[发明专利]基于长短时记忆神经网络的电力负荷预测系统

说明书

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系统。

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系统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。

发明内容

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系统，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，能够精确地同时预测出多个相邻区域的电力负荷。

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，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。

优选的，所述深度神经网络负荷预测模型表示为如下公式：

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。

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：