[发明专利]中长期电力负荷预测装置

说明书

本发明提出了一种中长期电力负荷预测装置，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，并将多个第一时间尺度数据和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，第一时间尺度小于第二时间尺度；建模模块，用于通过长短期记忆神经网络对多个第一时间尺度数据和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；预测模块，用于利用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，用于输出电力负荷预测数据。该装置能够解决不同时间尺度数据依赖问题，提高中长期电力负荷的预测精度。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种中长期电力负荷预测装置。

背景技术

准确的中长期电力负荷预测有利于电网安全、经济运行，为电网规划提供基础数据依据，对现代电力系统发展起着重要作用，对电网规划的质量有决定性影响。如何提高中长期负荷预测的准确率一直以来是热点问题。

目前，中长期负荷预测装置主要分为只考虑负荷自身时序规律的方法和考虑相关因素的预测装置。前者有指数平滑法、增长速度法、生长曲线法、动平均法等，但这些方法仅从时间的角度看待负荷预测问题；后者有单耗法、弹性系数法、回归分析法等，但这些方法仅简单考虑若干因素。

然而，电力负荷不仅受电力系统内部因素，还受到政策宏观调控、经济、气象等多方面因素的影响，由于这些因素随机多变，使得电力负荷与影响因素之间非线性关系复杂，难以用精确的关系式表达两者之间的关系。同时，伴随着智能电网的发展，电网数据变得丰富，越来越多的影响因素得到考虑，影响因素的数据出现越来越多的时间尺度，数据颗粒度更细，以及非等时间间隔采集的特征。因此，需探索多时间尺度数据的处理方法来实现将上述影响因素的数据融入一个模型中。

为此，相关技术中提出采用独立预测得到短期、长期、中期时间尺度的预测值，再使用RNN(Recurrent Neural Network，循环神经网络)综合三种情况得到总的预测值的方法处理不同时间尺度问题，但其存在如下问题：需找寻负荷与等间隔、单一时间尺度数据间关系；还有技术采用特征树的方法由小到大层次分析各时间尺度间的关系，但其存在如下问题：需分别独立考虑不同时间尺度的情况，而后再使用一系列方法综合起来，很少考虑多尺度下数据间依赖关系。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种中长期电力负荷预测装置，以解决不同时间尺度数据依赖问题，提高中长期电力负荷的预测精度。

为实现上述目的，本发明提出了一种中长期电力负荷预测装置，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；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。

本发明实施例的中长期电力负荷预测装置，基于多时间尺度数据和长短期记忆神经网络进行建模，能够解决不同时间尺度数据依赖问题，提高中长期电力负荷的预测精度。

另外，根据本发明上述实施例的中长期电力负荷预测装置还可以具有如下附加的技术特征：