[发明专利]基于LSTM神经网络的电力负荷预测方法、装置及系统

说明书

本申请涉及一种基于LSTM神经网络的电力负荷预测方法、装置及系统，其中，所述方法包括以下步骤：获取本地超参数，以及预设时段内的各电力设备负荷数据；基于对应电力设备负荷数据的身份信息，将各电力设备负荷数据分类为若干个负荷数据集；开启预设数量的线程，并基于各线程分别读取相应的负荷数据集；基于预先搭建的LSTM神经网络模型，通过各线程分别处理相应的负荷数据集和本地超参数，得到电力负荷预测数据。本申请能够通过使用本地超参数，结合预先搭建的LSTM神经网络模型，以及使用多线程进行负荷预测，降低了训练次数，减少了负荷预测耗时，进而提高了电力负荷预测效率。

技术领域

本申请涉及负荷预测技术领域，特别是涉及一种基于LSTM神经网络的电力负荷预测方法、装置及系统。

背景技术

随着电力系统的发展，负荷预测也逐渐成为电力部分的重要工作之一。准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。

目前可用的负荷预测技术包括传统负荷预测技术及现代智能负荷预测技术。其中，传统负荷预测技术对于历史数据的要求不高，因而在早期得到了广泛的应用，但同时也存在预测精度较低的缺陷。现代智能负荷预测技术确实有着更高的预测精度，但同时对于数据质量的高度依赖限制了该类预测技术的应用，由于不同负荷包含的运行特征不同，占用大量的计算资源，当所需预测的负荷数量大规模增长时，网络训练与输出所需时间也将大幅增加，难以保证其在大规模应用时的效率。

在实现过程中，发明人发现传统技术中至少存在如下问题：传统的电力负荷预测效率低。

发明内容

基于此，有必要针对传统的电力负荷预测效率低的问题，提供一种基于LSTM神经网络的电力负荷预测方法、装置及系统。

为了实现上述目的，本发明实施例提供了一种基于LSTM神经网络的电力负荷预测方法，包括以下步骤：

获取本地超参数，以及预设时段内的各电力设备负荷数据；

基于对应电力设备负荷数据的身份信息，将各电力设备负荷数据分类为若干个负荷数据集；

开启预设数量的线程，并基于各线程分别读取相应的负荷数据集；

基于预先搭建的LSTM神经网络模型，通过各线程分别处理相应的负荷数据集和本地超参数，得到电力负荷预测数据。

在其中一个实施例中，获取本地超参数的步骤包括：

查询所属数据库中对应电力设备编号文件的本地超参数；

根据查询的结果，读取对应电力设备编号文件的本地超参数。

在其中一个实施例中，基于各线程分别读取相应的负荷数据集的步骤包括：

分别对各负荷数据集进行数据预处理，得到预处理后的各负荷数据集；

基于各线程分别读取相应的预处理后的负荷数据集。

在其中一个实施例中，基于预先搭建的LSTM神经网络模型，通过各线程分别处理相应的负荷数据集和本地超参数，得到电力负荷预测数据的步骤之后包括：

基于LSTM神经网络模型对本地超参数进行训练，得到训练后超参数；

将本地超参数更新为训练后超参数。

在其中一个实施例中，还包括步骤：

在线程处理预设数量的负荷数据集后，关闭线程；并重新开启线程进行下一轮处理。

在其中一个实施例中，基于预先搭建的LSTM神经网络模型，通过各线程分别处理相应的负荷数据集和本地超参数，得到电力负荷预测数据的步骤之后还包括：