[发明专利]一种基于天气因素的电力负荷的预测方法和预测系统在审
| 申请号： | 201911145119.7 | 申请日： | 2019-11-21 |
| 公开（公告）号： | CN110889491A | 公开（公告）日： | 2020-03-17 |
| 发明（设计）人： | 潘正祥;林复;赵涵捷;朱淑娟;简暐哲;赖槿峰;陈文城 | 申请（专利权）人： | 福建工程学院 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06Q10/04;G06Q50/06 |
| 代理公司： | 浙江千克知识产权代理有限公司 33246 | 代理人： | 裴金华 |
| 地址： | 350118 福建省福州*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 天气 因素 电力 负荷 预测 方法 系统 | ||
1.一种基于天气因素的电力负荷的预测方法，其特征在于，包括：
获取电路负荷数据，以及与所述电路负荷数据相对应的天气数据，所述电路负荷数据为待预测时间之前的电路负荷数据；
将所述电路负荷数据作为输入数据进行监督学习，获取样本；
获取经过设置的Bi-LSTM神经网络超参数，根据所述样本的训练集进行Bi-LSTM神经网络训练，获取经过训练的Bi-LSTM模型；
将所述样本的测试集添加到所述经过训练的Bi-LSTM模型，获取作为输出数据的待测试时间的测试结果。
2.如权利要求1所述的预测方法，其特征在于，所述天气数据包括：温度、湿度、风速、露点。
3.如权利要求1所述的预测方法，其特征在于，所述Bi-LSTM神经网络超参数，包括：用Keras搭建Bi-LSTM神经网络，通过实验来确定需要Bi-LSTM的层数，输入层、Bi-LSTM层、输出层的节点数，选择MAE作为损失函数，选择adam作为优化器，选择relu函数作为激活函数。
4.如权利要求1所述的预测方法，其特征在于，所述预测方法还包括：
对所述电路负荷数据进行归一化处理，补充所述电路负荷数据的缺失值。
5.如权利要求1~4任一项所述的预测方法，其特征在于，所述样本的训练集与测试集的比例为4：1。
6.一种基于天气因素的电力负荷的预测系统，其特征在于，所述预测系统包括：
数据获取模块，用于获取电路负荷数据，以及与所述电路负荷数据相对应的天气数据，所述电路负荷数据为待预测时间之前的电路负荷数据；
样本获取模块，用于将所述电路负荷数据作为输入数据进行监督学习，获取样本；
Bi-LSTM模型获取模块，用于获取经过设置的Bi-LSTM神经网络超参数，根据所述样本的训练集进行Bi-LSTM神经网络训练，获取经过训练的Bi-LSTM模型；
测试结果获取模块，用于将所述样本的测试集添加到所述经过训练的Bi-LSTM模型，获取作为输出数据的待测试时间的测试结果。
7.如权利要求6所述的预测系统，其特征在于，所述天气数据包括：温度、湿度、风速、露点。
8.如权利要求6所述的预测系统，其特征在于，所述Bi-LSTM神经网络超参数，包括：用Keras搭建Bi-LSTM神经网络，通过实验来确定需要Bi-LSTM的层数，输入层、Bi-LSTM层、输出层的节点数，选择MAE作为损失函数，选择adam作为优化器，选择relu函数作为激活函数。
9.如权利要求6所述的预测系统，其特征在于，所述预测系统还包括：
归一化处理模块，用于对所述电路负荷数据进行归一化处理，补充所述电路负荷数据的缺失值。
10.如权利要求6~9任一项所述的系统，其特征在于，所述样本的训练集与测试集的比例为4：1。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于福建工程学院，未经福建工程学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201911145119.7/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种基于Sysgen的可见光图像直方图增强方法及装置
- 下一篇：一种光伏焊带
