[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

说明书

本发明公开一种面向港口综合能源的长短记忆网络电力负荷预测方法，根据归一化处理的港口历史用电量的电力负荷数据集，进行数据集的划分，并将训练集输入至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。本发明的预测模型，综合考虑了数据的时序性和非线性关系，提高了模型预测的准确度和精度。同时根据预测值可以更加方便、更有针对性的进行港口电力调度，这为保证港口电力的稳定、降低用电成本和提高供电质量提供了数据依据。

技术领域

本发明涉及电力系统控制领域，特别是涉及一种面向港口综合能源的长短记忆网络电力负荷预测方法。

背景技术

“绿色港口”的提出，要求构建清洁、低碳的港口综合能源体系，这涉及到能源供给、节能减排两个重要方面。但因港口综合能源系统的多样性(煤、油、天然气、太阳能、风能等)、负荷(电动车、电器、锅炉、居民用能、港口机械、船舶岸电、岸电充电桩、压缩机等)数据的多变性(数量、种类与频率变化等)，使得港口系统的岸电调度难以跟随负荷的动态变化。准确的电力负荷预测可以为港口用电的调度提供数据支撑，保证电力的稳定，减少用电成本、提高供电质量。为此，需要构建港口电力负荷的精细化预测模型，精确的预测港口未来一段时间内的用电情况。

现有的电力负荷预测方法：

(1)时间序列模型：代表模型为自回归积分滑动平均模型(AutoregressiveIntegrated Moving Average Model,ARIMA)，它将电力负荷随时间推移而形成的数据序列视为一个随机序列，用这个序列对电力负荷变化的规律和特性进行分析并对未来负荷作出预测。它的优点在于考虑了数据的时序性关系，缺点在于对非线性关系数据的预测能力有限。

(2)机器学习模型：如BP神经网络、支持向量机、梯度下降决策树等，但这类算法共同存在的问题是缺少对时序数据时间相关性的考虑，需要人为添加时间特征来保证预测的结果。

目前针对港口负荷的多变性、强时序性、非线性和随机性、不确定性的用电情况，还没有高精度的预测方法。

发明内容

本发明的目的是提供一种面向港口综合能源的长短记忆网络电力负荷预测方法，能顾同时兼顾数据的时序性和非线性关系的问题，提高了港口电力负荷预测的准确度和精度。

为实现上述目的，本发明提供了如下方案：

面向港口综合能源的长短记忆网络电力负荷预测方法，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。

可选的，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。

可选的，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。

可选的，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；