[发明专利]中长期电力负荷预测装置

权利要求书

1.一种中长期电力负荷预测装置，其特征在于，包括：

输入模块，用于输入多个第一时间尺度数据和多个第二时间尺度数据，并将所述多个第一时间尺度数据和所述多个第二时间尺度数据传递至长短期记忆神经网络的输入层，其中，所述多个第一时间尺度数据为预设时间段内的电力负荷数据及其影响因子，所述多个第二时间尺度数据为所述预设时间段内的电力负荷数据的影响因子，所述第一时间尺度小于所述第二时间尺度；

建模模块，用于通过所述长短期记忆神经网络对所述多个第一时间尺度数据和所述多个第二时间尺度数据进行训练，以得到堆叠长短期记忆网络模型，其中，所述堆叠长短期记忆网络模型包括多个长短期记忆单元，所述多个长短期记忆单元分为两层，第一层用于处理第一时间尺度数据，第二层用于处理第二时间尺度数据；第一层用于：处理最细时间尺度数据，底层输入的月度数据，通过一个长短期记忆循环神经网络层整合，并输出与第二层网络输入具有相同时间尺度的综合结果；第二层用于：处理较粗时间尺度数据，第一层网络的输出数据与第二层输入的数据一起通过第二层的长短期记忆循环神经网络层，经过神经网络处理后输出η_t，其中，η_t表示第二层在第t年度的输出数据；

预测模块，用于利用所述堆叠长短期记忆网络模型对电力负荷进行预测，以得到电力负荷预测数据；

输出模块，用于输出所述电力负荷预测数据；

采集模块，用于采集所述预设时间段内的电力负荷数据及其影响因子；所述采集模块在采集数据时，还对数据进行分析，并以数据表、曲线图的 方式展示采集 区域的数据，展示出的数据根据年、月、日的 时间尺度进行划分；

分析模块，用于根据所述第一时间尺度对所述电力负荷数据进行划分，以得到第一时间尺度的电力负荷数据，并对所述影响因子进行分析，以得到第一时间尺度的关键影响因子和第二时间尺度的关键影响因子，以及将所述第一时间尺度的电力负荷数据和所述第一时间尺度的关键影响因子作为所述第一时间尺度数据，将所述第二时间尺度的关键影响因子作为所述第二时间尺度数据；

所述堆叠长短期记忆网络模型具有堆叠结构，考虑了不同时间尺度数据的相互依赖关系且能够将不同时间尺度数据进行整合；

所述堆叠长短期记忆网络模型利用具有长短期记忆细胞的两层堆叠神经网络处理多时间尺度数据，以下层输出结果作为上层输入的一部分，上层神经网络结构综合处理下层传输进来的数据与本层其他输入数据之间的关系，最后输出预测结果；

所述第一时间尺度数据包括电力负荷数据和气候数据，所述第二时间尺度数据包括经济数据和气候数据；

所述第一时间尺度为月，所述第二时间尺度为年；

所述堆叠长短期记忆网络模型通过如下公式表示：

F＝f(n_t(i),β_t,γ_t,t,i)，

其中，t＝1,2,…,τ，表示所述预设时间段的第t年度，τ表示所述预设时间段的年度数，n_t(i)表示第t年度的第i个月的电力负荷数据和气候数据，i＝1,2,…,12，β_t表示第t年度的经济数据，γ_t表示第t年度的气象数据；

所述第一层对第t年度的12个月的第一时间尺度数据进行处理后，输出α_t＝(m_t(1),m_t(2),…,m_t(i),…,m_t(12))，其中，m_t(0)＝m_t(12)，m_t(i)＝F_lstm(n_t(i),m_t-1(i))，m_t(i)为所述第一层对n_t(i)处理后的输出数据，F_lstm函数为所述长短期记忆单元映射函数；

所述第二层对第t年度的第二时间尺度数据进行处理后，输出η_t＝F_lstm(α_t,β_t,γ_t,η_t-1)，其中，β_t＝tanh(y_t,β_t-1)，γ_t＝tanh(z_t,γ_t-1)，y_t、z_t分别表示β_t、γ_t经各自稠密连接的简单循环网络ReLU全连接层处理后的数据，tanh表示双曲正切函数。