[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

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，x_norm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，x_max为所述历史电力负荷数据集中电力负荷值的最大值，x_min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，…，x_m]和测试集输入序列[x_m+1，x_m+2，…，x_n]，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，…，y_m]；

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([x_m+1,x_m+2,...,x_n],[y_m+1,y_m+2,...,y_n])→minimize，满足其中，θ表示所述目标函数标识符，[x_m+1，x_m+2，…，x_n]为测试集输入序列，[y_m+1，y_m+2，…，y_n]为测试集输出序列；step_l、step_k和step_η分别表示对应参数搜索的网格步长；l_max表示序列分割尺度的最大值，k_max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。