CN114243695B - 一种基于双向长短时记忆神经网络的电力负荷预测方法 - Google Patents

一种基于双向长短时记忆神经网络的电力负荷预测方法 Download PDF

Info

Publication number
CN114243695B
CN114243695B CN202111561942.3A CN202111561942A CN114243695B CN 114243695 B CN114243695 B CN 114243695B CN 202111561942 A CN202111561942 A CN 202111561942A CN 114243695 B CN114243695 B CN 114243695B
Authority
CN
China
Prior art keywords
date
input time
neural network
ridge regression
short
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.)
Active
Application number
CN202111561942.3A
Other languages
English (en)
Other versions
CN114243695A (zh
Inventor
赵宇波
郭妮
田子建
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.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202111561942.3A priority Critical patent/CN114243695B/zh
Publication of CN114243695A publication Critical patent/CN114243695A/zh
Application granted granted Critical
Publication of CN114243695B publication Critical patent/CN114243695B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于双向长短时记忆神经网络的电力负荷预测方法，该方法采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，对电力负荷进行未来p小时的预测，首先从不同的输入时间尺度组合中筛选出最佳的输入时间尺度组合和岭回归系数α，再训练双向长短时记忆神经网络作为预测模型，对预测日期进行未来p小时的电力负荷预测。本发明提供了筛选最佳输入时间尺度组合的方法，根据最佳的输入时间尺度组合建立双向长短时记忆神经网络，解决了无法确定输入时间尺度组合的问题；通过岭回归模型对预测日期前一日的预测值与实际值建立映射关系并对预测日期进行预测，大大提高了电力负荷的预测精度。

Description

一种基于双向长短时记忆神经网络的电力负荷预测方法
技术领域
本发明涉及电力负荷预测领域，特别是涉及一种基于双向长短时记忆神经网络的电力负荷预测方法。
背景技术
电力负荷预测是电力***稳定运行的关键技术之一。由于电能无法大量储存电能，因此电能的生产，运输，分配和消费都在同一时间内完成，这就要求电力负荷预测具有较高的准确性，来保证电力***中电能供应和消费的动态平衡。电力负荷预测的不准确将导致电能的浪费，输电线路的损耗，影响国民经济的稳定发展。由于电力***受多种复杂因素的影响，导致电力负荷预测存在诸多的随机性，波动性和不确定性，为电力负荷预测带来了巨大的挑战，因此，提高电力负荷预测的准确性对于电能的合理分配使用和国民经济的发展具有重要的意义。
随着信息化科技的发展进步，电力***领域产生了海量数据，对海量数据进行充分的挖掘和利用将为电能的分配和调度提供更大的数据支持。目前常见的电力负荷预测方法主要包括人工智能反复和统计方法等。现有的方法大多需要协同外部特征数据如气候因素等进行预测，且大多采用单一模型进行预测，导致电力负荷预测无法获得满意准确度。
发明内容
本发明给出一种基于双向长短时记忆神经网络的电力负荷预测方法，该方法采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，对电力负荷进行未来p小时的预测，首先从不同的输入时间尺度组合中筛选出最佳的输入时间尺度组合和岭回归系数α，再训练双向长短时记忆神经网络作为预测模型，对预测日期进行未来p小时的电力负荷预测。
该方法对电力负荷历史数据进行大数据分析并采用双向长短时记忆神经网络作为基模型，这是由于双向长短时记忆神经网络对数据量较大的时间序列具有较强的处理能力；由于电力负荷数据具有长期关联和短期关联的特点，因此设定多个输入时间尺度，从预测日期之前的不同时间尺度中提取有用的信息特征。
为了实现上述目的，本发明采用如下技术方案：
一种基于双向长短时记忆神经网络的电力负荷预测方法，采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，对电力负荷进行未来p小时的预测，首先从输入时间尺度组合中筛选出最佳的输入时间尺度组合和岭回归系数α，再将双向长短时记忆神经网络作为预测模型，对预测日期进行未来p小时的电力负荷预测，包括如下步骤:
步骤S1：采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，首先需确定第一层双向长短时记忆神经网络模型的最佳输入时间尺度组合和岭回归系数α；
步骤S2：将日期D的历史数据根据最佳输入时间尺度组合进行重构得到第一样本集，将第一样本集划分训练集和测试集，并将训练集输入双向长短时记忆神经网络模型，将得到的预测值作为第二样本集的测试集；将日期D-1的历史数据根据最佳输入时间尺度组合进行重构得到第一样本集，将第一样本集划分训练集和测试集，并将训练集输入双向长短时记忆神经网络模型，得到日期D-1的预测值，将日期D-1的预测值和实际值作为第二样本集的训练集；
步骤S3：根据步骤S2得到的第二样本集的训练集对岭回归模型进行训练，得到日期D-1对应的预测值与实际值的映射关系，将步骤S2得到的第二样本集测试集输入训练好的岭回归进行预测，得到日期D的最终预测值；
所述步骤S1具体包括如下步骤：
步骤S1.1：首先将采集的历史电力负荷数据作为样本数据集，确定m个不同的输入时间尺度，确定输出步数为p,根据输出步数p和m个不同的输入时间尺度对样本数据集进行重构，共生成m个不同的样本数据集；将m个不同的重构样本数据集作为第一样本集并划分训练集和测试集，用m个训练集分别训练双向长短时记忆神经网络，共得到m个预测模型。将日期T作为预测对象，将日期T之前的第一样本集进行训练集和测试集的划分，将日期T对应的测试集分别输入预测模型，日期T共得到m组不同的预测值，每组预测值代表从对应的输入时间尺度中提取的信息特征；将m组不同的预测值进行充分组合，共得到种组合，并将其作为第二样本集的测试集；
步骤S1.2：将日期T-1之前的第一样本集划分训练集和测试集，将日期T-1对应的测试集分别输入步骤S1.1得到的m个预测模型，得到日期T-1的m个不同的预测值；
步骤S1.3：已知日期T-1的实际值，将日期T-1的实际值作为因变量，将步骤S1.2得到的日期T-1的m个不同预测值进行充分组合，共得到组自变量，即不同输入时间尺度的组合类型，组合后每组自变量均对应相同的因变量，将每组自变量和因变量作为第二样本集的训练集对岭回归进行训练，并将步骤S1.1得到的第二样本集的测试集输入训练好的岭回归模型，将输出值作为日期T对应的最终预测值；
步骤S1.4：将步骤S1.3得到的日期T的最终预测值与实际值进行准确度评估，将拟合度R2和均方根误差RMSE作为评估指标，通过网格搜索方法确定最优的岭回归系数α，拟合度R2最高时对应的岭回归系数α确定为最终的岭回归系数；拟合度R2最高时的自变量组合对应的输入时间尺度组合将作为最佳的输入时间尺度组合，并在预测模型中应用最佳的输入时间尺度组合和最优的岭回归系数α，由此确定了第一层双向长短时记忆神经网络模型的最佳输入时间尺度组合和岭回归系数α；
本发明的优点和有益效果：
与现有技术相比，本发明公开提供了一种基于双向长短时记忆神经网络的电力负荷预测方法，本发明的优点在于：针对电力负荷数据具有长期关联和短期关联的特点，采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，并提供了筛选最佳输入时间尺度组合的方法。根据最佳的输入时间尺度组合建立双向长短时记忆神经网络，解决了无法确定输入时间尺度组合的问题；通过岭回归模型对预测日期前一日的预测值与实际值建立映射关系并对预测日期进行预测，大大提高了电力负荷的预测精度。
附图说明
图1是本发明公开的一种基于双向长短时记忆神经网络的电力负荷预测方法流程图。
图2为双向长短时记忆神经网络和岭回归算法相结合的双层模型架构图。
具体实施方式
为了更清楚地说明本发明的发明目的和技术方案，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
本发明提供了一种基于双向长短时记忆神经网络的电力负荷预测方法，该方法采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，对电力负荷进行未来p小时的预测，首先从不同的输入时间尺度组合中筛选出最佳的输入时间尺度组合和岭回归系数α，再将双向长短时记忆神经网络作为预测模型，对预测日期进行未来p小时的电力负荷预测，包括如下步骤:
步骤S1：采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，首先需确定第一层双向长短时记忆神经网络模型的最佳输入时间尺度组合和岭回归系数α；
步骤S2：将待预测日期D的历史数据根据最佳输入时间尺度组合进行重构得到第一样本集，将第一样本集划分训练集和测试集，并将训练集输入双向长短时记忆神经网络模型，将得到的预测值作为第二样本集的测试集；将日期D-1的历史数据根据最佳输入时间尺度组合进行重构得到第一样本集，将第一样本集划分训练集和测试集，并将训练集输入双向神经网络模型，得到日期D-1的预测值，将日期D-1的预测值和实际值作为第二样本集的训练集；
步骤S3：根据步骤S2得到的第二样本集的训练集对岭回归模型进行训练，得到日期D-1对应的预测值与实际值的映射关系，将步骤S2得到的第二样本集测试集输入训练好的岭回归进行预测，得到日期D的最终预测值；
所述步骤S1具体包括如下步骤：
步骤S1.1：首先将采集的历史电力负荷数据作为样本数据集，确定m个不同的输入时间尺度，确定输出步数为p,根据输出步数p和m个不同的输入时间尺度对样本数据集进行重构，共生成m个不同的样本数据集；将m个不同的重构样本数据集作为第一样本集并划分训练集和测试集，用m个训练集分别训练双向长短时记忆神经网络，共得到m个预测模型。将日期T作为预测对象，将日期T之前的第一样本集进行训练集和测试集的划分，将日期T对应的测试集分别输入预测模型，日期T共得到m组不同的预测值，每组预测值代表从对应的输入时间尺度中提取的信息特征；将m组不同的预测值进行充分组合，共得到种组合，并将其作为第二样本集的测试集；
步骤S1.2：将日期T-1之前的第一样本集划分训练集和测试集，将日期T-1对应的测试集分别输入步骤S1.1得到的m个预测模型，得到日期T-1的m个不同的预测值；
步骤S1.3：已知日期T-1的实际值，将日期T-1的实际值作为因变量，将步骤S1.2得到的日期T-1的m个不同预测值进行充分组合，共得到组自变量，即不同输入时间尺度的组合类型，组合后每组自变量均对应相同的因变量，将每组自变量和因变量作为第二样本集的训练集对岭回归进行训练，并将步骤S1.1得到的第二样本集的测试集输入训练好的岭回归模型，将输出值作为日期T对应的最终预测值；
步骤S1.4：将步骤S1.3得到的日期T的最终预测值与实际值进行准确度评估，将拟合度R2和均方根误差RMSE作为评估指标，通过网格搜索方法确定最优的岭回归系数α，拟合度R2最高时对应的岭回归系数α确定为最终的岭回归系数；拟合度R2最高时对应的自变量组合将作为最佳的输入时间尺度组合，并在预测模型中应用这一输入时间尺度组合和最优的岭回归系数α，由此确定了第一层双向长短时记忆神经网络模型的最佳输入时间尺度组合和岭回归系数α；
实施例采用某电力负荷历史数据作为样本数据，该样本的数据采集频率为小时，时间跨度从2007年1月1日至2010年10月31日，使用上述基于双向长短时记忆神经网络进行电力负荷预测，具体实施步骤为：
步骤S1：采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，首先需确定第一层双向长短时记忆神经网络模型的最佳输入时间尺度组合和岭回归系数α；
步骤S1.1：首先确定7个不同的输入时间尺度，将时间滑动窗口长度分别设置为168、144、120、96、72、48和24小时，输出步数确定为24小时，共产生7个不同的重构样本数据集；将7个不同的重构样本数据集作为第一样本集并划分训练集和测试集；将2009年12月31日作为预测对象，将该日期之前的168、144、120、96、72、48和24小时分别作为第一样本集的测试集，其余的重构数据作为第一样本集的训练集；将预测日期对应的训练集输入双向长短时记忆神经网络进行训练，共得到7个不同的预测模型，将测试集输入训练好的预测模型，预测日期共得到7组不同的预测值，每组预测值代表从对应的输入时间尺度中提取的信息特征；将7组不同的预测值进行充分组合，得到共127种组合；
步骤S1.1得到7组不同的预测值,每组预测值分别表示预测日24小时的电力负荷数据，其表示为：
Y168＝[[Y168_1,Y168_2,Y168_3,…,Y168_24]表示输入时间尺度为168小时时预测日的预测值；
Y144＝[Y144_1,Y144_2,Y144_3,…,Y144_24]表示输入时间尺度为144小时时预测日的预测值；
Y120＝[Y120_1,Y120_2,Y120_3,…,Y120_24]表示输入时间尺度为120小时时预测日的预测值；
Y96＝[Y96_1,Y96_2,Y96_3,…,Y96_24]表示输入时间尺度为96小时时预测日的预测值；
Y72＝[Y72_1,Y72_2,Y72_3,…,Y72_24]表示输入时间尺度为72小时时预测日的预测值；
Y48＝[Y48_1,Y48_2,Y48_3,…,Y48_24]表示输入时间尺度为48小时时预测日的预测值；
Y24＝[Y24_1,Y24_2,Y24_3,…,Y24_24]表示输入时间尺度为24小时时预测日的预测值；
将上述7组不同的预测值进行充分组合，表示将不同输入时间尺度提取的信息特征进行组合，以寻找最佳的输入时间尺度组合，该最佳组合表示在预测未来24小时的电力负荷时包含最多的有效信息，有利于提高未来24小时的电力负荷预测精度，其组合种类为：
X1＝[Y168,Y144,Y120,Y96,Y72,Y48,Y24]表示将7组预测值中每组预测值单独作为一组自变量，即将每个不同输入时间尺度提取的信息特征单独作为一组自变量，共得到7组自变量，自变量依次标注为；X1_1,X1_2,X1_3,X1_4,X1_5,X1_6,X1_7；
X2＝[[Y168,Y144],[Y168,Y120],[Y168,Y96],[Y168,Y72],[Y168,Y48],[Y168,Y24],[Y144,Y120],[Y144,Y96],
[Y144,Y72],[Y144,Y48],[Y144,Y24],[Y120,Y96],[Y120,Y72],[Y120,Y48],[Y120,Y24],[Y96,Y72],[Y96,Y48],[Y96,Y24],[Y72,Y48],[Y72,Y24][Y48,Y24]]表示将7组预测值中每两组预测值进行组合并作为一组自变量，即将每两个不同输入时间尺度提取的信息特征进行组合并作为自变量，共得到21组自变量，自变量依次标注为X2_1,X2_2,X2_3,X2_4,X2_5,X2_6,X2_7,X2_8,X2_9,X2_10,X2_11,X2_12,X2_13,X2_14,X2_15,X2_16,X2_17,X2_18,X2_19,X2_20,X2_21；
X3＝[[Y168,Y144,Y120],[Y168,Y144,Y96],[Y168,Y144,Y72],…,[Y72,Y48,Y24]]表示将7组预测值中每三组预测值进行组合并作为一组自变量，，即将每三个不同输入时间尺度提取的信息特征进行组合并作为自变量，共得到35组自变量,自变量依次标注为X3_1,X3_2,X3_3,…,X3_35；
X4＝[[Y168,Y144,Y120,Y96],[Y168,Y144,Y120,Y72],[Y168,Y144,Y120,Y48],…,[Y96,Y72,Y48,Y24]]表示将7组预测值中每四组预测值进行组合并作为一组自变量，即将每四个不同输入时间尺度提取的信息特征进行组合并作为自变量，共得到35组自变量,自变量依次标注为X4_1,X4_2,X4_3,…,X4_35；
X5＝[[Y168,Y144,Y120,Y96,Y72],[Y168,Y144,Y120,Y96,Y48],[Y168,Y144,Y120,Y96,Y24],…,[Y120,Y96,Y72,Y48,Y24]]表示将7组预测值中每五组预测值进行组合并作为一组自变量，即将每五个不同输入时间尺度提取的信息特征进行组合并作为自变量，共得到21组自变量，自变量依次标注为X5_1,X5_2,X5_3,…,X5_21；
X6＝[[Y168,Y144,Y120,Y96,Y72,Y48],[Y168,Y144,Y120,Y96,Y72,Y24],[Y168,Y144,Y120,Y96,Y48,Y24],[Y168,Y144,Y120,Y72,Y48,Y24],[Y168,Y144,Y96,Y72,Y48,Y24],[Y168,Y120,Y96,Y72,Y48,Y24],[Y144,Y120,Y96,Y72,Y48,Y24]]表示将7组预测值中每六组预测值进行组合并作为一组自变量，即将每六个不同输入时间尺度提取的信息特征进行组合并作为自变量，共得到7组自变量，自变量依次标注为X6_1,X6_2,X6_3,X6_4,X6_5,X6_6,X6_7；
X7＝[[Y168,Y144,Y120,Y96,Y72,Y48,Y24]表示将7组预测值进行组合并作为一组自变量，即将7个不同输入时间尺度提取的信息特征进行组合并作为自变量，共得到1组自变量,自变量标注为X7_1；
将所有自变量均放入自变量集合中，表示为:
将得到的自变量集合X作为预测日期2009年12月31日的第二样本测试集；
将预测日期前一日2009年12月30日之前的第一样本集划分训练集和测试集，将该日期对应的测试集分别输入[0021]得到的7个预测模型，得到2009年12月30日的7组不同预测值；将该日得到的7组不同预测值按照上述方式进行充分组合，得到共127种组合，将每种组合作为一组自变量，将得到的所有自变量均放入自变量集合；已知2009年12月30日的实际值，将该日的实际值作为因变量；
2009年12月30日的自变量集合中共127组自变量，将每组自变量与因变量作为第二样本集的训练集，共127组不同的训练集；
通过循环遍历方式，将每组训练集输入岭回归模型进行训练，同时将[0040]得到的2009年12月31日的第二样本测试集输入训练好的岭回归模型，得到最终的预测值；将训练集的遍历作为内循环，同时将岭回归系数α的遍历作为外循环，通过网格搜索的方法确定最优的岭回归系数α；岭回归系数α的取值范围为0到20，步长为0.1；通过构建双层循环来寻找最佳预测值所对应的训练集和岭回归系数α；
将2009年12月31日得到的最终预测值与实际值进行准确度评估，该过程在内循环中进行；将拟合度R2和均方根误差RMSE作为评估指标；拟合度R2最高时对应的岭回归系数α确定为最终的岭回归系数；拟合度R2最高时对应的训练集作为最佳训练集，将最佳训练集中自变量对应的输入时间尺度组合作为最佳的输入时间尺度组合；
上述步骤得到的最佳训练集中自变量对应的输入时间尺度组合为[144,96,48]的小时组合，最优岭回归系数α为3.2，将最佳输入时间尺度组合和最优岭回归系数α作为后续预测模型的参数；
步骤S2：将待预测日期的历史数据根据最佳输入时间尺度组合进行重构得到第一样本集，将第一样本集划分训练集和测试集，并将训练集输入双向神经网络模型，将得到的预测值作为第二样本集的测试集；将待预测日期前一日的历史数据根据最佳输入时间尺度组合进行重构得到第一样本集，将第一样本集划分训练集和测试集，并将训练集输入双向长短时记忆神经网络模型，得到日期D-1的预测值，将待预测日期前一日的预测值和实际值作为第二样本集的训练集；
步骤S3：根据步骤S2得到的第二样本集的训练集对岭回归模型进行训练，得到待预测日期前一日对应的预测值与实际值的映射关系，将步骤S2得到的第二样本集测试集输入训练好的岭回归进行预测，得到最终的待预测日期的预测值，其预测结果与单独的输入时间尺度相比，预测准确度显著提升；
以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (1)

1.一种基于双向长短时记忆神经网络的电力负荷预测方法，其特征在于，采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，对电力负荷进行未来p小时的预测，首先从不同的输入时间尺度组合中筛选出最佳的输入时间尺度组合和岭回归系数α，再将双向长短时记忆神经网络作为预测模型，对预测日期进行未来p小时的电力负荷预测；所述方法包括如下步骤:
步骤S1：采用双向长短时记忆神经网络和岭回归算法相结合的双层模型架构，首先需确定第一层双向长短时记忆神经网络模型的最佳输入时间尺度组合和岭回归系数α；
步骤S2：将待预测日期D的历史数据根据最佳输入时间尺度组合进行重构得到第一样本集，将第一样本集划分训练集和测试集，并将训练集输入双向长短时记忆神经网络模型，将得到的预测值组合作为第二样本集的测试集；将日期D-1的历史数据根据最佳输入时间尺度组合进行重构得到第一样本集，将第一样本集划分训练集和测试集，并将训练集输入双向神经网络模型，得到日期D-1的预测值，将日期D-1的预测值和实际值作为第二样本集的训练集；
步骤S3：根据步骤S2得到的第二样本集的训练集对岭回归模型进行训练，得到日期D-1对应的预测值与实际值的映射关系，将步骤S2得到的第二样本集测试集输入训练好的岭回归进行预测，得到日期D的最终预测值；
所述步骤S1的具体方法为：
步骤S1.1：首先将采集的历史电力负荷数据作为样本数据集，确定m个不同的输入时间尺度，确定输出步数为p,根据输出步数p和m个不同的输入时间尺度对样本数据集进行重构，共生成m个不同的样本数据集；将m个不同的重构样本数据集作为第一样本集并划分训练集和测试集，用m个训练集分别训练双向长短时记忆神经网络，共得到m个预测模型；将日期T作为预测对象，将日期T之前的第一样本集进行训练集和测试集的划分，将日期T对应的测试集分别输入预测模型，日期T共得到m组不同的预测值，每组预测值代表从对应的输入时间尺度中提取的信息特征；将m组不同的预测值进行充分组合，共得到种组合，并将其作为第二样本集的测试集；
步骤S1.2：将日期T-1之前的第一样本集划分训练集和测试集，将日期T-1对应的测试集分别输入步骤S1.1得到的m个预测模型，得到日期T-1的m个不同的预测值；
步骤S1.3：已知日期T-1的实际值，将日期T-1的实际值作为因变量，将步骤S1.2得到的日期T-1的m个不同预测值进行充分组合，共得到组自变量，即不同输入时间尺度的组合类型，组合后每组自变量均对应相同的因变量，将每组自变量和因变量作为第二样本集的训练集对岭回归进行训练，并将步骤S1.1得到的第二样本集的测试集输入训练好的岭回归模型，将输出值作为日期T对应的最终预测值；
步骤S1.4：将步骤S1.3得到的日期T的最终预测值与实际值进行准确度评估，将拟合度R2和均方根误差RMSE作为评估指标，通过网格搜索方法确定最优的岭回归系数α，拟合度R2最高时对应的岭回归系数α确定为最终的岭回归系数；拟合度R2最高时对应的自变量组合将作为最佳的输入时间尺度组合，并在预测模型中应用这一输入时间尺度组合和最优的岭回归系数α，由此确定了第一层双向长短时记忆神经网络模型的最佳输入时间尺度组合和岭回归系数α。
CN202111561942.3A 2021-12-17 2021-12-17 一种基于双向长短时记忆神经网络的电力负荷预测方法 Active CN114243695B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111561942.3A CN114243695B (zh) 2021-12-17 2021-12-17 一种基于双向长短时记忆神经网络的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111561942.3A CN114243695B (zh) 2021-12-17 2021-12-17 一种基于双向长短时记忆神经网络的电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN114243695A CN114243695A (zh) 2022-03-25
CN114243695B true CN114243695B (zh) 2023-09-15

Family

ID=80759116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111561942.3A Active CN114243695B (zh) 2021-12-17 2021-12-17 一种基于双向长短时记忆神经网络的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN114243695B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106936127A (zh) * 2017-02-28 2017-07-07 国家电网公司 一种线路负荷回归分析与预测方法及***
CN108876034A (zh) * 2018-06-13 2018-11-23 重庆邮电大学 一种改进的Lasso+RBF神经网络组合预测模型
CN109389238A (zh) * 2017-08-14 2019-02-26 中国电力科学研究院 一种基于岭回归的短期负荷预测方法及装置
CN110309979A (zh) * 2019-07-09 2019-10-08 南方电网科学研究院有限责任公司 基于回声状态网络的电力负荷预测方法、装置及设备
CN111932024A (zh) * 2020-08-21 2020-11-13 润联软件***(深圳)有限公司 一种能源负荷预测方法、装置、计算机设备及存储介质
CN112001740A (zh) * 2020-06-19 2020-11-27 南京理工大学 一种基于自适应神经网络的组合预测方法
CN112116144A (zh) * 2020-09-15 2020-12-22 山东科技大学 一种区域配电网短期负荷预测方法
WO2021105246A1 (en) * 2019-11-26 2021-06-03 Basf Se Forecasting industrial aging processes with machine learning methods

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7552100B2 (en) * 2005-07-28 2009-06-23 Siemens Energy, Inc. Load prediction based on-line and off-line training of neural networks
CA3134043A1 (en) * 2019-03-18 2020-09-24 Sean Javad Kamkar Systems and methods for model fairness

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106936127A (zh) * 2017-02-28 2017-07-07 国家电网公司 一种线路负荷回归分析与预测方法及***
CN109389238A (zh) * 2017-08-14 2019-02-26 中国电力科学研究院 一种基于岭回归的短期负荷预测方法及装置
CN108876034A (zh) * 2018-06-13 2018-11-23 重庆邮电大学 一种改进的Lasso+RBF神经网络组合预测模型
CN110309979A (zh) * 2019-07-09 2019-10-08 南方电网科学研究院有限责任公司 基于回声状态网络的电力负荷预测方法、装置及设备
WO2021105246A1 (en) * 2019-11-26 2021-06-03 Basf Se Forecasting industrial aging processes with machine learning methods
CN112001740A (zh) * 2020-06-19 2020-11-27 南京理工大学 一种基于自适应神经网络的组合预测方法
CN111932024A (zh) * 2020-08-21 2020-11-13 润联软件***(深圳)有限公司 一种能源负荷预测方法、装置、计算机设备及存储介质
CN112116144A (zh) * 2020-09-15 2020-12-22 山东科技大学 一种区域配电网短期负荷预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Dohyun Kim 等."Multiscale LSTM-Based Deep Learning for Very-Short-Term Photovoltaic Power Generation Forecasting in Smart City Energy Management".《IEEE SYSTEMS JOURNAL》.2021,第15卷(第1期),第346-354页. *
徐晴 等."基于机器学习的短期电力负荷预测方法研究".《电测与仪表》.2019,第56卷(第23期),70-75. *
蒋惠凤 ; 何有世 ; 张兵 ; .基于回归神经网络的长期电力负荷组合预测模型研究.《统计与决策》.2007,(第24期),第62-64页. *
蓝新斌 ; 李富盛 ; 余涛 ; .基于改进长短时记忆网络的短期负荷预测方法.《新型工业化》.2019,(第11期),第10-13页. *

Also Published As

Publication number Publication date
CN114243695A (zh) 2022-03-25

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
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN111915092B (zh) 基于长短时记忆神经网络的超短期风电功率预测方法
CN110059891B (zh) 一种基于vmd-svm-wsa-gm组合模型的光伏电站输出功率预测方法
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及***
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、***及终端设备
CN113591368A (zh) 一种综合能源***多能负荷预测方法及***
CN114862032B (zh) 一种基于XGBoost-LSTM的电网负荷预测方法及装置
CN112348287A (zh) 基于lstm分位数回归的电力***短期负荷概率密度预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN116258269A (zh) 一种基于负荷特征分解的超短期负荷动态预测方法
CN115481918A (zh) 一种基于源网荷储的单元状态主动感知及预测分析***
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN113139698A (zh) 负荷预测方法、装置及设备
CN110555566B (zh) 一种基于b样条分位数回归的光电概率密度预测方法
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN114243695B (zh) 一种基于双向长短时记忆神经网络的电力负荷预测方法
Qin et al. Forecasting of China consumer price index based on EEMD and SVR method
Cheng et al. Temperature & humidity-weighted-modified GRNN based prediction model of photovoltaic power generation
CN112529268A (zh) 一种基于流形学习的中短期负荷预测方法及装置
CN113256018B (zh) 一种基于条件分位数回归模型的风电功率超短期概率预测方法
Zheng et al. Short-Term Load Forecast Based on Feature Reconstruction and Bidirectional LSTM
CN117313043B (zh) 一种风力发电功率预测方法
CN110909492B (zh) 一种基于极端梯度提升算法的污水处理过程软测量方法
Indralaksono et al. Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors

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
GR01 Patent grant
GR01 Patent grant