[发明专利]一种基于I-LSTM的短期用电量预测方法

说明书

本发明涉及一种基于I‑LSTM的短期用电量预测方法，属于电力系统预测领域。该方法包括以下步骤：S1：收集电力系统的历史数据，并处理不完整数据和异常值；S2：根据时间将数据划分为训练集、验证集和测试集；S3：构建混合长短记忆网络I‑LSTM模型，并将训练集输入I‑LSTM网络模型进行训练；S4：设置I‑LSTM网络模型的网络损失函数、优化算法、学习速率和batchsize；S5：预测测试集，根据验证集准确变化情况得到的模型，得到测试集的预测结果。本发明能更好地挖掘用户历史数据序列中的关键信息以及用户用电量数据之间的特征关系，有效地提升用户用电量预测精度和稳定性。

技术领域

本发明属于电力系统预测领域，涉及一种基于I-LSTM的短期用电量预测方法。

背景技术

随着工业和人民生活水平的提高，对电力能源的供应量和供应效率都提出了更高的要求。智能电网已普及到人们的生活中。因此，提供一种精确度高的电力系统短期预测方法是很有必要的。

随着深度学习技术的不断发展，电网领域逐渐将目光转向深度学习。基于深度学习常用的方法为神经网络(Long Short-Term Memory,LSTM)，LSTM引入了具有记忆功能的组件，能较好地捕获数据前后的时序规律，因此广泛应用与时序预测。但是超长的记忆周期使得LSTM模型存在梯度消失问题，从而不能更好的捕获到电量时间序列的超长期趋势。

发明内容

有鉴于此，本发明的目的在于提供一种基于I-LSTM的短期用电量预测方法，借助I-LSTM网络模型(I-LSTM是周期性长短记忆网络(PLSTM)和LSTM的组合，其中PLSTM用来捕获用电量时间序序列的超长期记忆)有效解决由于输入序列过长而出现的信息丢失导致性能瓶颈的问题，同时有效捕捉较长时间内序列之间的相关性。

为达到上述目的，本发明提供如下技术方案：

一种基于I-LSTM的短期用电量预测方法，对数据进行预处理，准备训练数据集，验证数据集和测试数据集；搭建基于混合长短记忆网络I-LSTM的用电量预测模型；该模型包括LSTM和周期性长短记忆网络(PLSTM)两个网络层。该方法包括以下步骤：

S1：收集电力系统的历史数据，并处理不完整数据和异常值；利用异常值前一天和后一天同时间值的平均值替代异常值；

S2：根据时间将数据划分为训练集、验证集和测试集，分别用于I-LSTM网络模型训练，评估与测试；

S3：构建混合长短记忆网络I-LSTM模型，并将训练集输入I-LSTM网络模型进行训练；其中I-LSTM是周期性LSTM和LSTM的组合；

S4：设置I-LSTM网络模型的网络损失函数、优化算法、学习速率和batchsize；

S5：预测测试集，根据验证集准确变化情况得到的模型，得到测试集的预测结果。

进一步，步骤S3中，构建的I-LSTM网络模型具体包括：将数据分别通过LSTM和周期性LSTM，然后将输出的两种数据进行全连接，从而得到最终时刻的预测值。

进一步，步骤S3中，所述周期性LSTM的结构表达式为：