[发明专利]基于长短时记忆神经网络的电力负荷预测系统

权利要求书

1.一种基于长短时记忆神经网络的电力负荷预测系统，运行于计算机中，该计算机包括输入单元以及输出单元，其特征在于，所述长短时记忆神经(LSTM)网络包括输入层、LSTM网络层和输出层，所述电力负荷预测系统包括：

信息接收模块，用于通过输入单元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所述LSTM网络的输入层；

模型建立模块，用于将所述LSTM网络的输入层接收的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，并通过所述LSTM网络层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双层多任务深度神经网络模型；

电力预测模块，用于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，并通过连接至所述LSTM网络层的回归器产生该区域内的电力负荷预测结果；

结果输出模块，用于通过所述输出层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。

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系统，其特征在于，所述深度神经网络负荷预测模型表示如下公式：

Forecast＝f(t,d,c,y₁,u₁,id)

其中，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；y_l是包含一段历史用电需求的历史电力负荷数据；u_l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系统，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：

$h_t=\left\{\begin{array}{cc}0,& t=0\\ f(h_{t-1},x_t),& t\≠0\end{array}\right..$

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系统，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。