CN114912716A - 基于双向长短时记忆网络的短期电力负荷预测方法及*** - Google Patents
基于双向长短时记忆网络的短期电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN114912716A CN114912716A CN202210807372.XA CN202210807372A CN114912716A CN 114912716 A CN114912716 A CN 114912716A CN 202210807372 A CN202210807372 A CN 202210807372A CN 114912716 A CN114912716 A CN 114912716A
- Authority
- CN
- China
- Prior art keywords
- short
- power load
- memory network
- bidirectional long
- term
- 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
- 230000002457 bidirectional effect Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000007787 long-term memory Effects 0.000 title claims abstract description 19
- 230000006403 short-term memory Effects 0.000 title claims abstract description 19
- 230000015654 memory Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本申请公开了一种基于双向长短时记忆网络的短期电力负荷预测方法及***,主要涉及电力负荷预测技术领域,用以解决现有的预测方法存在由泛化性差、鲁棒性不足等,导致的准确性低的问题。包括:构建电力负荷数据集;对电力负荷数据集进行相关性分类,以构建电力负荷预测数据集;将电力负荷预测数据集划分为训练集、测试集和验证集;构建双向长短时记忆网络模型,初始化模型参数;将归一化处理后训练集导入双向长短时记忆网络模型,获取输出数据;获得矫正后的模型参数,以使双向长短时记忆网络模型基于矫正后的模型参数进行电力负荷预测。本申请通过上述方法极大地提升了区域电力负荷预测的精确度。
Description
技术领域
本申请涉及电力负荷预测技术领域,尤其涉及一种基于双向长短时记忆网络的短期电力负荷预测方法及***。
背景技术
随着电力需求日益增加,传统电网在集中配电、人工监控和恢复、双向通信等方面开始遇到挑战,智能电网的出现为解决上述困难提供技术可能,有助于监控电力生产、传输和消耗,并平衡三者关系。但由于气候、经济、环境等不确定因素的影响,电力负荷波动较大,难以简单对其进行预测。
现有,电力负荷预测方法主要分为4类:传统预测、现代预测、混合预测和组合预测。为了解决处理非线性问题时效果不佳、存在计算复杂、泛化能力差和过拟合等固有局限,对电力负荷精准预测低、传统、现代和混合预测方法中单一预测模型的固有缺陷等问题,主要采用混合预测模型,即通过将两个以上的不同预测模型以特定加权方法组合,从而得到组合预测结果。但是,组合预测方法对预测的改进不仅需要多个预测模型,还需要计算每个模型所占权重,并没有强调数据预处理的重要性,并且通常组合现有成熟预测模型存在泛化性差,鲁棒性不足等问题。
发明内容
针对现有技术的上述不足,本发明提供一种基于双向长短时记忆网络的短期电力负荷预测方法及***,以解决上述技术问题。
第一方面,本申请提供了一种基于双向长短时记忆网络的短期电力负荷预测方法,方法包括:对获取到的原始负荷数据进行数据异常值与缺失值处理,以构建电力负荷数据集;对电力负荷数据集进行相关性分类,以构建电力负荷预测数据集;基于时间序列,将电力负荷预测数据集划分为训练集、测试集和验证集,并对训练集进行归一化处理;构建双向长短时记忆网络模型,并基于Inception结构和Attention机制优化模型,初始化模型参数;其中,模型参数至少包括:隐藏层神经元个数、批处理样本数、迭代次数;将归一化处理后训练集导入双向长短时记忆网络模型,完成双向长短时记忆网络模型的训练,将测试集导入训练好的双向长短时记忆网络模型,获取输出数据;基于输出数据的准确性,获得矫正后的模型参数,以使双向长短时记忆网络模型基于矫正后的模型参数进行电力负荷预测。
进一步地,基于输出数据的准确性,获得矫正后的模型参数,具体包括:判断输出数据的准确性是否满足预设最小误差,若满足则确定当前模型参数为矫正后的模型参数;若不满足预设最小误差,继续判断迭代次数是否达到预设最大迭代次数,在未达到预设最大迭代次时,再次将归一化处理后训练集导入双向长短时记忆网络模型进行模型训练,对应训练好的双向长短时记忆网络模型进行迭代测试;在达到预设最大迭代次时,确定迭代中准确性最小的模型参数为矫正后的模型参数。
进一步地,对电力负荷数据集进行相关性分类,以构建电力负荷预测数据集,具体包括:通过CNN卷积神经网络对电力负荷数据集进行数据集分类,以获得预设分类标签与电力负荷数据集之间的相关性;确定落入各个预设分类标签的数据量,确定数据量大于预设数据量阈值的预设分类标签为强相关标签;将落入强相关标签的电力负荷数据构建为电力负荷预测数据集。
进一步地,方法包括:基于预设验证时间段,将验证集导入训练好的双向长短时记忆网络模型,以获得输出数据的验证准确性;获得验证准确性对应的预设评价结果和泛化性数值。
进一步地,隐藏层神经元个数设置为 115,批处理样本数为 256,迭代次数为200。
第二方面,本申请提供了一种基于双向长短时记忆网络的短期电力负荷预测***,***包括:输入层模块,用于对获取到的原始负荷数据进行数据异常值与缺失值处理,以构建电力负荷数据集;CNN层模块,用于对电力负荷数据集进行相关性分类,以构建电力负荷预测数据集;基于时间序列,将电力负荷预测数据集划分为训练集、测试集和验证集,并对训练集进行归一化处理;LSTM层模块,用于构建双向长短时记忆网络模型,并基于Inception结构和Attention机制优化模型,初始化模型参数;其中,模型参数至少包括:隐藏层神经元个数、批处理样本数、迭代次数;Attention层模块,用于将归一化处理后训练集导入双向长短时记忆网络模型,完成双向长短时记忆网络模型的训练,将测试集导入训练好的双向长短时记忆网络模型,获取输出数据;基于输出数据的准确性,获得矫正后的模型参数,以使双向长短时记忆网络模型基于矫正后的模型参数进行电力负荷预测。
进一步地,Attention层模块还包括迭代单元;迭代单元,用于判断输出数据的准确性是否满足预设最小误差,若满足则确定当前模型参数为矫正后的模型参数;若不满足预设最小误差,继续判断迭代次数是否达到预设最大迭代次数,在未达到预设最大迭代次时,再次将归一化处理后训练集导入双向长短时记忆网络模型进行模型训练,对应训练好的双向长短时记忆网络模型进行迭代测试;在达到预设最大迭代次时,确定迭代中准确性最小的模型参数为矫正后的模型参数。
进一步地,***还包括验证模块;验证模块,用于基于预设验证时间段,将验证集导入训练好的双向长短时记忆网络模型,以获得输出数据的验证准确性;获得验证准确性对应的预设评价结果和泛化性数值。
本领域技术人员能够理解的是,本发明至少具有如下有益效果:本发明提出了一种基于双向长短时记忆网络的短期电力负荷预测方法及***,通过对原始负荷数据进行数据清洗,实现了达到去除异常、纠正错误、补足缺失的目的;通过Inception结构利用深度卷积提取输入向量的高维特征,基于Attention注意力机制优化输出向量的权重分布,实现了高精度的短期电力负荷预测;将改进的双向长短期记忆模型与多特征数据挖掘方法进行有机结合,应用至区域短期电力负荷预测,极大地提升了区域电力负荷预测的精确度,为区域电力***优化决策提供有效技术支撑。对保障电力调度科学决策,促进电力***安全运行,减少电力消耗具有积极影响作用。
附图说明
下面参照附图来描述本公开的部分实施例,附图中:
图1是本申请实施例提供的一种基于双向长短时记忆网络的短期电力负荷预测方法流程图。
图2是本申请实施例提供的一种基于双向长短时记忆网络的短期电力负荷预测***内部结构示意图。
具体实施方式
本领域技术人员应当理解的是,下文所描述的实施例仅仅是本公开的优选实施例,并不表示本公开仅能通过该优选实施例实现,该优选实施例仅仅是用于解释本公开的技术原理,并非用于限制本公开的保护范围。基于本公开提供的优选实施例,本领域普通技术人员在没有付出创造性劳动的情况下所获得的其它所有实施例,仍应落入到本公开的保护范围之内。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
短期负荷预测是电力***运行与分析的基础,对机组组合、经济调度、安全校核等具有重要意义。提高负荷预测精度,是保障电力***优化决策科学性的重要手段。现代电力***中,构成电力负荷的用电器种类繁多,空调等受气象条件影响的负荷占比持续增高,气象因素(温度、湿度、降雨量等)对电力***负荷的影响愈显突出。考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。
因此,本发明致力于提出一种基于双向长短时记忆网络的短期电力负荷预测方法及***。核心是将改进的双向长短期记忆模型与多特征数据挖掘方法进行有机结合,应用至区域短期电力负荷预测,极大地提升了区域电力负荷预测的精确度,为区域电力***优化决策提供有效技术支撑。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
如图1所示,本申请实施例还提供了一种基于双向长短时记忆网络的短期电力负荷预测方法,本申请实施例提供的方法,主要包括以下步骤:
步骤110、对获取到的原始负荷数据进行数据异常值与缺失值处理,以构建电力负荷数据集。
具体地,可以通过箱型图查找异常值,通过随机森林算法填补缺失值。
步骤120、对电力负荷数据集进行相关性分类,以构建电力负荷预测数据集;基于时间序列,将电力负荷预测数据集划分为训练集、测试集和验证集,并对训练集进行归一化处理。
其中,对电力负荷数据集进行相关性分类,以构建电力负荷预测数据集,具体可以为:通过CNN卷积神经网络对电力负荷数据集进行数据集分类,以获得预设分类标签与电力负荷数据集之间的相关性;确定落入各个预设分类标签的数据量,确定数据量大于预设数据量阈值的预设分类标签为强相关标签;将落入强相关标签的电力负荷数据构建为电力负荷预测数据集。其中,CNN卷积神经网络的CNN层卷积核个数可以为 96,池化层大小可以设置为2。
步骤130、构建双向长短时记忆网络模型,并基于Inception结构和Attention机制优化模型,初始化模型参数;其中,模型参数至少包括:隐藏层神经元个数、批处理样本数、迭代次数。
作为示例地,隐藏层神经元个数设置为 115,批处理样本数为 256,迭代次数为200。
步骤140、将归一化处理后训练集导入双向长短时记忆网络模型,完成双向长短时记忆网络模型的训练,将测试集导入训练好的双向长短时记忆网络模型,获取输出数据;基于输出数据的准确性,获得矫正后的模型参数,以使双向长短时记忆网络模型基于矫正后的模型参数进行电力负荷预测。
其中,基于输出数据的准确性,获得矫正后的模型参数,具体可以为:判断输出数据的准确性是否满足预设最小误差,若满足则确定当前模型参数为矫正后的模型参数;若不满足预设最小误差,继续判断迭代次数是否达到预设最大迭代次数,在未达到预设最大迭代次时,再次将归一化处理后训练集导入双向长短时记忆网络模型进行模型训练,对应训练好的双向长短时记忆网络模型进行迭代测试;在达到预设最大迭代次时,确定迭代中准确性最小的模型参数为矫正后的模型参数。需要说明的是,预设最小误差、预设最大迭代次数可以为任意可行的数值。
此外,本申请还可以在预设验证时间段内,对模型进行评价。作为示例地,基于预设验证时间段,将验证集导入训练好的双向长短时记忆网络模型,以获得输出数据的验证准确性;获得验证准确性对应的预设评价结果和泛化性数值。需要说明的是,预设验证时间段可以为任意可行的时间段。
除此之外,本申请实施例提供的一种基于双向长短时记忆网络的短期电力负荷预测***。如图2所示,本申请实施例提供的***,主要包括:
输入层模块210,用于对获取到的原始负荷数据进行数据异常值与缺失值处理,以构建电力负荷数据集。
CNN层模块220,用于对电力负荷数据集进行相关性分类,以构建电力负荷预测数据集;基于时间序列,将电力负荷预测数据集划分为训练集、测试集和验证集,并对训练集进行归一化处理。
LSTM层模块230,用于构建双向长短时记忆网络模型,并基于Inception结构和Attention机制优化模型,初始化模型参数;其中,模型参数至少包括:隐藏层神经元个数、批处理样本数、迭代次数。
Attention层模块240,用于将归一化处理后训练集导入双向长短时记忆网络模型,完成双向长短时记忆网络模型的训练,将测试集导入训练好的双向长短时记忆网络模型,获取输出数据;基于输出数据的准确性,获得矫正后的模型参数,以使双向长短时记忆网络模型基于矫正后的模型参数进行电力负荷预测。
Attention层模块240还包括可以迭代单元241;迭代单元241,用于判断输出数据的准确性是否满足预设最小误差,若满足则确定当前模型参数为矫正后的模型参数;若不满足预设最小误差,继续判断迭代次数是否达到预设最大迭代次数,在未达到预设最大迭代次时,再次将归一化处理后训练集导入双向长短时记忆网络模型进行模型训练,对应训练好的双向长短时记忆网络模型进行迭代测试;在达到预设最大迭代次时,确定迭代中准确性最小的模型参数为矫正后的模型参数。
此外,***还可以包括验证模块250;验证模块250,用于基于预设验证时间段,将验证集导入训练好的双向长短时记忆网络模型,以获得输出数据的验证准确性;获得验证准确性对应的预设评价结果和泛化性数值。
至此,已经结合前文的多个实施例描述了本公开的技术方案,但是,本领域技术人员容易理解的是,本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下,本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合,也可以对相关技术特征作出等同的更改或替换,凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。
Claims (8)
1.一种基于双向长短时记忆网络的短期电力负荷预测方法,其特征在于,所述方法包括:
对获取到的原始负荷数据进行数据异常值与缺失值处理,以构建电力负荷数据集;
对所述电力负荷数据集进行相关性分类,以构建电力负荷预测数据集;基于时间序列,将所述电力负荷预测数据集划分为训练集、测试集和验证集,并对所述训练集进行归一化处理;
构建双向长短时记忆网络模型,并基于Inception结构和Attention机制优化模型,初始化模型参数;其中,所述模型参数至少包括:隐藏层神经元个数、批处理样本数、迭代次数;
将归一化处理后训练集导入双向长短时记忆网络模型,完成双向长短时记忆网络模型的训练,将测试集导入训练好的双向长短时记忆网络模型,获取输出数据;基于输出数据的准确性,获得矫正后的模型参数,以使双向长短时记忆网络模型基于矫正后的模型参数进行电力负荷预测。
2.根据权利要求1所述的基于双向长短时记忆网络的短期电力负荷预测方法,其特征在于,基于输出数据的准确性,获得矫正后的模型参数,具体包括:
判断输出数据的准确性是否满足预设最小误差,若满足则确定当前模型参数为矫正后的模型参数;若不满足预设最小误差,继续判断迭代次数是否达到预设最大迭代次数,在未达到预设最大迭代次时,再次将归一化处理后训练集导入双向长短时记忆网络模型进行模型训练,对应训练好的双向长短时记忆网络模型进行迭代测试;在达到预设最大迭代次时,确定迭代中准确性最小的模型参数为矫正后的模型参数。
3.根据权利要求1所述的基于双向长短时记忆网络的短期电力负荷预测方法,其特征在于,对所述电力负荷数据集进行相关性分类,以构建电力负荷预测数据集,具体包括:
通过CNN卷积神经网络对电力负荷数据集进行数据集分类,以获得预设分类标签与电力负荷数据集之间的相关性;
确定落入各个预设分类标签的数据量,确定数据量大于预设数据量阈值的预设分类标签为强相关标签;
将落入强相关标签的电力负荷数据构建为电力负荷预测数据集。
4.根据权利要求1所述的基于双向长短时记忆网络的短期电力负荷预测方法,其特征在于,所述方法还包括:
基于预设验证时间段,将验证集导入训练好的双向长短时记忆网络模型,以获得输出数据的验证准确性;
获得所述验证准确性对应的预设评价结果和泛化性数值。
5.根据权利要求1所述的基于双向长短时记忆网络的短期电力负荷预测方法,其特征在于,隐藏层神经元个数设置为 115,批处理样本数为 256,迭代次数为200。
6.一种基于双向长短时记忆网络的短期电力负荷预测***,其特征在于,所述***包括:
输入层模块,用于对获取到的原始负荷数据进行数据异常值与缺失值处理,以构建电力负荷数据集;
CNN层模块,用于对所述电力负荷数据集进行相关性分类,以构建电力负荷预测数据集;基于时间序列,将所述电力负荷预测数据集划分为训练集、测试集和验证集,并对所述训练集进行归一化处理;
LSTM层模块,用于构建双向长短时记忆网络模型,并基于Inception结构和Attention机制优化模型,初始化模型参数;其中,所述模型参数至少包括:隐藏层神经元个数、批处理样本数、迭代次数;
Attention层模块,用于将归一化处理后训练集导入双向长短时记忆网络模型,完成双向长短时记忆网络模型的训练,将测试集导入训练好的双向长短时记忆网络模型,获取输出数据;基于输出数据的准确性,获得矫正后的模型参数,以使双向长短时记忆网络模型基于矫正后的模型参数进行电力负荷预测。
7.根据权利要求6所述的基于双向长短时记忆网络的短期电力负荷预测***,其特征在于,所述Attention层模块还包括迭代单元;
所述迭代单元,用于判断输出数据的准确性是否满足预设最小误差,若满足则确定当前模型参数为矫正后的模型参数;若不满足预设最小误差,继续判断迭代次数是否达到预设最大迭代次数,在未达到预设最大迭代次时,再次将归一化处理后训练集导入双向长短时记忆网络模型进行模型训练,对应训练好的双向长短时记忆网络模型进行迭代测试;在达到预设最大迭代次时,确定迭代中准确性最小的模型参数为矫正后的模型参数。
8.根据权利要求6所述的基于双向长短时记忆网络的短期电力负荷预测***,其特征在于,所述***还包括验证模块;
所述验证模块,用于基于预设验证时间段,将验证集导入训练好的双向长短时记忆网络模型,以获得输出数据的验证准确性;获得所述验证准确性对应的预设评价结果和泛化性数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807372.XA CN114912716A (zh) | 2022-07-11 | 2022-07-11 | 基于双向长短时记忆网络的短期电力负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210807372.XA CN114912716A (zh) | 2022-07-11 | 2022-07-11 | 基于双向长短时记忆网络的短期电力负荷预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114912716A true CN114912716A (zh) | 2022-08-16 |
Family
ID=82772260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210807372.XA Pending CN114912716A (zh) | 2022-07-11 | 2022-07-11 | 基于双向长短时记忆网络的短期电力负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114912716A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439206A (zh) * | 2022-11-08 | 2022-12-06 | 税友信息技术有限公司 | 一种申报数据预测方法、装置、设备及介质 |
CN117620345A (zh) * | 2023-12-28 | 2024-03-01 | 诚联恺达科技有限公司 | 一种真空回流焊炉的数据记录*** |
-
2022
- 2022-07-11 CN CN202210807372.XA patent/CN114912716A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439206A (zh) * | 2022-11-08 | 2022-12-06 | 税友信息技术有限公司 | 一种申报数据预测方法、装置、设备及介质 |
CN117620345A (zh) * | 2023-12-28 | 2024-03-01 | 诚联恺达科技有限公司 | 一种真空回流焊炉的数据记录*** |
CN117620345B (zh) * | 2023-12-28 | 2024-06-07 | 诚联恺达科技有限公司 | 一种真空回流焊炉的数据记录*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779223B (zh) | 一种光伏***发电功率实时预测方法及装置 | |
CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及*** | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
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 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及*** | |
CN112215442B (zh) | 电力***短期负荷预测方法、***、设备及介质 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及*** | |
CN113743673B (zh) | 一种台风期间的电力负荷预测方法 | |
CN113468811B (zh) | 含新能源机组的电网备用容量概率化动态评估方法及*** | |
CN112884008A (zh) | 一种电力信息采集***运行状态的预测评估方法及装置 | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
CN114118571A (zh) | 一种基于lstm深度学习的供暖热负荷预测方法 | |
CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和*** | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
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*** | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
CN117096860A (zh) | 基于lssvm模型的架空输电线路载流量区间预测方法及设备 | |
CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
CN111060755A (zh) | 一种电磁干扰诊断方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220816 |