处理;S2.将气象数据与日期类型数据通过核主成分分析法进行降维得到影响因素主成分;S3.将历史电力负荷数据通过互补集合经验模态进行分解,分解得到有限个本征模态函数分量和一个残余分量,重组为高频分量和低频分量;S4.将负荷数据的高频分量及影响因素主成分作为输入,利用LSTM神经网络进行预测,并用贝叶斯算法对LSTM网络超参数寻优;S5.将负荷数据的低频分量作为输入,利用MLR进行预测;S6.将各分量预测结果叠加重构后,得到最终的预测结果。本发明能够有效提高短期负荷预测模型的预测速度及精度。
Description
技术领域
本发明涉及短期电力负荷预测,特别是涉及一种基于长短时记忆网络组合的短期电力负荷预测方法。
背景技术
电力负荷预测是电网管理系统的重要组成部分,在电网的能源管理、经济调度和维护规划中起着至关重要的作用。精确的短期负荷预测不仅是智能电网高效运行的前提,也是电力调度部门工作的基础,能有效降低配电网成本,指导电力系统的经济运行,对实现电力系统需求平衡、减少资源浪费具有重要意义。
从模型预测方法角度,短期电力负荷预测方法主要分为两类:经典预测方法和现代预测方法。经典预测方法主要包括时间序列法、趋势外推法、回归分析法、灰色关联分析法、专家系统法等,这些方法结构简单,形式较为单一,对波动性随机性强的电力负荷序列预测效果较差,常作为对比算法;现代预测算法主要包括人工神经网络、支持向量机、混沌预测、组合预测模型等,预测精度得到了大幅度提升。从影响因素角度看,短期负荷预测分为单影响因素预测和多影响因素预测两类。单影响因素预测仅考虑单一的电力负荷数据,信息量较少,在实际的电力系统中,各种外在因素的综合影响使得电网产生波动,故预测误差较大;多影响因素预测除了考虑历史负荷外,往往还考虑气象、节假日、突发事件等因素,使得预测的结果更具可靠性,但预测速度和精度还是存在着一些不足。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于长短时记忆网络组合的短期电力负荷预测方法,能够有效提高短期负荷预测模型的预测速度及精度。
本发明的目的是通过以下技术方案来实现的:一种基于长短时记忆网络组合的短期电力负荷预测方法,包括以下步骤:
S1.获取历史电力负荷数据、气象数据及日期类型数据,并进行预处理,剔除异常数据,填补缺失数据,并进行数据的归一化;
所述步骤S1包括:
S101.获取历史电力负荷数据、气象数据及日期类型数据;其中气象数据包括温度、湿度和气压,日期型数据包括星期和节假日;电力负荷数据和气象数据作为数值型数据,日期类型数据作为非数值型数据;
S102.对于所获取的数值型数据,首先对缺失值采用均值法进行填补,再用箱型图法辨别负荷数据中的异常值,将异常值视为缺失值,使用均值法补全;所述数值型数据包括历史电力负荷数据、温度数据、湿度数据、气压数据;
S103.对于非数值型数据首先进行量化:将周一至周日分别量化为1-7,将节假日量化为1,非节假日量化为0,缺失值与异常值处理方法与数值型数据一致;
S2.将气象数据与日期类型数据通过核主成分分析法(KPCA)进行降维得到影响因素主成分;
步骤S2所述的核主成分分析法包括:
S202.将输入空间的样本点转为特征空间F样本点:x1,x2,…xM→φ(x1),φ(x2)…φ(xM)
其中:φ为映射函数且φ(xi)满足以下条件:
则在特征空间F的协方差矩阵表示为:
S203.求解特征值和特征向量,特征方程表示为:
式中:λ为协方差矩阵的特征值,v为协方差矩阵的特征向量;
代入映射函数φ(xi)可得:
将特征向量v由φ(xi),i=1,2,…,M线性表示为:
此处引入核函数Kij=K(xi,xj)=φ(xi)φ(xj),将公式(4)和(6)代入公式(5)中简化得:
mλα-Kα=0 (7)
式中:α表示核函数矩阵K的特征向量;
求解该式,获得要求的特征值λ1…λM及特征向量v1…vM;
S204.累计贡献率ηi计算公式为:
设定p值,计算各个主分量的累计贡献率,选取大于p值的前几个主分量替代原有全部分量,从而达到降维的目的。
S3.将历史电力负荷数据通过互补集合经验模态分解(CEEMD),分解得到有限个本征模态函数(IMF)分量和一个残余分量,根据过零率重组为高频分量和低频分量;
所述步骤S3中,根据过零率来区分高、低频分量,具体包括:
在离散信号情况下,若相邻的采样具有不同的代数符号则称为发生了过零,单位信号长度内过零的次数即为过零率。具体公式为
式中:Z表示过零率;n0表示过零次数;L表示信号长度。
分别计算各分量的过零率,将过零率小于0.01的分量重组视为低频分量,高于0.01的分量重组视为高频分量。
S4.将负荷数据的高频分量及影响因素主成分作为输入,利用LSTM神经网络进行预测,并用贝叶斯算法对LSTM网络超参数寻优;
步骤S4中采用的神经网络模型为LSTM神经网络模型,包含N个LSTM单元,N为样本个数,每一个LSTM单元有输入门、遗忘门以及输出门,用于保护和控制单元状态,具体如下:
遗忘门ft,决定需要从当前单元状态中丢弃哪些信息,它将前一单元的输出信息ht-1与新输入的信息xt,通过sigmoid激活函数输出一个0到1之间的数,“1”表示完全保留该信息,“0”表示完全丢弃该信息,计算公式描述为:
ft=σ(Wf·[ht-1,xt]+bf)
输入门it,决定需要将哪些信息存储在当前单元状态中,它将前一单元的输出信息ht-1与新输入的信息xt,经过函数tanh创建一个新的单元状态值向量Ct,由sigmoid激活函数来更新单元状态Ct,计算公式描述为:
it=σ(Wi·[ht-1,xt]+bi)
Ct=tanh(WC·[ht-1,xt]+bC)
Ct=ft·Ct-1+it·Ct
输出门ot,决定当前单元状态的输出信息,它将单元状态通过tanh函数处理,再与sigmoid函数输出值相乘,最终确定输出信息ht,计算公式描述为:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct)
以上式子中,Wf、Wi、WC、Wo分别为遗忘门、输入门、单元状态、输出门的权重矩阵;bf、bi、bC、bo为对应的偏置矩阵。
所述步骤S4中,使用贝叶斯算法对LSTM网络的网络层数、隐藏层单元数、和初始化学习率众多超参数进行寻优,得到网络模型的最佳超参数。
S5.将负荷数据的低频分量作为输入,利用MLR(多元线性回归算法)进行预测;
S6.将各分量预测结果叠加重构后,得到最终的预测结果,并将预测结果与真实负荷数据值对比。
本发明的有益效果是:本发明引入核主成分分析法(KPCA),对高维影响因素数据进行主成分分析,在保留原始数据所蕴含的大部分信息的情况下,降低数据维度,减少预测时间;采用CEEMD分解方法,有效降低了原始负荷序列的波动性与复杂度,并解决了传统EMD分解方法模态混叠的问题及EEMD重构误差的问题;基于组合算法的思想,将复杂的高频分量通过LSTM神经网络进行预测,且利用贝叶斯算法优化LSTM超参数;将周期性的低频分量通过MLR进行预测,加快了预测速度,最后将各分量叠加重构得到最终预测结果。
附图说明
图1为本发明提出的基于长短时记忆网络组合算法的短期电力负荷预测方法流程图。
图2为负荷数据经CEEMD分解后各分量的波形图。
图3为LSTM模型结构图。
图4为预测结果与真实值的对比图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于长短时记忆网络组合的短期电力负荷预测方法,包括以下步骤:
S1.获取历史电力负荷数据、气象数据及日期类型数据,并进行预处理,剔除异常数据,填补缺失数据,并进行数据的归一化;
所述步骤S1包括:
S101.获取历史电力负荷数据、气象数据及日期类型数据;其中气象数据包括温度、湿度和气压,日期型数据包括星期和节假日;电力负荷数据和气象数据作为数值型数据,日期类型数据作为非数值型数据;
S102.对于所获取的数值型数据,首先对缺失值采用均值法进行填补,再用箱型图法辨别负荷数据中的异常值,将异常值视为缺失值,使用均值法补全;所述数值型数据包括历史电力负荷数据、温度数据、湿度数据、气压数据;
S103.对于非数值型数据首先进行量化:将周一至周日分别量化为1-7,将节假日量化为1,非节假日量化为0,缺失值与异常值处理方法与数值型数据一致;
S2.将气象数据与日期类型数据通过核主成分分析法(KPCA)进行降维得到影响因素主成分;
步骤S2所述的核主成分分析法包括:
S202.将输入空间的样本点转为特征空间F样本点:x1,x2,…xM→φ(x1),φ(x2)…φ(xM)
其中:φ为映射函数且φ(xi)满足以下条件:
则在特征空间F的协方差矩阵表示为:
S203.求解特征值和特征向量,特征方程表示为:
式中:λ为协方差矩阵的特征值,v为协方差矩阵的特征向量;
代入映射函数φ(xi)可得:
将特征向量v由φ(xi),i=1,2,…,M线性表示为:
此处引入核函数Kij=K(xi,xj)=φ(xi)φ(xj),将公式(4)和(6)代入公式(5)中简化得:
mλα-Kα=0 (7)
式中:α表示核函数矩阵K的特征向量;
求解该式,获得要求的特征值λ1…λM及特征向量v1…vM;
S204.累计贡献率ηi计算公式为:
设定p值,计算各个主分量的累计贡献率,选取大于p值的前几个主分量替代原有全部分量,从而达到降维的目的。如前所述,气象数据包括温度、降雨量、湿度和气压,日期型数据包括星期和节假日,总共6种影响因素,将他们通过映射函数φ映射到一个高维线性特征空间F之中,然后在空间F中求解特征值和特征向量,由特征值计算累计贡献率,设定p值,选取大于p值的前几个特征值对应的影响因素替代原有全部影响因素,从而达到降维的目的。
S3.将历史电力负荷数据通过互补集合经验模态分解(CEEMD),分解得到有限个本征模态函数(IMF)分量和一个残余分量,根据过零率重组为高频分量和低频分量;
所述步骤S3中,根据过零率来区分高、低频分量,具体包括:
在离散信号情况下,若相邻的采样具有不同的代数符号则称为发生了过零,单位信号长度内过零的次数即为过零率。具体公式为
式中:Z表示过零率;n0表示过零次数;L表示信号长度。
分别计算各分量的过零率,将过零率小于0.01的分量重组视为低频分量,高于0.01的分量重组视为高频分量。
S4.将负荷数据的高频分量及影响因素主成分作为输入,利用LSTM神经网络进行预测,并用贝叶斯算法对LSTM网络超参数寻优;
步骤S4中采用的神经网络模型为LSTM神经网络模型,包含N个LSTM单元,N为样本个数,每一个LSTM单元有输入门、遗忘门以及输出门,用于保护和控制单元状态,具体如下:
遗忘门ft,决定需要从当前单元状态中丢弃哪些信息,它将前一单元的输出信息ht-1与新输入的信息xt,通过sigmoid激活函数输出一个0到1之间的数,“1”表示完全保留该信息,“0”表示完全丢弃该信息,计算公式描述为:
ft=σ(Wf·[ht-1,xt]+bf)
输入门it,决定需要将哪些信息存储在当前单元状态中,它将前一单元的输出信息ht-1与新输入的信息xt,经过函数tanh创建一个新的单元状态值向量Ct,由sigmoid激活函数来更新单元状态Ct,计算公式描述为:
it=σ(Wi·[ht-1,xt]+bi)
Ct=tanh(WC·[ht-1,xt]+bC)
Ct=ft·Ct-1+it·Ct
输出门ot,决定当前单元状态的输出信息,它将单元状态通过tanh函数处理,再与sigmoid函数输出值相乘,最终确定输出信息ht,计算公式描述为:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct)
以上式子中,Wf、Wi、WC、Wo分别为遗忘门、输入门、单元状态、输出门的权重矩阵;bf、bi、bC、bo为对应的偏置矩阵。
使用贝叶斯算法对LSTM网络的网络层数、隐藏层单元数、和初始化学习率众多超参数进行寻优,得到网络模型的最佳超参数。
LSTM寻优的超参数及范围如下表所示:
S5.将负荷数据的低频分量作为输入,利用MLR进行预测;
S6.将各分量预测结果叠加重构后,得到最终的预测结果,并将预测结果与真实负荷数据值对比。
在本申请的实施例中,训练集数据为某市2020年1月1日至12月7日的历史负荷数据、天气数据以及日期数据(采样时间间隔为15min),对该市2020年12月1日至12月7日每15min的负荷进行预测。历史负荷数据经CEEMD分解后的各分量结果图如图2所示,CEEMD分解后的IMF1、IMF2、IMF3白噪声残余更小,正负噪声抵消效果优越。LSTM模型结构如图3所示,横坐标代表预测日期,模型预测效果如图4所示,从图4可以看出,在整体趋势上预测结果与真实负荷曲线高度表现高度一致,预测精度较高。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种基于长短时记忆网络组合的短期电力负荷预测方法,其特征在于:包括以下步骤:
S1.获取历史电力负荷数据、气象数据及日期类型数据,并进行预处理,剔除异常数据,填补缺失数据,并进行数据的归一化;
S2.将气象数据与日期类型数据通过核主成分分析法进行降维得到影响因素主成分;
S3.将历史电力负荷数据通过互补集合经验模态分解,分解得到有限个本征模态函数分量和一个残余分量,根据过零率重组为高频分量和低频分量:
S4.将负荷数据的高频分量及影响因素主成分作为输入,利用LSTM神经网络进行预测,并用贝叶斯算法对LSTM网络超参数寻优;
S5.将负荷数据的低频分量作为输入,利用MLR进行预测;
S6.将各分量预测结果叠加重构后,得到最终的预测结果,并将预测结果与真实负荷数据值对比。
2.根据权利要求1所述的一种基于长短时记忆网络组合的短期电力负荷预测方法,其特征在于:所述步骤S1包括:
S101.获取历史电力负荷数据、气象数据及日期类型数据;其中气象数据包括温度、降雨量、湿度和气压,日期型数据包括星期和节假日;电力负荷数据和气象数据作为数值型数据,日期类型数据作为非数值型数据;
S102.对于所获取的数值型数据,首先对缺失值采用均值法进行填补,再用箱型图法辨别负荷数据中的异常值,将异常值视为缺失值,使用均值法补全;所述数值型数据包括历史电力负荷数据、温度数据、降雨量数据、湿度数据、气压数据;
S103.对于非数值型数据首先进行量化:将周一至周日分别量化为1-7,将节假日量化为1,非节假日量化为0,缺失值与异常值处理方法与数值型数据一致;
3.根据权利要求1所述的一种基于长短时记忆网络组合的短期电力负荷预测方法,其特征在于:步骤S2所述的核主成分分析法包括:
S202.将输入空间的样本点转为特征空间F样本点:x1,x2,...xM→φ(x1),φ(x2)…φ(xM)
其中:φ为映射函数且φ(xi)满足以下条件:
则在特征空间F的协方差矩阵表示为:
S203.求解特征值和特征向量,特征方程表示为:
式中:λ为协方差矩阵的特征值,v为协方差矩阵的特征向量;
代入映射函数φ(xi)可得:
将特征向量v由φ(xi),i=1,2,…,M线性表示为:
此处引入核函数Kij=K(xi,xj)=φ(xi)·φ(xj),将公式(4)和(6)代入公式(5)中简化得:
mλα-Kα=0 (7)
式中:α表示核函数矩阵K的特征向量;
求解该式,获得要求的特征值λ1…λM及特征向量v1…vM;
S204.累计贡献率ηi计算公式为:
设定p值,计算各个主分量的累计贡献率,选取大于p值的前几个主分量替代原有全部分量,从而达到降维的目的。
5.根据权利要求1所述的一种基于长短时记忆网络组合的短期电力负荷预测方法,其特征在于:步骤S4中采用的神经网络模型为LSTM神经网络模型,包含N个LSTM单元,N为样本个数,每一个LSTM单元有输入门、遗忘门以及输出门,用于保护和控制单元状态,具体如下:
遗忘门ft,决定需要从当前单元状态中丢弃哪些信息,它将前一单元的输出信息ht-1与新输入的信息xt,通过sigmoid激活函数输出一个0到1之间的数,“1”表示完全保留该信息,“0”表示完全丢弃该信息,计算公式描述为:
ft=σ(Wf·[ht-1,xt]+bf)
输入门it,决定需要将哪些信息存储在当前单元状态中,它将前一单元的输出信息ht-1与新输入的信息xt,经过函数tanh创建一个新的单元状态值向量Ct,由sigmoid激活函数来更新单元状态Ct,计算公式描述为:
it=σ(Wi·[ht-1,xt]+bi)
Ct=tanh(WC·[ht-1,xt]+bC)
Ct=ft·Ct-1+it·Ct
输出门ot,决定当前单元状态的输出信息,它将单元状态通过tanh函数处理,再与sigmoid函数输出值相乘,最终确定输出信息ht,计算公式描述为:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct)
以上式子中,Wf、Wi、WC、Wo分别为遗忘门、输入门、单元状态、输出门的权重矩阵;bf、bi、bC、bo为对应的偏置矩阵。
6.根据权利要求1所述的一种基于长短时记忆网络组合的短期电力负荷预测方法,其特征在于:所述步骤S4中,使用贝叶斯算法对LSTM网络的网络层数、隐藏层单元数、和初始化学习率众多超参数进行寻优,得到网络模型的最佳超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210819495.5A CN115169703A (zh) | 2022-07-12 | 2022-07-12 | 一种基于长短时记忆网络组合的短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210819495.5A CN115169703A (zh) | 2022-07-12 | 2022-07-12 | 一种基于长短时记忆网络组合的短期电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169703A true CN115169703A (zh) | 2022-10-11 |
Family
ID=83493211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210819495.5A Pending CN115169703A (zh) | 2022-07-12 | 2022-07-12 | 一种基于长短时记忆网络组合的短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169703A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860277A (zh) * | 2023-02-27 | 2023-03-28 | 西安骏硕通信技术有限公司 | 一种数据中心能耗预测方法及系统 |
CN115907131A (zh) * | 2022-11-16 | 2023-04-04 | 国网宁夏电力有限公司经济技术研究院 | 一种北方地区电采暖负荷预测模型搭建方法和系统 |
CN116061742A (zh) * | 2022-10-25 | 2023-05-05 | 广州汇锦能效科技有限公司 | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 |
CN116090637A (zh) * | 2023-01-19 | 2023-05-09 | 国网江苏省电力有限公司苏州供电分公司 | 一种用电短时预测方法与系统 |
CN117154723A (zh) * | 2023-10-31 | 2023-12-01 | 国网山东省电力公司信息通信公司 | 基于多源数据和模型融合的台区短期负荷预测方法及系统 |
CN117313043A (zh) * | 2023-10-25 | 2023-12-29 | 四川大学 | 一种风力发电功率预测方法 |
CN117559468A (zh) * | 2023-08-22 | 2024-02-13 | 广东电网有限责任公司广州供电局 | 一种基于超短期频率偏差预测的v2g站快速调频响应方法 |
-
2022
- 2022-07-12 CN CN202210819495.5A patent/CN115169703A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116061742A (zh) * | 2022-10-25 | 2023-05-05 | 广州汇锦能效科技有限公司 | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 |
CN116061742B (zh) * | 2022-10-25 | 2024-05-03 | 广州汇锦能效科技有限公司 | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 |
CN115907131A (zh) * | 2022-11-16 | 2023-04-04 | 国网宁夏电力有限公司经济技术研究院 | 一种北方地区电采暖负荷预测模型搭建方法和系统 |
CN116090637A (zh) * | 2023-01-19 | 2023-05-09 | 国网江苏省电力有限公司苏州供电分公司 | 一种用电短时预测方法与系统 |
CN115860277A (zh) * | 2023-02-27 | 2023-03-28 | 西安骏硕通信技术有限公司 | 一种数据中心能耗预测方法及系统 |
CN117559468A (zh) * | 2023-08-22 | 2024-02-13 | 广东电网有限责任公司广州供电局 | 一种基于超短期频率偏差预测的v2g站快速调频响应方法 |
CN117313043A (zh) * | 2023-10-25 | 2023-12-29 | 四川大学 | 一种风力发电功率预测方法 |
CN117313043B (zh) * | 2023-10-25 | 2024-04-30 | 四川大学 | 一种风力发电功率预测方法 |
CN117154723A (zh) * | 2023-10-31 | 2023-12-01 | 国网山东省电力公司信息通信公司 | 基于多源数据和模型融合的台区短期负荷预测方法及系统 |
CN117154723B (zh) * | 2023-10-31 | 2024-04-02 | 国网山东省电力公司信息通信公司 | 基于多源数据和模型融合的台区短期负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
Chen et al. | A hybrid application algorithm based on the support vector machine and artificial intelligence: An example of electric load forecasting | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
Zhou et al. | Holographic ensemble forecasting method for short-term power load | |
CN112766078B (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
CN113326966A (zh) | 基于ceemd-lstm的综合能源系统多元负荷预测方法 | |
Fahiman et al. | Robust and accurate short-term load forecasting: A cluster oriented ensemble learning approach | |
Vrettos et al. | A hybrid approach for short-term PV power forecasting in predictive control applications | |
CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN117239722A (zh) | 一种考虑多元负荷影响的系统风荷短期预测方法 | |
Sen | Time Series Prediction based on Improved Deep Learning | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 | |
Cao et al. | A hybrid electricity load prediction system based on weighted fuzzy time series and multi-objective differential evolution | |
Tao et al. | A combined model of wavelet and neural network for short term load forecasting | |
Viana et al. | Load forecasting benchmark for smart meter data | |
Govender et al. | Short-term load forecasting using artificial neural networks and multiple linear regression | |
CN114925940A (zh) | 一种基于负荷分解的节假日负荷预测方法及系统 | |
CN112529268A (zh) | 一种基于流形学习的中短期负荷预测方法及装置 | |
CN113487062A (zh) | 一种基于周期自动编码器的电力负荷预测方法 | |
CN113591391A (zh) | 一种电力负荷控制装置、控制方法、终端、介质及应用 |
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 |