[发明专利]基于PCA-DBILSTM的多因素短期负荷预测方法

权利要求书

1.一种基于PCA-DBILSTM的多因素短期负荷预测方法，其特征在于，首先对原始输入数据进行归一化和Onehot编码得到一个多维矩阵，并利用PCA方法对多维矩阵进行主成分提取，然后利用DBILSTM网络预测模型进行预测。

2.根据权利要求1所述的基于PCA-DBILSTM的多因素短期负荷预测方法，其特征在于：

步骤1：对原始输入数据进行归一化和Onehot编码得到一个多维矩阵；

多维矩阵包括n个行向量，每个行向量中包含历史负荷以及多种影响因素(其中包含前一周同一时刻负荷、前一天同时刻负荷、前两天同一时刻负荷、前一天前一时刻负荷、预测日最高气温、预测日最低气温、预测日降水量、预测日湿度、预测日日期类型)；

步骤2：对归一化后的数据集进行主成分分析，设定方差累计贡献率的阈值为95％，确定主成分的个数；

步骤3：将得到的主成分输入到DBILSTM网络中，得到当前时刻的预测值；

步骤4：利用均方根误差loss作为目标函数的损失值，计算当前输出值与负荷真实值间的误差，并利用Adamax算法对DBILSTM网络的权重参数进行更新，直到迭代完成；均方根误差loss计算公式为：

其中：y_o为真实负荷值，y_p为当前输出值，n为预测点个数；

步骤5：输入测试集数据，利用训练好的DBILSTM网络模型，对未来24小时的负荷进行预测。

3.根据权利要求1所述的基于PCA-DBILSTM的多因素短期负荷预测方法，其特征在于：步骤1包括：

(1)对用于表征工作日和非工作日的类别型变量进行Onehot编码处理，其中非工作日分为周末和法定节假日；经过Onehot编码后的特征向量为8维矩阵；当预测日为周日时，第7位为1，其余位为0，对于法定节假日，将第8位置1，其余位为0；

(2)对于数值型数据采用最大最小值归一化(Min-MaxNormalization)进行处理，其计算公式如下：

其中，表示归一化后的输入变量，x表示待归一化变量，即原始数值型数据，和分别表示待归一化变量的最小值和最大值；

为了使最终输出结果具有物理意义，对预测得到的负荷数据进行反归一化，其计算公式如下：

x_scaler＝x_td(max′(x)-min′(x))+min′(x)；

其中，表示待反归一化的变量，和表示待反归一化变量中的最大值和最小值，表示反归一化获得的数值。