[发明专利]基于动态时间规整与长短时间记忆的负荷预测方法

说明书

本发明揭示了一种基于动态时间规整与长短时间记忆的负荷预测方法，包括如下步骤：S1、从电力系统中获取用户短期负荷预测所需的基本数据：S2、根据用户的历史负荷数据，使用动态时间规整法将用电行为类似的用户进行聚类；S3、对同一类别的用户数据进行池化处理；S4、选取训练数据，进行预处理后作为输入；S5、构建基于深度长短期记忆循环神经网络的短期负荷预测方法，并验证有效性。本发明针对待预测用户基数大的特点，将具有相似用电行为的用户进行聚类，提高了预测效率。同时，本发明通过将同一类别内的数据进行池化处理，增加了训练数据的多样性，提高了短期负荷预测精度，具有一定的工程应用意义。

技术领域

本发明涉及一种电力系统居民短期负荷预测方法，具体而言，涉及一种电力系统居民短期负荷预测方法，用于对电力系统负荷进行预测，属于模式识别和图像处理技术领域。

背景技术

电力系统内的居民负荷预测是根据历史负荷变化规律，结合气象、经济等因素对未来几天或几小时地负荷进行科学的预测。准确的负荷预测是安排电力生产调度、设备检修计划的重要决策依据。因此，有必要研究居民负荷预测的新方法及新技术，以提高负荷预测精度与可靠性，满足工程技术要求。

近年来，随着深度学习技术的不断发展，一些深度学习模型逐渐被应用到时序数据的研究中。其中，循环神经网络(recurrent neural networks,RNN)是一种带有自循环结构的神经网络，允许时间序列数据在网络层上信息流动的持久化，在理论上十分适合处理时间序列数据。随着研究的深入，RNN产生了众多变体，如双向循环神经网络、长短期记忆循环神经网络(LSTM)、门控循环神经网络(GRU)等。在众多的RNN变体中，LSTM网络有效地弥补了RNN的梯度消失和梯度爆炸、长期记忆能力不足等问题，使得循环神经网络能够真正有效地利用长距离的时序信息。也正是基于上述技术基础，如何针对短时家庭电力需求数据维度单一、数据随机性强的问题，提出一种基于LSTM的短时家庭电力负荷预测方法，并保证其具有较好的预测性能，也就成为目前业内人士研究的重点。

此外，为了进一步提高现有的短时家庭电力负荷预测方法的准确性，许多学者提出了组合预测模型。其中，最为典型的做法是根据不同的用户负荷曲线进行聚类。负荷曲线是家庭能源消耗的24小时记录，虽然消费者行为表明设备使用模式，但设备使用的确切时间可能会有所不同，从而导致不同形状的负载曲线。因此，无论是在一周的不同日期还是在一周的给定日期，家庭的每日24小时负荷曲线均会表现出很大的变化。为了按行为对家庭进行适当分类，分类方案必须及时考虑这些变化，并关注设备使用的基本结构，而这类基本结构也可以被认为是家庭能源使用的基础。

针对这一现状，通过使用动态时间规整(DTW)来比较家庭负荷曲线并对其进行分类的方法也应运而生。在此度量下，时间轴被拉伸或收缩以找到两个负载曲线之间的最佳匹配，并找到规范“形状”以表示一组负载曲线。在此测量下，两个分类为相似的载荷曲线在每个时间点不一定具有相似的值，但在DTW测量下具有相似的形状。

综上所述，如何在现有技术的基础上提出一种新型的电力系统居民短期负荷预测方法，以现有技术为基础、充分发挥上述技术的优点，提升预测的精确性、降低算法的复杂度，也就成为了本领域内技术人员亟待解决的问题。

发明内容

鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于动态时间规整与长短时间记忆的负荷预测方法，包括如下步骤：

S1、从电力系统中获取用户短期负荷预测所需的基本数据；

S2、根据用户的历史负荷数据，使用动态时间规整法将用电行为类似的用户进行聚类；

S3、对同一类别的用户数据进行池化处理；

S4、选取预测前一日、前一周、前一月的负荷数数据、气象数据以及预测日日期类型数据，对数据进行预处理后作为输入；

S5、构建基于深度长短期记忆循环神经网络的短期负荷预测方法，并通过提前24h负荷预测场景验证方法的有效性。