[发明专利]一种基于相似日和LSTM的短期电力负荷双向组合预测方法

说明书

本发明公开了一种基于相似日和LSTM的短期电力负荷双向组合预测方法，包括以下步骤:S1，将历史日中的影响因素作归一化处理；S2，采用灰色关联分析法在不同范围的历史日中按照关联度大小确定相似日；S3，数据集确定；S4，横向输入矩阵和纵向输入矩阵的建立；S5，将横向输入矩阵和纵向输入矩阵输入到LSTM模型中做横向预测和纵向预测；S6，组合预测；本发明通过相似日选择降低了气象因素、日类型因素等对负荷数据的影响，提高了训练集的质量，对每个采样点进行横向预测与纵向预测之后，使用最小方差法优化其权重系数，既考虑到了数据的时序性与非线性，又考虑到了数据的周期性与非线性。

技术领域

本发明涉及电力负荷预测技术领域，特别是一种基于相似日和LSTM的短期电力负荷双向组合预测方法。

背景技术

准确的负荷预测使工作人员更合理地安排电网内部发动机组的启停，对电力系统的安全、电网的稳定以及电网的规划与调度起着重要作用，有很大的现实意义。

目前，国内外常用的短期电力负荷预测方法大致可分为两类，一类是传统的时间序列分析方法，如时间序列预测、指数平滑分析法、多元线性回归方法等。此类方法对数据的时序性要求很高，但非线性拟合能力不强，随着智能电网的发展，电力数据的爆炸式增长，利用此类方法预测的精度已经不能满足社会发展的需要。为解决上述问题，机器学习方法应运而生，如人工神经网络、支持向量机(Support Vector Machine，SVM)和随机森林(Random Forest，RF)等，此类机器学习方法很好地解决了数据之间的非线性关系，但是用于负荷预测中，需要人为添加时间特征保证预测精度。

随着经济的发展，人民生活水平逐步提高，空调等用电设备的使用量逐年増加，直接导致气象因素、日类型因素对电力负荷的影响越来越大，传统的预测方法难以准确预测。

发明内容

为了克服上述不足，本发明的目的是要提供一种基于相似日和LSTM的短期电力负荷双向组合预测方法。

为达到上述目的，本发明是按照以下技术方案实施的：

一种基于相似日和LSTM的短期电力负荷双向组合预测方法，包括以下步骤：

S1，数据预处理：将历史数据中的影响因素作归一化处理，所述影响因素包括温度、天气类型和日类型；所述历史数据包括影响因素数据和电力负荷数据，所述影响因素数据来源于当地气象局，所述电力负荷数据来自当地配电站、且每15分钟作为一个采样点，1天共96个采样点；

S2，相似日选择：采用灰色关联分析法在不同范围的历史日中按照关联度大小挑选相似日,所述相似日包括测试日、训练集标签日和训练日；

S3，数据集确定：所述数据集包括测试集和训练集，所述训练集包括训练集标签日的电力负荷数据和训练日的电力负荷数据，所述测试集为测试日的电力负荷数据和待预测日的电力负荷数据；

S4，横向输入矩阵和纵向输入矩阵的建立：利用步骤S3中的数据集组成相似日的初始矩阵，将初始矩阵的一行对应同一相似日的若干采样点数据作为横向样本，利用横向样本建立横向输入矩阵，将初始矩阵的一列对应不同相似日同一时刻点的负荷数据作为纵向样本，利用纵向样本建立纵向输入矩阵；

S5，横向与纵向预测：将横向输入矩阵和纵向输入矩阵输入到LSTM模型中做横向预测和纵向预测；

S6，组合预测：将步骤S5中的横向预测结果和纵向预测结果利用最小方差法求出每一个采样点的横向预测权重和纵向预测权重，利用下式得出双向组合预测结果：

式中，f表示一个采样点的组合预测值；q＝1,2…,p；p表示预测方法的数量；f_q表示一个采样点第q种预测方法的预测值，w_q表示一个采样点第q种预测方法的权重系数：