[发明专利]基于LSTM网络的电力负荷预测方法及系统

权利要求书

1.基于LSTM神经网络的电力负荷预测方法，其特征在于，包括以下步骤：

获取数据步骤：获取历史电力负荷数据集和影响因素数据；

数据预处理步骤：对历史电力负荷数据集绘制电力负荷曲线图，剔除异常数据、补齐缺失数据，对影响因素数据做归一化处理，对预处理后的数据进行标准化处理，得到时序数据池；

数据划分步骤：将时序数据池划分为训练集和测试集；

LSTM神经网络参数优化步骤：采用遗传算法优化LSTM神经网络模型的各个参数；

LSTM神经网络训练步骤：输入遗传算法优化好的参数、训练集，进行LSTM神经网络预测模型的迭代优化；

电力负荷预测步骤：利用已训练好的LSTM神经网络预测模型对测试集进行预测，得到预测电力负荷。

2.根据权利要求1所述的基于LSTM神经网络的电力负荷预测方法，其特征在于，

数据预处理步骤中对历史电力负荷的预处理包括：

补齐缺失数据：负荷值应该为正整数，若为负数或“0”，则视为数据丢失，利用前一天当前时刻的负荷值与当天前一时刻的负荷值组合的方式处理缺失数据，具体公式如下：

X(d,t)＝aX(d-1,t)+a′X(d,t-1) (1)

其中，X(d,t)表示d日期t时刻的电力负荷数据值，a、a′分别表示对应的数据的权重；

处理异常数据：利用电力负荷数据的周期性特性进行垂直和水平两个方面上的异常数据的排查与修正，其中，

垂直处理方法：利用负荷数据与前一天同一时刻的历史数据有较强的关联性，根据当前数据与前一天同一时刻的历史数据进行误差计算，若超过阈值，则根据当天负荷平均值与前一天当前历史数据值按比例计算后进行替换；

水平处理方法：根据相邻两个时刻的负荷值进行误差判定，若相差超过一定阈值，则判定为误差数据，根据负荷曲线的连续性，将其替换为相邻数据的平均值。

3.根据权利要求1所述的基于LSTM神经网络的电力负荷预测方法，其特征在于，

数据预处理步骤中对影响因素的预处理包括：

对影响因素作归一化处理，其中，影响因素包括温度、天气类型和日类型。

4.根据权利要求1所述的基于LSTM神经网络的电力负荷预测方法，其特征在于，

LSTM神经网络参数优化步骤中优化参数包括：LSTM神经网络隐藏层数、时间窗步长、训练次数、遗忘率Dropout；

其中，遗传算法优化LSTM神经网络的模型是在参数搜索空间里，以预测误差最小为目标函数，进行参数组合寻优。

5.根据权利要求1所述的基于LSTM神经网络的电力负荷预测方法，其特征在于，

获取数据步骤中，数据集采样间隔为30分钟，即每日48点负荷值；影响因素为对应时刻采集的环境数据。