[发明专利]一种计及电价和Attention机制的LSTM短期负荷预测方法及装置

说明书

本发明公开了一种计及电价和Attention机制的LSTM短期负荷预测方法及装置，构建LSTM输入特征向量U_i(t)，并对输入特征向量进行归一化处理，得到处理后输入特征向量U_i(t)；将处理后特征向量U_i(t)输入LSTM的隐藏层进行训练，得到训练后特征向量U'_i(t)；利用Attention机制对训练后特征向量U'_i(t)进行计算，得到特征权重向量h_k'；将特征权重向量h_k'，训练后的特征向量U'_i(t)输入LSTM的全连接层，经过全连接层的训练，得到最终预测值y_t。本发明提供一种科学合理，适用性强，效果佳，能够实现提高短期电力负荷精准度的预测方法。

技术领域

本发明涉及一种计及电价和Attention机制的LSTM短期负荷预测方法及装置，属于电力信息技术领域。

背景技术

目前，电力负荷预测在电力系统中占有非常重要的地位，是电力系统运行分析统筹规划的依据。短期负荷预测能够为电网调度提供线路转供计划，调整电网运行方式，是保证电网短期内顺利运行的有效手段之一。

随着电力市场改革的不断演变，电力市场运营模式趋向自由化，电价的实时性成为影响负荷波动的主要因素，增加了负荷预测的难度，因此实时电价下的短期负荷预测意义重大。另一方面，电网市场规模急速增长、设备种类数量不断增加，智能化水平不断提高，负荷采集数据的数据量和准确性都急速上升，为短期负荷预测提供了数据基础。所以，增加短期负荷预测准确性已成为当前亟待解决的问题。

近年来，人工智能方法在电力负荷预测领域取得了巨大进步，其中深度学习因其处理非线性映射能力的突出被经常使用。卷积神经网络、循环神经网络等都是很好的预测技术，应用面较广泛，但在使用过程中依然有如下问题：负荷预测时没有考虑时序数据的时间相关性，无时间特征；在训练过程中将输入重要数据和普通数据的特征向量平等对待，对负荷预测精度存在一定影响；忽略了电力市场环境下电价变化对负荷预测的影响程度。

发明内容

目的：为了提高负荷预测的精度，本发明在考虑实时电价因素、历史时序数据、输入特征权重的基础上提供一种科学合理，适用性强，效果佳，能够实现提高短期电力负荷精准度的预测方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种计及电价和Attention机制的LSTM短期负荷预测方法，包括如下步骤：

构建LSTM输入特征向量U_i(t)，所述输入特征向量Ui(t)包括与电网相关的电价、温度、湿度、降雨、负荷的数量，并对输入特征向量进行归一化处理，得到处理后输入特征向量U_i(t)；

将处理后特征向量U_i(t)输入LSTM的隐藏层进行训练，得到训练后特征向量U'_i(t)；

利用Attention机制对训练后特征向量U'_i(t)进行计算，得到特征权重向量h_k'；

将特征权重向量h_k'，训练后的特征向量U'_i(t)输入LSTM的全连接层，经过全连接层的训练，得到最终负荷预测值y_t。

一种计及电价和Attention机制的LSTM短期负荷预测装置，包括如下模块：

第一模块：用于构建LSTM输入特征向量U_i(t)，所述输入特征向量Ui(t)包括与电网相关的电价、温度、湿度、降雨、负荷的数量，并对输入特征向量进行归一化处理，得到处理后输入特征向量U_i(t)；