[发明专利]基于PCA-DBILSTM的多因素短期负荷预测方法在审
申请号: | 201911263271.5 | 申请日: | 2019-12-10 |
公开(公告)号: | CN111027772A | 公开(公告)日: | 2020-04-17 |
发明(设计)人: | 李泽文;胡让;穆利智;易洋;钱雪社;刘湘;王梓糠;段芳铮;王志刚 | 申请(专利权)人: | 长沙理工大学 |
主分类号: | G06Q10/04 | 分类号: | G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 深圳市深软翰琪知识产权代理有限公司 44380 | 代理人: | 吴雅丽 |
地址: | 410015 湖南省长*** | 国省代码: | 湖南;43 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 pca dbilstm 因素 短期 负荷 预测 方法 | ||
本发明公开了一种基于PCA‑DBILSTM的多因素短期负荷预测方法,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。通过与传统电力负荷预测方法对比,该方法平均绝对百分误差(MAPE)和均方根误差(RMSE)均有所下降,结果表明该方法具有较高的预测精度。
技术领域
本发明涉及一种基于PCA-DBILSTM的多因素短期负荷预测方法。
背景技术
负荷预测在电力系统规划、能源交易、电力系统运行等方面起着主导作用。自上世纪90年代初以来,通过增加放松管制的结构和引入竞争市场,通过垄断的方式来管理的电力部门已经被重塑。短期负荷预测对于电力系统的可靠运行至关重要。电力系统短期负荷预测是一种基于历史负荷数据的方法,充分考虑气象、节假日等因素来预测未来几小时或几天的负荷。负荷预测的准确性将直接影响电力系统的安全性和经济性。在智能电网环境下,随着分布式发电、储能装置、电动汽车的发展,传统的电力负荷预测方法已经不能满足人们的需求。
目前,国内外研究学者对于电力系统短期负荷预测主要有两类预测方法:时间序列分析法和机器学习法。其中,时间序列分析法包含动平均法、指数平滑法、自回归求和移动平均(Auto-Regressive Integrated Moving Average,ARIMA)法等;其原理是利用历史负荷数据自身的时序性和自相关性进行分析,不需要考虑负荷产生的相关因素,只需要足够的序列样本就能够建立相应的预测模型,预测方法简单,但预测精度较低。机器学习法主要包含包括人工神经网络(Artificial Neural Networks,ANN)法、支持向量机(SupportVector Machines,SVM)、遗传算法、随机森林等,其中ANN方法更是受到国内外学者的关注。有文献提出了一种将遗传算法与反向传播(Back Propagation,BP)神经网络相结合的预测方法,由于遗传算法的全局搜索能力强,能够解决BP神经网络在学习过程中容易陷入到局部最小值的缺点,但BP神经网络在学习过程中,收敛速度较慢,算法效率低。现有技术中,使用SVM方法建立预测模型,由于SVM算法的本质就是解决一个线性约束的二次规划问题,能够确保它的解是唯一的、全局的和最优的。但对于大规模的样本学习时,其计算耗时较高,计算效率低。有文献中利用了循环神经网络(RNN),解决了前馈型神经网络无法处理序列数据的缺陷,但RNN的存储能力是有限的,随着时间序列之间的间隔增大,隐藏层的原有信息将会被覆盖,从而导致之前信息的缺失,容易造成梯度消失的情况。有文献提出了一种基于长短期记忆(long short-term memory networks,LSTM)网络的预测方法,LSTM网络通过引入状态记忆单元,能够有效地解决RNN梯度爆炸的问题。
由于机器学习方法在处理序列数据时往往只考虑历史信息,而忽略了未来的信息,因此,有必要设计一种基于PCA-DBILSTM的多因素短期负荷预测方法。
发明内容
本发明所要解决的技术问题是提供一种基于PCA-DBILSTM的多因素短期负荷预测方法,该基于PCA-DBILSTM的多因素短期负荷预测方法预测精度高。
发明的技术解决方案如下:
一种基于PCA-DBILSTM的多因素短期负荷预测方法,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。
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;
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长沙理工大学,未经长沙理工大学许可,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/201911263271.5/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种可增强夹持力的机械手
- 下一篇:一种注塑件模具
- 同类专利
- 专利分类
G06Q 专门适用于行政、商业、金融、管理、监督或预测目的的数据处理系统或方法;其他类目不包含的专门适用于行政、商业、金融、管理、监督或预测目的的处理系统或方法
G06Q10-00 行政;管理
G06Q10-02 .预定,例如用于门票、服务或事件的
G06Q10-04 .预测或优化,例如线性规划、“旅行商问题”或“下料问题”
G06Q10-06 .资源、工作流、人员或项目管理,例如组织、规划、调度或分配时间、人员或机器资源;企业规划;组织模型
G06Q10-08 .物流,例如仓储、装货、配送或运输;存货或库存管理,例如订货、采购或平衡订单
G06Q10-10 .办公自动化,例如电子邮件或群件的计算机辅助管理