[发明专利]一种基于灰色关联的DA-LSTM的短期电力负荷预测方法

权利要求书

1.一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，包括：

获取日负荷影响因素和电力负荷数据，获得影响因素特征数据；

计算各个日负荷影响因素和电力负荷数据之间的MIC值，获得各影响因素的权重；

划分历史日影响因素特征数据和待预测日影响因素特征数据，并构建灰色关联判断矩阵；

利用各影响因素的权重对灰色关联判断矩阵进行加权，计算出加权灰色关联决策矩阵，根据加权灰色关联决策矩阵计算每个历史日和待预测日的灰色关联值，将灰色关联值从大到小进行排序，设置阈值，将满足阈值的历史日作为相似日集；

利用蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化，构建DA-LSTM模型；

在DA-LSTM模型中输入相似日的影响因素特征数据数据，对待预测日进行负荷预测。

2.如权利要求1所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述日负荷影响因素，包括：

周一到周日、节假日、工作日、日最高温度、日最低温度、日平均温度、日相对湿度。

3.如权利要求1所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，还包括对电力负荷数据的预处理，其包括：

采用3σ原则，分别计算数据的四分位数Q₁和Q₃；

设定可接受值的取值范围，设定方法如下式所示：

Q₃+k(Q₃-Q₁)～Q₁-k(Q₃-Q₁)

式中，Q₁为第一四分位数，Q₃为第三四分位数；

对负荷数据从小到大依次排序；

采用线性插补法和均值插补法填补计算，取其平均值填充负荷数据对应缺失值。

4.如权利要求1所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述各影响因素的权重，计算公式包括：

W＝[ω₁ ω₂ … ω_m]

式中：p_k为第k个影响因素的MIC值，ω_k为第k个影响因素的权重，k＝1，2，…，m。

5.如权利要求4所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述灰色关联判断矩阵，包括：

各元素按下式计算：

式中：r_ik为第i个样本的第k个特征对应的关联系数，y_ik为第i个样本的第k个特征对应值，y_0k为待预测日的第k个影响因素的特征值，ρ为分辨系数。

6.如权利要求5所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述加权灰色关联决策阵，计算公式包括：

7.如权利要求6所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述灰色关联值，计算公式包括：

8.如权利要求6所述的一种基于灰色关联的DA-LSTM的短期电力负荷预测方法，其特征在于，所述利用蜻蜓算法DA对长短期记忆网络LSTM的参数进行优化的步骤，包括：

设置蜻蜓种群个数及蜻蜓种群的次数；

设置LSTM的隐藏层LSTM单元的个数、学习率的取值范围，随机初始化种群；

将蜻蜓的个体位置信息依次赋值给LSTM网络模型隐含层单元数和学习率；

将DA-LSTM模型的平均绝对百分比误差作为蜻蜓个体当前的适应度值，每进行一次迭代操作，计算此蜻蜓个体的最小适应度值，并通过对比，选取最小适应度值作为最优值，保存寻找到最优值时所对应的隐含层单元数和学习率；

计算蜻蜓个体行为，更新蜻蜓个体的邻域半径和相对位置；

当满足蜻蜓算法的最大迭代次数时，则停止LSTM模型的参数寻优过程，输出蜻蜓的最小适应度值和最优值所对应的参数隐含层单元数和学习率；

否则继续迭代。