[发明专利]基于LSTM网络的电力负荷预测方法及系统

说明书

本发明公开了基于LSTM神经网络的电力负荷预测方法及系统，应用于电力负荷预测技术领域，包括以下步骤：获取数据步骤、数据预处理步骤、数据划分步骤、LSTM神经网络参数优化步骤、LSTM神经网络训练步骤、电力负荷预测步骤。本发明引入环境影响因素，综合分析和预测，提高预测结果准确性；采用遗传算法优化LSTM神经网络模型参数组合，在参数空间快速找到最优参数组合；采用遗传算法和LSTM神经网络模型预测交通流，模型具有长期数据记忆的优势，提高预测精准度；模型计算量少，表现出更好的预测性能。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及基于LSTM网络的电力负荷预测方法及系统。

背景技术

电力能源是现代社会的支柱性能源，准确有效的对电网负荷进行预测，对于电网的安全平稳运行、电力生产的经济高效至关重要，因此负荷预测一直以来是电力信息领域的一个研究热点。对于一个用能对象而言，其能耗受到自身特性、外部环境和时间周期等多个因素的影响，导致负荷数据的外在表现为随机性很大，难以基于物理机理进行有效分析、预测，线性回归等传统模型在复杂用能对象的实际负荷预测中无法满足要求。

目前，国内外就电力负荷短期预测进行了大量的研究，并把数学和其他学科上的最新研究成果应用到预测中，快速提高预测水平。预测方法可以分为三类：经典预测方法、传统预测方法和现代预测方法。经典预测方法包括：人均电量指标换算法、分产业产值单耗法、分区负荷密度法、电力弹性系数法。传统预测法包括：指数平滑法、时间序列法、灰色预测模型等。现代预测法包括：小波分析法和人工神经网络法等。但是单一的预测精度差，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，通常无法对能耗数据本身的周期性和外部随机性进行兼顾，因而最终的预测准确率有限。

因此，提出基于LSTM网络的电力负荷预测方法及系统，克服现有技术中存在的困难，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供基于LSTM网络的电力负荷预测方法及系统，基于历史电力负荷数据和外部环境数据，实现对未来时刻的电力负荷进行准确预测。该发明可以使用于电力系统分析、电网预测调度等电力信息领域的问题。

为了实现上述目的，本发明采用如下技术方案：

基于LSTM神经网络的电力负荷预测方法，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。

优选的，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；