[发明专利]一种基于LSTM与LGBM的电力负荷预测方法

说明书

本发明公开了一种基于LSTM与LGBM的电力负荷预测方法，属于电力负荷预测技术领域，包括如下步骤：预处理；构建含有若干层神经单元的LSTM网络，获得LSTM模型预测值；计算LSTM模型的代价函数；构建LGBM决策树，得到LGBM模型预测值；根据LSTM模型的代价函数计算LGBM模型的代价函数；以模型损失函数梯度的负方向为搜索方向，利用梯度下降法，迭代求解目标值，计算平均绝对百分误差MAPE。本发明构建基于LSTM长短期记忆神经网络和LGBM决策树梯度提升方法的电力负荷预测模型，以达到较好的拟合电力数据，充分挖掘出已有数据中的潜在分布信息，准确的完成了考虑天气因素的电力负荷预测任务的目的。

技术领域

本发明涉及一种负荷预测方法，特别是涉及一种基于LSTM与LGBM的电力负荷预测方法，属于电力负荷预测技术领域。

背景技术

电力是建设一个国家和民族的资源基础，精准的电力负荷预测对维护电网稳定运行，拟定电力调度计划具有重大意义。由于受到生产水平、人口密度、居民需求以及气候变化等诸多因素影响，电力负荷预测具有随机性高、建模难度大的特点，近年来，已成为中外学者研究的热点问题。

传统的电力负荷预测方法通过构建回归方程达到拟合短期电力数据的目的，对于中、长期电力预测任务来说，预测精度较低，计算复杂。因此，灰色预测法将收集到的电力数据累加或累减后通过GM(1，1)模型求解偏微分方程，逐步修正模型参数，并且数据越多，效果越好，从而很好地解决了中长期电力预测问题。但是，灰色模型本身具有指数增长性，而某一时期影响电力负荷的因素多种多样，因此灰色预测法的应用场景并不丰富。趋势外推法的主要思想是依据电力负荷数据的变化规律详细分析了电力数据随着时间变化的周期性，有效提取出了非趋势分量残差序列。然而，趋势外推法往往采用二阶自适应系数法确定模型的最优参数，推导过程需要给各个参数赋予初始值，而初始值的设置对最终结果的扰动极大，因此该方法受主观经验的影响较大，不利于方法的泛化应用。除此之外，基于隐马尔可夫模型的电力负荷预测模型，在训练过程中结合Baum-Welch方法，使得该模型的参数选择更加灵活，数学结构更为严密。

随着人工智能技术的普及，机器学习和深度学习方法也成为解决电力预测的重要技术手段。其中，基于神经网络的电力负荷预测利用前馈神经网络将输入有效映射为基本负荷分量、天气敏感分量、特殊事件分量和随机分量四个部分，通过在各个分量上实施神经网络的全连接操作，自学习出每个分量在预测过程中的比重，极大提升了预测精度。之后，技术人员在此基础上，建立了考虑日特征相关因素的BP神经网络负荷预测模型，进一步降低了天气等不确定因素对模型的负面影响。技术人员充分结合了小波神经网络预测速度快的特点，在训练过程中利用傅里叶变换将数据转换到时域空间进行迭代计算，预测效果非常接近实际用电情况。这也证明了，考虑时间因素对数据整体分布影响的时间序列模型是解决电力预测问题有力工具。

因而，现在需要一种基于长短记忆网络(Long and Short Term Memory，LSTM)的电力预测模型，并结合误差反向传播法则实现对参数的最优化求解。考虑到单一预测模型在预测性能上的不足，还构建了基于决策树梯度提升方法LGBM的电力负荷预测模型，借鉴boosting集成学习的思想，进一步提升预测准确度。

发明内容

本发明的主要目的是为了提供一种基于LSTM与LGBM的电力负荷预测方法，利用机器学习和深度学习的数据挖掘技术，构建基于LSTM长短期记忆神经网络和LGBM决策树梯度提升方法的电力负荷预测模型，通过在归一化与热编码等预处理后的数据集上构建人工神经网络和决策树实现电力数据的精准预测。以达到较好的拟合电力数据，充分挖掘出已有数据中的潜在分布信息，准确的完成了考虑天气因素的电力负荷预测任务的目的。

本发明的目的可以通过采用如下技术方案达到：

一种基于LSTM与LGBM的电力负荷预测方法，包括如下步骤：