[发明专利]一种电力系统负荷预测和分析方法

说明书

本发明属于电力负荷预测领域，具体涉及一种电力系统负荷预测和分析方法；所要解决的问题是提供一种预测精度高克服上述问题的电力系统负荷预测和分析方法；所采用的技术方案为通过输入单元接收输入的历史时刻的电力负荷数据、区域特征因素、指定预测时间段，并将经过处理后的上述数据传递至LSTM网络的输入层；将LSTM网络的输入层接收的数据导入LSTM网络层，并进行训练建模，得到LSTM预测模型；利用现有数据对LSTM预测模型进行检验，计算累计误差；通过已建立的LSTM预测模型对指定时间段进行电负荷预测并产生电负荷预测结果；通过输出单元输出该区域指定时间的电负荷预测结果。

技术领域

本发明属于电力负荷预测领域，具体涉及一种电力系统负荷预测和分析方法。

背景技术

负荷预测是电力系统发展规划、燃料计划以及制定发电计划的基础。电力系统负荷预测对电力系统的安全、经济和可靠运行具有非常重要的作用。其中，短期负荷预测是电力系统调度管理部门制订开停机计划及在线安全分析的基础，也是电力市场中实现电能计划管理的基础。神经网络具有很强的非线性拟合能力，能综合考虑影响负荷的各类因素，诸如天气情况、日期类型等，所以神经网络方法被广泛用于电力系统负荷预测，但是如果将各种影响因素都包含在输入层的输入变量中，会造成输入变量过多，加重网络训练负担，非但不能提高预测精度，反而降低了网络预测的性能。因此既考虑影响负荷预测的各种因素，又适当地压缩输入变量，成为基于神经网络的负荷预测方法必须解决的问题。近几年来，人们利用模糊粗糙集方法得到神经网络负荷预测的输入参数，提高了预测精度，但是模糊粗糙集方法计算量较大，进行属性约简所需时间较长。

发明内容

本发明克服了现有技术存在的不足，提供了一种预测精度高，克服上述问题的电力系统负荷预测和分析方法。

为了解决上述技术问题，本发明采用的技术方案为：一种电力系统负荷预测和分析方法，包括以下步骤：

1)通过输入单元接收输入的历史时刻的电力负荷数据、区域特征因素、指定预测时间段，并将经过处理后的上述数据传递至LSTM网络的输入层；

2)将LSTM网络的输入层接收的数据导入LSTM网络层，并进行训练建模，得到LSTM预测模型；

3)利用现有数据对LSTM预测模型进行检验，计算累计误差，若所得的累计误差在最大可允许累计误差范围内，则保留LSTM预测模型，反之则进行迭代修改；

4)通过已建立的LSTM预测模型对指定时间段进行电负荷预测并产生电负荷预测结果；

5)通过输出单元输出该区域指定时间的电负荷预测结果。

所述对获取的所述历史数据进行拟合处理之前，还包括：对获取的所述历史数据进行预处理，以剔除所述历史数据中的错误数据，以及补充所述历史数据中的缺失数据。

所述对获取的所述历史数据进行拟合处理，包括：基于灰色理论预测模型对所述历史数据进行拟合处理。

所述创建神经网络模型，包括：建立径向基函数神经网络模型；使用高斯函数作为所述径向基函数神经网络模型的基函数。

所述创建神经网络模型，还包括：使用k近邻聚类算法确定所述径向基函数神经网络模型的隐含层结构。