WO2018161722A1 - 基于长短时记忆神经网络的电力负荷预测方法 - Google Patents

基于长短时记忆神经网络的电力负荷预测方法 Download PDF

Info

Publication number
WO2018161722A1
WO2018161722A1 PCT/CN2018/072370 CN2018072370W WO2018161722A1 WO 2018161722 A1 WO2018161722 A1 WO 2018161722A1 CN 2018072370 W CN2018072370 W CN 2018072370W WO 2018161722 A1 WO2018161722 A1 WO 2018161722A1
Authority
WO
WIPO (PCT)
Prior art keywords
neural network
layer
lstm
power load
input
Prior art date
Application number
PCT/CN2018/072370
Other languages
English (en)
French (fr)
Inventor
杨延东
邓力
李书芳
张贯京
葛新科
Original Assignee
深圳市景程信息科技有限公司
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 深圳市景程信息科技有限公司 filed Critical 深圳市景程信息科技有限公司
Publication of WO2018161722A1 publication Critical patent/WO2018161722A1/zh

Links

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
    • 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

Definitions

  • the present invention relates to the field of power load prediction technologies, and in particular, to a power load prediction method based on a long and short time memory neural network.
  • the power load forecasting problem aims to predict the electricity demand of single or multiple transmission lines in the power grid. According to the predicted time span, it can be divided into short-term forecast (minutes to one week), medium-term forecast (one month to one quarter) and long-term. Forecast (more than one year). Due to the prior art conditions, it is difficult to efficiently store electrical energy in a large power storage device. Therefore, reducing the remaining power generation as much as possible under the condition of satisfying the power supply requirement is an effective way to reduce the cost and improve the efficiency of power consumption. Therefore, it is necessary to accurately predict the short-term power supply load in the region by using various prediction methods, and it is necessary to plan and guide the power generation enterprises to effectively produce electric energy.
  • ANN Artificial Neural Network
  • SVM Support Vector Machine
  • GPR Gaussian Process Regression
  • ARIMA Autoregressive Integrated Moving Average Model
  • Power loads are associated with many hidden variables, such as lighting, wind, holidays, etc. These variables are generally difficult to obtain or quantify, but it is reasonable to assume that cities in the same region have similar hidden variables. Therefore, the power load data of these neighboring cities is highly correlated, and the use of multi-task learning technology will improve the load forecasting accuracy of these similar areas.
  • Multi-task learning is a technique to improve generalization ability by jointly learning multiple related tasks at the same time. When some parameters in the model are properly shared among tasks, the load forecasting effect of these related tasks can be improved at the same time.
  • it is a very meaningful work to apply the deep learning theory to the power demand forecasting of power systems.
  • the existing neural network-based prediction methods rarely predict the power load across regions at the same time, and the proposed power load prediction model is not accurate.
  • the main object of the present invention is to provide a power load prediction method based on a long and short time memory neural network, and construct a load forecasting model for multi-task learning based on a long-term short-term memory neural network (LSTM) network in the field of deep learning, which can accurately predict simultaneously.
  • LSTM long-term short-term memory neural network
  • the present invention provides a power load prediction method based on a long and short time memory neural network, the method comprising the following steps:
  • the long-term memory neural network (LSTM) network is used to train and model the electrical load data and regional characteristic factors of the historical moment to train and generate a deep neural network load prediction model, which is used for power supply load.
  • LSTM long-term memory neural network
  • the power load prediction result in the desired prediction area is output through the output unit of the computer.
  • the deep neural network load prediction model is expressed as the following formula:
  • the LSTM network is an improved iterative neural network that processes the network of input sequences by recursively applying a state transition function f to the hidden layer state vector h t , in a hidden layer of time step t
  • the state vector h t is determined by the current input sequence x t and the hidden layer state vector h t-1 at the previous moment, and the hidden layer state vector h t is expressed by the following formula: .
  • the LSTM network is composed of an input layer, an LSTM network layer and an output layer.
  • the LSTM network layer includes an input gate i t , an output gate o t and a forgetting gate f t , and a memory unit c t .
  • the memory unit c t records all history information up to the current time t and is input.
  • the three logic gates of the gate i t , the output gate o t and the forget gate f t , the output values of the three logic gates are between 0 and 1.
  • control information of forgetting door f t LSTM an erasable network layer the gate input i t LSTM updating the network layer control information, said output information output gate o t controlling an internal state.
  • x t is the input sequence at time t
  • ⁇ is the sigmoid function
  • ⁇ is the multiplication between elements
  • W is the input weight
  • U is the cyclic weight of the hidden layer state
  • V is the influence weight of the historical information
  • tanh is The hyperbolic tangent function of the hidden layer state h.
  • the plurality of related tasks of the single-layer multi-task deep neural network model share an identical LSTM network layer, and the output of the same LSTM network layer at time t is represented as h t (s) , wherein the initialization parameters are uniform Random sample values distributed between [-0.1, 0.1].
  • the two related tasks of the dual-layer multi-task deep neural network model are respectively assigned to one LSTM network layer, and each task uses information about the LSTM network layer of another task, and is controlled by a global gating unit. Information reception of a two-layer multi-task deep neural network model.
  • the output of the LSTM network layer of the two-layer multi-task deep neural network model at time is represented as h t (m) and h t (n) , wherein initialization of h t (m) and h t (n)
  • the parameters are random sample values evenly distributed between [-0.1, 0.1], (m, n) is a given set of related tasks, and the memory information of the MLTM network layer of the mth task is as shown in the formula: ,
  • x t is the input sequence at time t
  • ⁇ is the sigmoid function
  • W is the input weight
  • U is the cyclic weight of the hidden layer state
  • V is the influence weight of the historical information
  • tanh is the hyperbolic tangent function of the hidden layer state h.
  • the power load prediction method based on the long and short time memory neural network of the present invention is based on the long and short time memory neural network in the field of deep learning (Long Short-term Memory Neural Network (LSTM) is used to build a load forecasting model for multi-task learning to further improve the prediction effect.
  • the invention proposes a cross-region power supply load prediction model, which can simultaneously predict the power load across the region, and the prediction effect is more accurate than the existing power load prediction model.
  • FIG. 1 is a diagram showing an operating environment of a preferred embodiment of a power load prediction system based on a long and short time memory neural network according to the present invention
  • FIG. 2 is a flow chart of a preferred embodiment of a power load prediction method based on a long and short time memory neural network according to the present invention
  • FIG. 3 is a schematic diagram of a model structure of an LSTM network
  • FIG. 4 is a schematic diagram of a single layer multi-task deep neural network model for power supply load prediction
  • FIG. 5 is a schematic diagram of a two-layer multi-tasking deep neural network model for power supply load prediction.
  • Fig. 1 is a diagram showing an operational environment of a preferred embodiment of a power load prediction system based on a long and short time memory neural network according to the present invention.
  • the power load forecasting system 10 is installed and operated in the computer 1, and the computer 1 further includes, but is not limited to, the input unit 11, the storage unit 12, the processing unit 13, and the output unit 14.
  • the input unit 11 is an input device of a computer, such as an input keyboard or a mouse.
  • the storage unit 12 can be a read only memory unit ROM, an electrically erasable storage unit EEPROM, a flash memory unit FLASH, or a solid state hard disk.
  • the processing unit 13 may be a central processing unit (CPU), a microcontroller (MCU), a data processing chip, or an information processing unit having a data processing function.
  • the output unit 14 is an output device of the computer 1, such as a display or a device such as a printer.
  • the power load prediction system 10 includes, but is not limited to, an information receiving module 101, a model establishing module 102, a power prediction module 103, and a result output module 104.
  • module refers to a series of computer program instructions that can be executed by the processing unit 13 of the computer 1 and that are capable of performing fixed functions, which are stored in the storage unit 12 of the computer 1. The specific functions of each of the modules in the electrical load forecasting system 10 are described below in conjunction with FIG.
  • FIG. 2 is a flowchart of a preferred embodiment of a power load prediction method based on a long-short-time memory neural network according to the present invention; in the embodiment, the power load prediction method can be based on the length and duration of the depth learning field.
  • Memory neural network Long Short-term Memory Neural Network (hereinafter referred to as LSTM network) is used to construct a load forecasting model for multi-task learning to further enhance the effect of regional power load forecasting.
  • the LSTM network 2 includes an input layer 21, an LSTM network layer 22, and an output layer 23.
  • the power load prediction method based on the long and short time memory neural network includes the following steps:
  • Step S21 input the historical electric load number and the regional characteristic factor in the required prediction area through the input unit 11; specifically, the typical electric load demand forecasting problem is affected by various regional characteristic factors, including the regional characteristic factors Information such as time, holidays, weather, and economic indicators, the historical electric load data refers to electric load data information of historical moments in the required predicted area.
  • the historical power load data and the area characteristic factors are collected by the user from the desired prediction area and input into the computer 1.
  • the information receiving module 101 receives the input power load data and the area characteristic factor of the historical time through the input unit 11, and transmits the power load data and the regional characteristic factor of the historical time to the input layer 21 of the LSTM network 2.
  • Step S22 training the power load data and the regional feature factors of the historical moment by using a long and short time memory neural network (LSTM) network to train and generate a deep neural network load prediction model; specifically, the model establishing module 102 will
  • the input layer 21 of the LSTM network 2 receives the power load data and the regional characteristic factors of the historical time and introduces the LSTM network layer 2, and trains and models the power load data and the regional characteristic factors of the historical time through the LSTM network layer 2 to train Generate a deep neural network load prediction model.
  • the deep neural network load prediction model may be a single-layer multi-task deep neural network model or a two-layer multi-task deep neural network model for power supply load prediction.
  • the model building module 102 uses the historical power load data and the regional characteristic factors to perform load prediction modeling to generate a deep neural network load prediction model, and the deep neural network load prediction model can be expressed as the following formula:
  • the model After sampling and collecting the above eigenvectors, the model can be constructed by determining the state transition function in the above equation and then predicting the power load in an area.
  • the invention adopts an iterative neural network (Recurrent Neural Network, RNN) is an improved network long-term memory neural network (LSTM) network for modeling.
  • RNN Recurrent Neural Network
  • LSTM network long-term memory neural network
  • An iterative neural network is a network that processes arbitrarily long input sequences by recursively applying a state transfer function f to the hidden layer state vector h t .
  • the hidden layer state vector h t at time step t is determined by the current input x t and the hidden layer state vector h t-1 at the previous moment, as shown in the following equation:
  • the above formula can be regarded as a dynamic system, and the state of the system changes with time according to a certain law.
  • h t is the state of the system.
  • the iterative neural network can approximate any dynamic system.
  • the strategy for modeling time series is to map the input sequence to a fixed-length vector using an iterative neural network (RNN) and then input it into the regression, which gives the prediction.
  • RNN iterative neural network
  • multiple RNNs based on the state transition function will exponentially increase or decrease the gradient vector after inputting the long sequence. This is the problem of gradient disappearance or gradient explosion faced by RNNs. In this case, it is difficult for multiple RNNs to learn the long-term correlation problem of the sequence.
  • the Long and Short Time Memory Neural Network (LSTM) network is an improved iterative neural network (RNN) model, which effectively solves the gradient disappearance or explosion faced by a simple iterative neural network by introducing a logic gate mechanism.
  • RNN iterative neural network
  • the problem is that the deep network model can learn the long-term dependence of time series.
  • the key to the LSTM network is the introduction of a set of Memory Units that allow the network to learn when to forget historical information and when to update memory cells with new information.
  • FIG. 3 is a model structure diagram of an LSTM network.
  • the LSTM network 2 is composed of an input layer 21, an LSTM network layer 22, and an output layer 23.
  • the structure is as shown in FIG. LSTM the network layer 22 includes an input gate i t (input gate), output gate o t (output gate) and the gate forgetting f t (forget gate) memory cell and a c t.
  • the memory unit records all the historical information up to the current time and is controlled by three logic gates: input gate i t (input gate), output gate o t (output gate), and Forget gate f t (forget gate). They are capable of simulating input, read and reset operations between nerve cells. The output values of these three logic gates are between 0 and 1.
  • x is the historical input data (eg historical load, weather conditions, economic indicators, etc.)
  • y is the predicted load.
  • the parameter iterative update of the LSTM network layer 22 is as follows:
  • x t is the input sequence at time t
  • ⁇ is the sigmoid function
  • tanh is the hyperbolic tangent function of the hidden layer state h
  • ⁇ is represented as the multiplication between elements
  • W is the input weight
  • U is the loop of the hidden layer state.
  • Weight V is the influence weight of historical information, and these weight parameters are obtained through model training. It can be seen that the forgetting gate f t controls the information deletion of the LSTM network layer 22; the input gate i t controls the information update of the LSTM network layer 22; and the output gate o t controls the information output of the internal state of the LSTM network layer 22.
  • the input gate i t , the output gate o t , the forgetting gate f t , and the memory unit c t enable the LSTM network layer 22 to adaptively select forgetting, memorizing, and outputting memory information. If important information content is detected, The forgetting gate f t will be turned off, so that the information will be utilized in multiple time steps, which is equivalent to capturing a long-term dependency information; on the other hand, when the forgetting gate f t is turned on, the LSTM network layer 22 The reset memory state will be selected.
  • the invention proposes two deep neural network load prediction models based on multi-task learning architecture, including a single-layer multi-task deep neural network model for power supply load prediction and a two-layer multi-task deep neural network model for power supply load prediction.
  • the model structure is shown in Figures 4 and 5.
  • FIG. 4 is a schematic diagram of a single-layer multi-task deep neural network model for power supply load prediction
  • FIG. 5 is a schematic diagram of a two-layer multi-task deep neural network model for power supply load prediction.
  • a plurality of related tasks share an identical LSTM network layer 22, the output of which is represented as h t (s) at time t.
  • two related tasks are each assigned to an LSTM network layer 22 such that each task can use information about the LSTM network layer 22 of another task.
  • each task has its own LSTM network layer 22, representing the output of the pair of LSTM network layers 22 at time t as h t ( m) and h t (n) , in order to better control the flow of shared information from one task to another, the present invention uses a global gating unit 31 to give the model the ability to determine how much information should be received.
  • the memory content of the LSTM network layer 22 that redefines the mth task is as shown in the formula (7):
  • x t is the input sequence at time t
  • ⁇ is the sigmoid function
  • W is the input weight
  • U is the cyclic weight of the hidden layer state
  • V is the historical information. Affecting the weight
  • tanh is the hyperbolic tangent function of the hidden layer state h.
  • Step S23 predicting the power load in the required prediction area by using the depth neural network load prediction model generated by the training and generating the power load prediction result in the area; specifically, the power prediction module 103 uses the depth neural network load prediction
  • the model predicts the electrical load in the desired prediction area and generates a power load prediction result in the area through the regression unit 30.
  • the invention can predict the electric load in the required prediction area by the single-layer multi-task deep neural network model or the double-layer multi-task deep neural network model and generate the electric load prediction result in the area.
  • the two models proposed by the present invention can jointly learn two related tasks at the same time, and the LSTM network layer 22 of the last layer of the model is connected to the regression unit 30, such as a Support Vector Regressor, etc.
  • the regression unit 30 can output the predicted power load value.
  • the output of the LSTM network layer in the single-layer multi-tasking deep neural network model at time is represented as h t (s) , where the initialization parameters are random sample values uniformly distributed between [-0.1, 0.1].
  • the h t (m) and h t (n) initialization parameters of the LSTM network layer 22 of the two-layer multi-tasking deep neural network model are random sample values evenly distributed between [-0.1, 0.1].
  • the minimum error sum of squares is used as the loss function, and the error back propagation algorithm is used for training.
  • the cross-validation method is used to find the hyperparameter of the model.
  • the error back propagation algorithm and the cross-validation method are all prior art in the prior art, and the present invention does not specifically describe them.
  • Step S24 outputting the power load prediction result in the required prediction area through the output unit; specifically, the result output module 104 outputs the power load prediction result in the required prediction area to the output unit 14 through the output layer 23,
  • the output unit 14 outputs the electric load prediction result in the region generated by the regenerator 30 through the output layer 23, that is, the electric load value of a group of related tasks is sum y (m) and y (n) .
  • the present invention has the following technical advantages: capable of jointly learning and storing short-term fluctuation information, seasonality and trend information contained in a long-time load sequence, and is suitable for multi-task high-dimensional time series prediction problems.
  • the power load forecasting method based on the long-short-time memory neural network of the present invention is based on the long-short-time memory neural network (LSTM) in the deep learning field to construct a load forecasting model for multi-task learning to further improve the prediction effect.
  • the invention proposes a cross-region power supply load prediction model, which can simultaneously predict the power load across the region, and the prediction effect is more accurate than the existing power load prediction model.
  • the power load prediction method based on the long and short time memory neural network of the present invention is based on the long and short time memory neural network in the field of deep learning (Long Short-term Memory Neural Network (LSTM) is used to build a load forecasting model for multi-task learning to further improve the prediction effect.
  • the invention proposes a cross-region power supply load prediction model, which can simultaneously predict the power load across the region, and the prediction effect is more accurate than the existing power load prediction model.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于长短时记忆神经(LSTM)网络的电力负荷预测方法，该方法包括步骤：通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素（S21）；采用长短时记忆神经网络对历史时刻的电力负荷数据和区域特征因素进行训练建模，以训练生成深度神经网络负荷预测模型（S22），该深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或双层多任务深度神经网络模型；利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果（S23）；通过计算机的输出单元输出该区域内的电力负荷预测结果（S24）。基于深度学习领域中的LSTM网络来构建多任务学习的电力负荷预测模型，能够精确预测出多区域的用电负荷，提升了预测效果。

Description

基于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技术领域，尤其涉及一种基于长短时记忆神经网络的电力负荷预测方法。
 背景技术
电力负荷预测问题旨在预测出电网中单条或者多条输电线的用电需求，根据预测的时间跨度可分为：短期预测（几分钟到一周）、中期预测（一个月到一个季度）和长期预测（一年以上）。由于现有技术条件下，电能很难有效地存储在大型储电装置中，因此，在满足供电需求的条件下，尽可能地降低剩余发电量，是减少成本，提高电能使用效率的有效途径。因此，采用各种预测方法准确地预测出区域内中短期供电负荷，对规划和指导发电企业有效生产电能是十分必要的。目前，有很多主流的方法应用于电力负荷预测，像人工神经网络（Artificial Neural Network，ANN）、支持向量机（Support Vector Machine，SVM）、高斯过程回归（Gaussion Process Regression，GPR）、自回归移动平均模型（Autoregressive Integrated Moving Average Model，ARIMA）等。电力负荷与很多隐变量相关，如光照、风力、节假日等等，这些变量一般难以获取或者量化，但是可以合理地认为位于同一区域的城市拥有相似的隐变量。所以这些相邻城市的电力负荷数据是高度相关的，运用多任务学习技术将会提高这些相似区域的负荷预测精度。
多任务学习是一种通过同时联合学习多个相关任务来提高泛化能力的技术，当模型中的部分参数在任务之间被合理共享时，就能同时提高这些相关任务的负荷预测效果。近年来，随着深度学习理论研究的深入发展，将深度学习理论应用于电力***的用电需求预测是一项很有意义的工作。现有的各种基于神经网络的预测方法很少能同时预测出跨区域的用电负荷，且提出的供电负荷预测模型并不精确。
 技术问题
本发明的主要目的在于提供一种基于长短时记忆神经网络的电力负荷预测方法，基于深度学习领域中的长短时记忆神经（LSTM）网络来构建多任务学习的负荷预测模型，能够精确地同时预测出多个相邻区域的电力负荷。
 技术解决方案
为实现上述目的，本发明提供了一种基于长短时记忆神经网络的电力负荷预测方法，该方法包括如下步骤：
通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素；
采用长短时记忆神经（LSTM）网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模，以训练生成深度神经网络负荷预测模型，所述深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或者双层多任务深度神经网络模型；
利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果；
通过计算机的输出单元输出所需预测区域内的电力负荷预测结果。
优选的，所述深度神经网络负荷预测模型表示为如下公式：
 
Figure dest_path_image001
其中，
Figure 992441dest_path_image002
，是一天当中的时间，以小时为单位；
Figure dest_path_image003
是一年当中的天数，以天为单位；c是一天的类型；y 1是包含一段历史用电需求的历史电力负荷数据；u 1是一个包含区域特征因素的实值向量；id代表用电需求的区域标识。
优选的，所述LSTM网络是一种改进型的迭代神经网络，该迭代神经网络通过对隐层状态向量h t递归应用状态转移函数f来处理输入序列的网络，处于时间步长t的隐层状态向量h t由当前输入序列x t和上一时刻的隐层状态向量h t-1决定，所述隐层状态向量h t采用如下公式表示：
Figure 891127dest_path_image004
。
优选的，所述LSTM网络由输入层、LSTM网络层和输出层构成。
优选的，所述LSTM网络层包括输入门i t、输出门o t和遗忘门f t以及记忆单元c t，在时刻t，记忆单元c t记录到当前时刻t为止的所有历史信息并受到输入门i t、输出门o t和遗忘门f t这三个逻辑门控制，该三个逻辑门的输出值均在0和1之间。
优选的，所述遗忘门f t控制LSTM网络层的信息檫除，所述输入门i t控制LSTM网络层的信息更新，所述输出门o t控制内部状态的信息输出。
优选的，所述LSTM网络的输入序列为x=(x 1,x 2,...,x t)，由输入层输入至LSTM网络层，输出序列为y=(y 1,y 2,...,y t)，由输出层从LSTM网络层输出，其中，T是预测期，x是历史输入数据，y是预测负荷，所述LSTM网络层的参数迭代更新方式如下公式（1）-（6）所示：
Figure dest_path_image005
    （1）
Figure 195069dest_path_image006
   （2）
 
Figure dest_path_image007
   （3）
 
Figure 814401dest_path_image008
     （4）
 
Figure dest_path_image009
        （5）
 
Figure 926713dest_path_image010
          （6）
其中，x t是t时刻的输入序列，σ表示为sigmoid函数，⊙表示为元素间的相乘，W是输入权重，U是隐层状态 的循环权重，V是历史信息的影响权重，tanh为隐层状态h的双曲正切函数。
优选的，所述单层多任务深度神经网络模型的多个相关任务共享一个相同的LSTM网络层，该相同的LSTM网络层在时刻t的输出表示为h t (s)，其中初始化参数是均匀分布在[-0.1，0.1]之间的随机采样值。
优选的，所述双层多任务深度神经网络模型的两个相关任务各自赋予一个LSTM网络层，每个任务分别使用另一个任务的LSTM网络层的相关信息，并通过一个全局门控单元来控制双层多任务深度神经网络模型的信息接收。
优选的，所述双层多任务深度神经网络模型的LSTM网络层在时刻 的输出表示为h t (m)和h t (n)，其中，h t (m)和h t (n)的初始化参数是均匀分布在[-0.1，0.1]之间的随机采样值，(m,n)为给定一组相关任务，第m个任务的LSTM网络层的记忆信息如公式所示：
Figure dest_path_image011
，
其中，
Figure 855355dest_path_image012
，x t是t时刻的输入序列，σ表示为sigmoid函数，W是输入权重，U是隐层状态 的循环权重，V是历史信息的影响权重，tanh为隐层状态h的双曲正切函数。
有益效果
相较于现有技术，本发明所述基于长短时记忆神经网络的电力负荷预测方法基于深度学习领域中的长短时记忆神经网络（Long Short-term Memory Neural Network，LSTM）来构建多任务学习的负荷预测模型，以进一步提升预测效果。本发明提出了跨区域的供电负荷预测模型，能够同时预测出跨区域的用电负荷，而且预测效果较现有用电负荷预测模型更精确。
 附图说明
图1是本发明基于长短时记忆神经网络的电力负荷预测***优选实施例的运行环境图；
图2是本发明基于长短时记忆神经网络的电力负荷预测方法优选实施例的流程图；
图3是LSTM网络的模型结构示意图；
图4是用于供电负荷预测的单层多任务深度神经网络模型的示意图；
图5是用于供电负荷预测的双层多任务深度神经网络模型的示意图。
本发明目的实现、功能特点及优点将结合实施例，将在具体实施方式部分一并参照附图做进一步说明。
 本发明的最佳实施方式
为更进一步阐述本发明为达成上述目的所采取的技术手段及功效，以下结合附图及较佳实施例，对本发明的具体实施方式、结构、特征及其功效进行详细说明。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。
参照图1所示，图1是本发明基于长短时记忆神经网络的电力负荷预测***优选实施例的运行环境图。在本实施例中，所述电力负荷预测***10安装并运行于计算机1中，该计算机1还包括，但不仅限于，输入单元11、存储单元12、处理单元13以及输出单元14。所述输入单元11为计算机的输入设备，例如输入键盘或鼠标等。所述存储单元12可以为一种只读存储单元ROM，电可擦写存储单元EEPROM、快闪存储单元FLASH或固体硬盘等。所述的处理单元13可以为一种中央处理器（Central Processing Unit，CPU）、微控制器（MCU）、数据处理芯片、或者具有数据处理功能的信息处理单元。所述输出单元14为计算机1的输出设备，例如显示器或者打印机等设备。
所述电力负荷预测***10，包括但不仅限于，信息接收模块101、模型建立模块102、电力预测模块103以及结果输出模块104。本发明所称的模块是指一种能够被计算机1的处理单元13执行并且能够完成固定功能的一系列计算机程序指令段，其存储在计算机1的存储单元12中。以下结合图2描述电力负荷预测***10中的每一个模块的具体功能。
参照图2所示，图2是本发明基于长短时记忆神经网络的电力负荷预测方法优选实施例的流程图；在本实施例中，所述电力负荷预测方法能够基于深度学习领域中的长短时记忆神经网络（Long Short-term Memory Neural Network，以下简称为LSTM网络）来构建多任务学习的负荷预测模型，以进一步提升区域电力负荷预测的效果。参考图3所示，所述LSTM网络2包括输入层21、LSTM网络层22以及输出层23。所述基于长短时记忆神经网络的电力负荷预测方法包括如下步骤：
步骤S21：通过输入单元11输入所需预测区域内的历史电力负荷数和区域特征因素；具体的，典型的电力负荷需求预测问题受到各种区域特征因素影响，所述区域特征因素包括区域内的时间、节假日、天气以及经济指标等信息，所述历史电力负荷数据是指所需预测区域内的历史时刻的电力负荷数据信息。在本实施例中，所述历史电力负荷数据和区域特征因素由用户从所需预测区域收集并输入至计算机1中。具体地，信息接收模块101通过输入单元11接收输入的历史时刻的电力负荷数据和区域特征因素，并将所述历史时刻的电力负荷数据和区域特征因素传递至LSTM网络2的输入层21。
步骤S22：采用长短时记忆神经（LSTM）网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模，以训练生成深度神经网络负荷预测模型；具体地，模型建立模块102将所述LSTM网络2的输入层21接收历史时刻的电力负荷数据和区域特征因素导入所述LSTM网络层2，并通过LSTM网络层2对历史时刻的电力负荷数据和区域特征因素进行训练建模，以训练生成深度神经网络负荷预测模型。在本实施例中，所述深度神经网络负荷预测模型可以为用于供电负荷预测的单层多任务深度神经网络模型或双层多任务深度神经网络模型。模型建立模块102利用历史电力负荷数据和区域特征因素进行负荷预测建模生成深度神经网络负荷预测模型，该深度神经网络负荷预测模型可表示为如下公式：
 
Figure dest_path_image013
上式中各个变量说明如下：t∈[0,24]，是一天当中的时间，以小时为单位；d∈{1,2,...,365,366}是一年当中的天数，以天为单位；c是一天的类型，如星期一到星期日、节假日等；y 1是包含一段历史用电需求内的历史电力负荷数据的实值向量；u 1是一个包含区域特征因素的实值向量，如温度、经济指标等数据；id代表用电需求的区域标识。
采样收集到上述特征向量后，就可以构建模型，即确定上式中的状态转移函数 ，然后对一个区域内的用电负荷进行预测。本发明采用迭代神经网络（Recurrent Neural Network，RNN）的改进型网络长短时记忆神经（LSTM）网络来进行建模，下面将详细说明该网络模型结构和原理。
迭代神经网络（RNN）是一种通过对隐层状态向量h t递归应用状态转移函数f来处理任意长输入序列的网络。处于时间步长t的隐层状态向量h t由当前输入x t和上一时刻的隐层状态向量h t-1决定，如下式所示：
 
Figure 53118dest_path_image014
上式可以看成一个动态***，***的状态按照一定的规律随时间变化。h t就是***的状态，理论上，迭代神经网络（RNN）可以近似任意的动态***。传统上，对时间序列进行建模的策略是用迭代神经网络（RNN）将输入序列映射为固定长度的向量，然后再输入到回归器中，回归器给出预测结果。但是，基于状态转移函数的多个RNNs在训练的过程中，在输入长序列后，其梯度向量会出现指数级的增长或衰减，这就是RNNs面临的梯度消失或者梯度***的问题。在这种情况下，多个RNNs很难学习序列的长时相关性问题。
在本实施例中，长短时记忆神经（LSTM）网络是一种改进型的迭代神经网络（RNN）模型，它通过引入逻辑门机制，有效地解决了简单的迭代神经网络面临的梯度消失或者***问题，使深层网络模型能够学习时间序列的长期依赖。该LSTM网络的关键在于引入了一组记忆单元（Memory Units），允许网络学习何时遗忘历史信息，何时用新信息更新记忆单元。
如图3所示，图3是LSTM网络的模型结构图。在本实施例中，所述LSTM网络2由输入层21、LSTM网络层22和输出层23构成，结构如图3所示。所述LSTM网络层22包括输入门i t（input gate）、输出门o t（output gate）和遗忘门f t（forget gate）以及记忆单元c t。在时刻 ，记忆单元 记录了到当前时刻为止的所有历史信息，并受三个逻辑门控制，该三个逻辑门分别是：输入门i t（input gate）、输出门o t（output gate）和遗忘门f t（forget gate）。它们能够模拟神经细胞间的输入、读取和复位操作，这三个逻辑门的输出值均在0和1之间。
假设LSTM网络2的输入序列为x=(x 1,x 2,...,x t)，由输入层21输入至LSTM网络层22，输出序列为y=(y 1,y 2,...,y t)，由输出层23从LSTM网络层22输出。其中，T是预测期，x是历史输入数据（例如历史负荷、天气状况，经济指标等），y是预测负荷。为实现这个目标，LSTM网络层22的参数迭代更新方式如下公式 所示：
Figure dest_path_image015
     （1）
 
Figure 974675dest_path_image016
    （2）
 
Figure dest_path_image017
         （3）
 
Figure 534970dest_path_image018
          （4）
 
Figure dest_path_image019
               （5）
 
Figure 775458dest_path_image020
                        （6）
其中，x t是t时刻的输入序列，σ表示为sigmoid函数，tanh为隐层状态h的双曲正切函数，⊙表示为元素间的相乘，W是输入权重，U是隐层状态 的循环权重，V是历史信息的影响权重，这些权重参数通过模型训练获得。可以看出，遗忘门f t控制LSTM网络层22的信息檫除；输入门i t控制LSTM网络层22的信息更新；输出门o t控制LSTM网络层22内部状态的信息输出。
在本实施例中，输入门i t、输出门o t、遗忘门f t和记忆单元c t能够使LSTM网络层22自适应选择遗忘、记忆和输出记忆信息，如果检测到重要的信息内容，遗忘门f t将会关闭，这样将会在多个时间步长内利用该信息，这就等价于捕捉到了一个长期依赖信息；另一方面，当遗忘门f t打开时，LSTM网络层22将会选择复位记忆状态。
现有的基于神经网络的负荷预测方法大多都是单任务学习模式，这些方法受到训练样本数目较少的限制，而无法充分学习网络结构和参数。为了解决这个问题，这些模型加入了无监督的预训练阶段。这个无监督的预训练方法对于提升最终的性能是有效的，但这并不是直接优化***的期望任务。由于深度神经网络模型从一个任务中学习到的特征可以应用于改进其余相关任务的学习中，所以深度神经网络模型很适合于多任务学习。本发明提出两个基于多任务学习架构的深度神经网络负荷预测模型，包括用于供电负荷预测的单层多任务深度神经网络模型和用于供电负荷预测的双层多任务深度神经网络模型，具体模型结构如图4和图5所示。
参考图4和图5所示，图4为用于供电负荷预测的单层多任务深度神经网络模型的示意图；图5为用于供电负荷预测的双层多任务深度神经网络模型的示意图。在图4中，多个相关任务共享一个相同的LSTM网络层22，该相同的LSTM网络层22在时刻t的输出表示为h t (s)。在图5中，将两个相关任务各自赋予一个LSTM网络层22，这样，每一个任务就可以使用另一个任务的LSTM网络层22的相关信息。值得说明的是，在图5中，给定一组相关任务(m,n)，每个任务有自己的LSTM网络层22，将这对LSTM网络层22在时刻t的输出表示为h t (m)和h t (n)，为了更好地控制共享信息从一个任务流入到另一个任务中，本发明使用了一个全局门控单元31来赋予模型决定应该接收多少信息的能力。基于上述公式（4），重新定义第m个任务的LSTM网络层22的记忆内容如公式（7）所示：
Figure dest_path_image021
                 （7）
其中，
Figure 132621dest_path_image022
，其余的参数设置和标准的LSTM网络层22一致，即：x t是t时刻的输入序列，σ表示为sigmoid函数，W是输入权重，U是隐层状态 的循环权重，V是历史信息的影响权重，tanh为隐层状态h的双曲正切函数。
步骤S23，利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果；具体地，电力预测模块103利用所述深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测，并通过回归器30产生该区域内的电力负荷预测结果。本发明通过单层多任务深度神经网络模型或者双层多任务深度神经网络模型均可对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果。本发明提出的两个模型可以同时联合学习两个相关任务，模型的最后一层的LSTM网络层22连接回归器30，例如一种支持向量回归机（Support Vector Regressor）等，此时，就通过回归器30可以输出预测的电力负荷值。
所述单层多任务深度神经网络模型中的LSTM网络层在时刻 的输出表示为h t (s)，其中初始化参数是均匀分布在[-0.1，0.1]之间的随机采样值。所述双层多任务深度神经网络模型的LSTM网络层22的中h t (m)和h t (n)初始化参数是均匀分布在[-0.1，0.1]之间的随机采样值。采用最小误差平方和作为损失函数，用误差反向传播算法进行训练，并采用交叉验证方法实验寻找模型的超参数。所述误差反向传播算法和交叉验证方法均为所属技术领域的现有技术，本发明不作具体赘述。
步骤S24，通过输出单元输出所需预测区域内的电力负荷预测结果；具体地，结果输出模块104通过所述输出层23输出所需预测区域内的电力负荷预测结果至所述输出单元14，该输出单元14通过所述输出层23输出回归器30产生的区域内的电力负荷预测结果，即一组相关任务 的电力负荷值为 和y (m)和y (n)。
与现有的技术相比，本发明有以下技术优点：能够同时联合学习和保存较长时间负荷序列所包含的短期波动信息、季节性和趋势性信息，适用于多任务高维时间序列预测问题。本发明所述基于长短时记忆神经网络的电力负荷预测方法基于深度学习领域中的长短时记忆神经网络（LSTM）来构建多任务学习的负荷预测模型，以进一步提升预测效果。本发明提出了跨区域的供电负荷预测模型，能够同时预测出跨区域的用电负荷，而且预测效果较现有用电负荷预测模型更精确。
 
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效功能变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
 工业实用性
相较于现有技术，本发明所述基于长短时记忆神经网络的电力负荷预测方法基于深度学习领域中的长短时记忆神经网络（Long Short-term Memory Neural Network，LSTM）来构建多任务学习的负荷预测模型，以进一步提升预测效果。本发明提出了跨区域的供电负荷预测模型，能够同时预测出跨区域的用电负荷，而且预测效果较现有用电负荷预测模型更精确。

Claims (10)

  1. 一种基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述电力负荷预测方法包括如下步骤：通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素；采用长短时记忆神经（LSTM）网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模，以训练生成深度神经网络负荷预测模型，所述深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或者双层多任务深度神经网络模型；利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果；通过计算机的输出单元输出所需预测区域内的电力负荷预测结果。
  2. 如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述深度神经网络负荷预测模型表示为如下公式：
    Figure 418896dest_path_image002
    。其中，
    Figure 804878dest_path_image004
    ，是一天当中的时间，以小时为单位；
    Figure 584615dest_path_image006
    是一年当中的天数，以天为单位；c是一天的类型；y 1是包含一段历史用电需求的历史电力负荷数据；u 1是一个包含区域特征因素的实值向量；id代表用电需求的区域标识。
  3. 如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述LSTM网络是一种改进型的迭代神经网络，该迭代神经网络通过对隐层状态向量h t递归应用状态转移函数f来处理输入序列的网络，处于时间步长 t的隐层状态向量h t由当前输入序列x t和上一时刻的隐层状态向量h t-1决定，所述隐层状态向量h t采用如下公式表示：
    Figure 834286dest_path_image008
    。
  4. 如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述LSTM网络由输入层、LSTM网络层和输出层构成。
  5. 如权利要求4所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述LSTM网络层包括输入门i t、输出门o t和遗忘门f t以及记忆单元c t，在时刻t，记忆单元c t记录到当前时刻t为止的所有历史信息并受到输入门i t、输出门o t和遗忘门f t这三个逻辑门控制，该三个逻辑门的输出值均在0和1之间。
  6. 如权利要求5所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述遗忘门f t控制LSTM网络层的信息檫除，所述输入门i t控制LSTM网络层的信息更新，所述输出门o t控制内部状态的信息输出。
  7. 如权利要求5所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述LSTM网络的输入序列为 ，由输入层输入至LSTM网络层，输出序列为 ，由输出层从LSTM网络层输出，其中， 是预测期， 是历史输入数据， 是预测负荷，所述LSTM网络层的参数迭代更新方式如下公式（1）-（6）所示：
    Figure 117500dest_path_image010
    （1）
    Figure 939962dest_path_image012
    （2）
    Figure 800471dest_path_image014
    （3）
    Figure 999371dest_path_image016
    （4）
    Figure 137091dest_path_image018
    （5）
    Figure 474663dest_path_image020
    （6）其中，x t是t时刻的输入序列，σ表示为sigmoid函数，⊙表示为元素间的相乘，W是输入权重，U是隐层状态 的循环权重，V是历史信息的影响权重，tanh为隐层状态h的双曲正切函数。
  8. 如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述单层多任务深度神经网络模型的多个相关任务共享一个相同的LSTM网络层，该相同的LSTM网络层在时刻t的输出表示为h t (s)，其中初始化参数是均匀分布在[-0.1，0.1]之间的随机采样值。
  9. 如权利要求1所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述双层多任务深度神经网络模型的两个相关任务各自赋予一个LSTM网络层，每个任务分别使用另一个任务的LSTM网络层的相关信息，并通过一个全局门控单元来控制双层多任务深度神经网络模型的信息接收。
  10. 如权利要求9所述的基于长短时记忆神经网络的电力负荷预测方法，其特征在于，所述双层多任务深度神经网络模型的LSTM网络层在时刻 的输出表示为h t (m)和h t (n)，其中，h t (m)和h t (n)的初始化参数是均匀分布在[-0.1，0.1]之间的随机采样值，(m,n)为给定一组相关任务，第m个任务的LSTM网络层的记忆信息如公式所示：
    Figure 228992dest_path_image022
    ，其中，
    Figure 434846dest_path_image024
    ，x t是t时刻的输入序列，σ表示为sigmoid函数，W是输入权重，U是隐层状态 的循环权重，V是历史信息的影响权重，tanh为隐层状态h的双曲正切函数。
PCT/CN2018/072370 2017-03-08 2018-01-12 基于长短时记忆神经网络的电力负荷预测方法 WO2018161722A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710136492.0A CN106960252A (zh) 2017-03-08 2017-03-08 基于长短时记忆神经网络的电力负荷预测方法
CN201710136492.0 2017-03-08

Publications (1)

Publication Number Publication Date
WO2018161722A1 true WO2018161722A1 (zh) 2018-09-13

Family

ID=59470026

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/072370 WO2018161722A1 (zh) 2017-03-08 2018-01-12 基于长短时记忆神经网络的电力负荷预测方法

Country Status (2)

Country Link
CN (1) CN106960252A (zh)
WO (1) WO2018161722A1 (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110570042A (zh) * 2019-09-16 2019-12-13 燕山大学 一种短期电动汽车充电负荷预测方法及***
CN110648021A (zh) * 2019-09-12 2020-01-03 广东电网有限责任公司电力调度控制中心 一种两级电力负荷预测结果协调方法、装置及设备
CN111126663A (zh) * 2019-11-25 2020-05-08 黑龙江电力调度实业有限公司 一种短期电力负荷预测方法
CN111144650A (zh) * 2019-12-26 2020-05-12 南京工程学院 电力负荷预测方法、装置、计算机可读存储介质及设备
CN111241279A (zh) * 2020-01-07 2020-06-05 华东师范大学 一种基于多任务学习机制的自然语言关系抽取方法
CN111310965A (zh) * 2019-10-30 2020-06-19 北京航空航天大学 一种基于lstm网络的飞行器航迹预测方法
CN112508275A (zh) * 2020-12-07 2021-03-16 国网湖南省电力有限公司 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN113107626A (zh) * 2021-05-25 2021-07-13 浙大城市学院 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN113205174A (zh) * 2021-03-24 2021-08-03 国网江苏省电力有限公司 基于特征解耦深度神经网络模型的夏季峰荷预测方法与***
CN114362249A (zh) * 2022-01-27 2022-04-15 阳光电源股份有限公司 一种源荷***防逆流控制方法、装置及源荷***
CN114970939A (zh) * 2022-03-14 2022-08-30 长沙理工大学 一种工业企业用电需求短期智能预测方法
CN115392594A (zh) * 2022-10-27 2022-11-25 南方电网数字电网研究院有限公司 一种基于神经网络和特征筛选的用电负荷模型训练方法

Families Citing this family (70)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
CN107464015B (zh) * 2017-07-21 2021-06-11 南京林洋电力科技有限公司 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法
CN109670568A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670589A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670570A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670571A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670566A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670567A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670569A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670622A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670587A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670588A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670572A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670621A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN109670590A (zh) * 2017-10-16 2019-04-23 优酷网络技术（北京）有限公司 神经网络预测方法及装置
CN108009673A (zh) * 2017-11-24 2018-05-08 国网北京市电力公司 基于深度学习的新型负荷预测方法和装置
CN108062561B (zh) * 2017-12-05 2020-01-14 华南理工大学 一种基于长短时记忆网络模型的短时数据流预测方法
CN109936464B (zh) * 2017-12-15 2022-04-01 ***通信集团浙江有限公司 基于多层lstmrnn的通信能力开放负荷预测方法及装置
CN107967542B (zh) * 2017-12-21 2021-07-27 国网浙江省电力公司丽水供电公司 一种基于长短期记忆网络的售电量预测方法
CN108090556B (zh) * 2017-12-22 2021-12-31 国网江西省电力有限公司电力科学研究院 一种配电变压器热评估方法
CN108169639B (zh) * 2017-12-29 2020-05-19 南京康尼环网开关设备有限公司 基于并行长短时记忆神经网络的识别开关柜故障的方法
CN108416690A (zh) * 2018-01-19 2018-08-17 中国矿业大学 基于深度lstm神经网络的电网负荷预测方法
CN108416695B (zh) * 2018-02-24 2020-07-07 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和***、介质
CN108734331B (zh) * 2018-03-23 2022-06-03 武汉理工大学 基于lstm的短期光伏发电功率预测方法及***
CN110631221A (zh) * 2018-06-05 2019-12-31 珠海格力电器股份有限公司 一种空调的控制方法、装置、终端及存储介质
CN108921341A (zh) * 2018-06-26 2018-11-30 国网山东省电力公司电力科学研究院 一种基于门控自编码的热电厂短期热负荷预测方法
CN108803345B (zh) * 2018-07-25 2021-09-07 西北工业大学 空间非合作目标接管控制过程耦合特性分析及解耦方法
US11775815B2 (en) * 2018-08-10 2023-10-03 Samsung Electronics Co., Ltd. System and method for deep memory network
CN109034495A (zh) * 2018-08-30 2018-12-18 珠海吉瓦科技有限公司 基于边缘计算的电力负荷预测***
CN109034500A (zh) * 2018-09-04 2018-12-18 湘潭大学 一种多时序协同的中期电力负荷预测方法
CN109308355B (zh) * 2018-09-17 2020-03-13 清华大学 法律判决结果预测方法及装置
CN109325624A (zh) * 2018-09-28 2019-02-12 国网福建省电力有限公司 一种基于深度学习的月度电力需求预测方法
CN109685240B (zh) * 2018-10-24 2023-10-13 国网浙江省电力有限公司 一种基于lstm深度学习的95598话务工单预测与异动预警方法
CN109245099A (zh) * 2018-10-29 2019-01-18 南方电网科学研究院有限责任公司 一种电力负荷辨识方法、装置、设备及可读存储介质
CN109344911B (zh) * 2018-10-31 2022-04-12 北京国信云服科技有限公司 一种基于多层lstm模型的并行处理分类方法
CN109214610B (zh) * 2018-11-16 2022-05-31 国网江苏省电力有限公司经济技术研究院 一种基于长短期记忆神经网络的饱和电力负荷预测方法
CN109934375B (zh) * 2018-11-27 2020-05-01 电子科技大学中山学院 一种电力负荷预测方法
CN109615124B (zh) * 2018-11-29 2022-12-30 中国铁路总公司 一种基于深度学习的scada主站负荷预测方法
CN109685252B (zh) * 2018-11-30 2023-04-07 西安工程大学 基于循环神经网络和多任务学习模型的建筑能耗预测方法
CN109376960A (zh) * 2018-12-06 2019-02-22 国网北京市电力公司 基于lstm神经网络的电网负荷预测方法
CN109784532A (zh) * 2018-12-12 2019-05-21 中山大学 一种基于深度学习的厂区能耗预测方法及***
CN109657874A (zh) * 2018-12-29 2019-04-19 安徽数升数据科技有限公司 一种基于长短时记忆模型的电力中长期负荷预测方法
CN109886389B (zh) * 2019-01-09 2023-04-25 南京邮电大学 一种基于Highway和DC的新型双向LSTM神经网络构建方法
CN109904854B (zh) * 2019-01-14 2023-11-07 中国电力科学研究院有限公司 一种面向需求响应的家庭电路负荷分解方法及***
CN109492838A (zh) * 2019-01-16 2019-03-19 中国地质大学（武汉） 一种基于深度循环神经网络的股指价格预测方法
CN109948845A (zh) * 2019-03-15 2019-06-28 国网江苏省电力有限公司经济技术研究院 一种配电网负荷长短期记忆神经网络预测方法
CN110059867B (zh) * 2019-03-27 2021-01-19 华中科技大学 一种swlstm结合gpr的风速预测方法
CN110276472A (zh) * 2019-05-21 2019-09-24 南方电网调峰调频发电有限公司 一种基于lstm深度学习网络的海上风电功率超短期预测方法
CN110210993B (zh) * 2019-05-22 2023-04-07 重庆大学 基于循环神经网络模型的城市短期燃气负荷预测方法
CN110264068A (zh) * 2019-06-18 2019-09-20 国网北京市电力公司 电力数据的处理方法和装置
CN110298501B (zh) * 2019-06-21 2022-08-16 河海大学常州校区 基于长短时记忆神经网络的电负荷预测方法
CN110263866B (zh) * 2019-06-24 2023-11-10 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
CN110322073A (zh) * 2019-07-09 2019-10-11 南方电网科学研究院有限责任公司 基于循环神经网络的电力负荷预测方法、装置及设备
CN110309984B (zh) * 2019-07-09 2022-08-05 上海上塔软件开发有限公司 一种非侵入式负荷识别与短期用户行为预测方法
CN110866591B (zh) * 2019-10-28 2022-11-01 浙江大学 基于需求预测进行前瞻式云制造服务租赁配置的方法
CN110766236A (zh) * 2019-10-31 2020-02-07 云南电网有限责任公司昆明供电局 基于统计分析和深度学习的电力设备状态趋势预测方法
CN110929414B (zh) * 2019-12-06 2023-06-20 创新奇智(成都)科技有限公司 一种基于级联时序模型的暖通***能效优化方法
CN111160000B (zh) * 2019-12-10 2022-02-22 深圳信息职业技术学院 作文自动评分方法、装置终端设备及存储介质
CN111200531B (zh) * 2020-01-02 2022-01-04 国网冀北电力有限公司信息通信分公司 一种通信网流量预测方法、装置与电子设备
CN111080037A (zh) * 2020-01-02 2020-04-28 中国电力科学研究院有限公司 一种基于深度神经网络的短期电力负荷预测方法及装置
CN111210091A (zh) * 2020-02-25 2020-05-29 上海积成能源科技有限公司 一种基于递归神经网络的长短期记忆模型来预测短期电力负荷的***模型
CN111340300A (zh) * 2020-02-29 2020-06-26 上海电力大学 一种基于faf-lstm深度神经网络的居民负荷预测方法及***
CN112001519A (zh) * 2020-05-20 2020-11-27 国网浙江省电力有限公司 一种基于深度神经网络的电力负荷预测方法
CN111401667B (zh) * 2020-06-03 2021-01-08 广东电网有限责任公司东莞供电局 一种工厂的用电调度方法、装置、计算机设备和存储介质
CN111680838A (zh) * 2020-06-08 2020-09-18 中国电力科学研究院有限公司 一种空调负荷聚合功率预测方法及***
CN112329990A (zh) * 2020-10-20 2021-02-05 昆明理工大学 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN112485870B (zh) * 2020-12-07 2022-03-11 中南大学 光纤耦合器阵列的自适应控制方法
CN112365098A (zh) * 2020-12-07 2021-02-12 国网冀北电力有限公司承德供电公司 电力负荷的预测方法、装置、设备和存储介质
CN112766598A (zh) * 2021-01-29 2021-05-07 上海工程技术大学 一种基于lstm神经网络的电能质量稳态指标预测与预警方法
CN115034507A (zh) * 2022-06-30 2022-09-09 杭州凯达电力建设有限公司 一种充电桩的电力负荷预测方法及相关组件

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073922A (zh) * 2010-12-10 2011-05-25 沈阳工业大学 基于影响因素筛选的短期负荷预测方法
CN103093285A (zh) * 2013-01-22 2013-05-08 清华大学 基于人工神经网络的短期负荷预测方法
CN104104116A (zh) * 2014-07-01 2014-10-15 杭州电子科技大学 一种含多分布式能源的光伏微电网供需控制***设计方法
US20160034812A1 (en) * 2014-07-31 2016-02-04 Qualcomm Incorporated Long short-term memory using a spiking neural network
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073922A (zh) * 2010-12-10 2011-05-25 沈阳工业大学 基于影响因素筛选的短期负荷预测方法
CN103093285A (zh) * 2013-01-22 2013-05-08 清华大学 基于人工神经网络的短期负荷预测方法
CN104104116A (zh) * 2014-07-01 2014-10-15 杭州电子科技大学 一种含多分布式能源的光伏微电网供需控制***设计方法
US20160034812A1 (en) * 2014-07-31 2016-02-04 Qualcomm Incorporated Long short-term memory using a spiking neural network
CN106960252A (zh) * 2017-03-08 2017-07-18 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIU, TONGTONG: "Short-term Load Prediction Method Based on Long Short-term Memory", HEILONGJIANG SCIENCE AND TECHNOLOGY INFORMATION, 30 November 2016 (2016-11-30), pages 81, ISSN: 2096-4390 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648021A (zh) * 2019-09-12 2020-01-03 广东电网有限责任公司电力调度控制中心 一种两级电力负荷预测结果协调方法、装置及设备
CN110570042A (zh) * 2019-09-16 2019-12-13 燕山大学 一种短期电动汽车充电负荷预测方法及***
CN111310965A (zh) * 2019-10-30 2020-06-19 北京航空航天大学 一种基于lstm网络的飞行器航迹预测方法
CN111126663A (zh) * 2019-11-25 2020-05-08 黑龙江电力调度实业有限公司 一种短期电力负荷预测方法
CN111126663B (zh) * 2019-11-25 2023-02-07 黑龙江电力调度实业有限公司 一种短期电力负荷预测方法
CN111144650A (zh) * 2019-12-26 2020-05-12 南京工程学院 电力负荷预测方法、装置、计算机可读存储介质及设备
CN111241279A (zh) * 2020-01-07 2020-06-05 华东师范大学 一种基于多任务学习机制的自然语言关系抽取方法
CN112508275B (zh) * 2020-12-07 2022-05-17 国网湖南省电力有限公司 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN112508275A (zh) * 2020-12-07 2021-03-16 国网湖南省电力有限公司 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
CN113205174A (zh) * 2021-03-24 2021-08-03 国网江苏省电力有限公司 基于特征解耦深度神经网络模型的夏季峰荷预测方法与***
CN113107626A (zh) * 2021-05-25 2021-07-13 浙大城市学院 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN113107626B (zh) * 2021-05-25 2024-02-02 浙大城市学院 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN114362249A (zh) * 2022-01-27 2022-04-15 阳光电源股份有限公司 一种源荷***防逆流控制方法、装置及源荷***
CN114362249B (zh) * 2022-01-27 2024-03-26 阳光慧碳科技有限公司 一种源荷***防逆流控制方法、装置及源荷***
CN114970939A (zh) * 2022-03-14 2022-08-30 长沙理工大学 一种工业企业用电需求短期智能预测方法
CN115392594A (zh) * 2022-10-27 2022-11-25 南方电网数字电网研究院有限公司 一种基于神经网络和特征筛选的用电负荷模型训练方法
CN115392594B (zh) * 2022-10-27 2023-03-24 南方电网数字电网研究院有限公司 一种基于神经网络和特征筛选的用电负荷模型训练方法

Also Published As

Publication number Publication date
CN106960252A (zh) 2017-07-18

Similar Documents

Publication Publication Date Title
WO2018161722A1 (zh) 基于长短时记忆神经网络的电力负荷预测方法
WO2018161723A1 (zh) 基于长短时记忆神经网络的电力负荷预测***
Kumar et al. Energy load forecasting using deep learning approach-LSTM and GRU in spark cluster
CN108280551B (zh) 一种利用长短期记忆网络的光伏发电功率预测方法
CN107622329A (zh) 基于多时间尺度长短时记忆神经网络的电力负荷预测方法
CN109711620A (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
Niu et al. Parallel computing and swarm intelligence based artificial intelligence model for multi-step-ahead hydrological time series prediction
CN109711617A (zh) 一种基于blstm深度学习的中长期径流预测方法
Zhang et al. A novel ensemble system for short-term wind speed forecasting based on Two-stage Attention-Based Recurrent Neural Network
CN112488452B (zh) 一种基于深度强化学习的能源***管理多时间尺度最优决策方法
Muzumdar et al. Designing a robust and accurate model for consumer-centric short-term load forecasting in microgrid environment
Islam et al. LSTM-based electrical load forecasting for Chattogram city of Bangladesh
Jin et al. Deep‐learning prediction model with serial two‐level decomposition based on Bayesian optimization
Yamin et al. Online solar energy prediction for energy-harvesting internet of things devices
Massaoudi et al. Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting
Akter et al. Analysis and prediction of hourly energy consumption based on long short-term memory neural network
CN114330935A (zh) 基于多种结合策略集成学习的新能源功率预测方法和***
Niu et al. A hybrid deep learning framework integrating feature selection and transfer learning for multi-step global horizontal irradiation forecasting
CN116345578A (zh) 基于深度确定性策略梯度的微电网运行优化调度方法
Sen Time series prediction based on improved deep learning
Godahewa et al. A generative deep learning framework across time series to optimize the energy consumption of air conditioning systems
Godahewa et al. Simulation and optimisation of air conditioning systems using machine learning
Nawar et al. Transfer learning in deep learning models for building load forecasting: Case of limited data
Ibrahim et al. LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction
CN109447843B (zh) 一种光伏出力预测方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18764630

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18764630

Country of ref document: EP

Kind code of ref document: A1