[发明专利]面向港口综合能源的长短记忆网络电力负荷预测方法在审

专利信息
申请号: 201910318360.9 申请日: 2019-04-19
公开(公告)号: CN111832784A 公开(公告)日: 2020-10-27
发明(设计)人: 何大春;李志杰;苏宜强;谈健;郭燚;许晓彦;蔡超;陈曦;许媛媛;姚刚;梁璟旻 申请(专利权)人: 国网江苏省电力有限公司;国网江苏省电力有限公司经济技术研究院;上海海事大学
主分类号: G06Q10/04 分类号: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
代理公司: 北京高沃律师事务所 11569 代理人: 程华
地址: 210000 *** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 面向 港口 综合 能源 长短 记忆 网络 电力 负荷 预测 方法
【权利要求书】:

1.面向港口综合能源的长短记忆网络电力负荷预测方法,其特征在于,所述方法包括:

从数据库中获取港口的历史电力负荷数据集,并对所述历史电力负荷数据集进行归一化处理;

从归一化处理后的所述历史电力负荷数据集中选取训练集和测试集;

将所述训练集输入至所述长短记忆网络模型进行处理;

输出电力负荷的预测结果,结合真实值以平均绝对百分误差为评价指标进行评估。

2.根据权利要求1所述的面向港口综合能源的长短记忆网络电力负荷预测方法,其特征在于,每小时的电力负荷数据为所述历史电力负荷数据集的一个数据样本。

3.根据权利要求1所述的面向港口综合能源的长短记忆网络电力负荷预测方法,其特征在于,根据公式对所述历史电力负荷数据集进行归一化处理;

其中,xnorm为归一化后的电力负荷值,x为所述历史电力负荷数据集的电力负荷值,xmax为所述历史电力负荷数据集中电力负荷值的最大值,xmin为所述历史电力负荷数据集中电力负荷值的最小值。

4.根据权利要求1所述的面向港口综合能源的长短记忆网络电力负荷预测方法,其特征在于,所述从归一化处理后的所述历史电力负荷数据集中选取训练集和测试集具体包括:

从归一化处理后的所述历史电力负荷数据集中选取10个月电力负荷值;

选择所述10个月电力负荷值中的前9个月的电力负荷值为训练集;

选择所述10个月电力负荷值中的最后1个月的电力负荷值为测试集。

5.根据权利要求4所述的面向港口综合能源的长短记忆网络电力负荷预测方法,其特征在于,所述10个月电力负荷值对应的月份属于一个自然年。

6.根据权利要求1所述的面向港口综合能源的长短记忆网络电力负荷预测方法,其特征在于,所述将所述训练集输入至所述长短记忆网络模型进行处理具体包括:

用循环神经网络反向传播算法和自适应矩估计随机梯度优化算法修正所述长短记忆网络模型各网络层的权重,采用多层网格搜索法选择最优的训练集的序列分割尺度l、神经网络层数k和学习率η;

将所述样本集分为训练集输入序列[x1,x2,…,xm]和测试集输入序列[xm+1,xm+2,…,xn],按照所述训练集的序列分割尺度分为多个序列长度均为l的序列,并将多个所述序列长度均为l的序列输入至所述长短记忆网络模型的输入层;

所述序列长度均为l的序列经所述所述长短记忆网络模型的前置神经网络处理后,由所述长短记忆网络模型的全连接层输出,输出训练集输出序列[y1,y,…,ym];

其中,m表示训练集的个数,n为整个样本集个数,且mn。

7.根据权利要求6所述的面向港口综合能源的长短记忆网络电力负荷预测方法,其特征在于,所述选择最优的训练集的序列分割尺度l、神经网络层数k和学习率η的依据为:所述测试集上所有数据的预测误差最小,目标函数为:θ([xm+1,xm+2,...,xn],[ym+1,ym+2,...,yn])→minimize,满足其中,θ表示所述目标函数标识符,[xm+1,xm+2,…,xn]为测试集输入序列,[ym+1,ym+2,…,yn]为测试集输出序列;stepl、stepk和stepη分别表示对应参数搜索的网格步长;lmax表示序列分割尺度的最大值,kmax表示加入的神经网络层数的最大值,m表示训练集的个数,n表示测试集的个数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网江苏省电力有限公司;国网江苏省电力有限公司经济技术研究院;上海海事大学,未经国网江苏省电力有限公司;国网江苏省电力有限公司经济技术研究院;上海海事大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910318360.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top