[发明专利]基于BI-LSTM的重点工业设备负荷预测方法

说明书

本发明涉及一种基于BI‑LSTM的重点工业设备负荷预测算法，所述方法包括：获取重点工业设备功率数据作为神经网络模型结构的输入；对历史数据进行预处理，对异常数据进行去除，对缺失数据进行补充；将预处理后的数据进行归一化；设置Dropout的参数，随机忽略设定比例特征检测器；搭建双向长短期记忆神经网络结构，通过更新调整各项参数设置进行优化；对预测结果进行数据评估，定量分析预测结果。本发明通过重点工业设备功率数据的前置预处理、基于改进传统LSTM结构的BI‑LSTM模型结构，可以有效地过滤数据集的噪声和不利影响成分，有效地实现了对重点工业设备功率的预测，并提高预测精度。

技术领域

本发明属于深度学习领域和工业设备负荷预测技术领域，涉及一种基于BI-LSTM的重点工业设备负荷预测方法。

背景技术

电力系统需要给广大用户不间断提供优质电能，以满足各类负荷的需求。这就需要对未来的负荷需求进行适当的预测。电力负荷预测有助于提高电力系统的稳定性，对制定发电、输电和配电的规划和运行策略至关重要。负荷预测通常被分为三类，分别是：预测未来几小时到几周的负荷的短期负荷预测、预测未来一周到一年的负荷的中期负荷预测以及预测未来一年以上的负荷的长期负荷预测。对电力系统运行和控制至关重要的日前负荷预测是通过短期负荷预测完成的。

在目前我国的用电构成中，工业用电量的比重占全社会用电量的75％，因此重点工业设备负荷预测对相关电力调度部门及时调整运行模式具有重要的意义。

现有的短期负荷预测方法主要集中在地区级负荷上，对设备级的工业负荷的负荷预测方法较少。而且由于一些工厂的工业负荷功率变化速度快、幅度大，且无明显的启停事件，传统负荷预测算法难以预测此类负荷。而双向长短期记忆神经网络结构(BI-LSTM)相对于传统的LSTM处理时间序列来说，考虑了时间序列中信息的前后关联问题，可以同时捕获目标时间点的前后信息，可以使用特点时间过去和未来的所有信息来训练神经网络。重点工业设备负荷的历史数据具有典型的规律性，以BI-LSTM为基础来构建预测模型可以充分利用到整个功率序列的信息，并且能够在无人工参与的情况下自动提取功率信号中的特征，学习网络输入与输出之间的非线性映射，对于此类工业负荷的运行模型具有较强的学习能力。

因此，基于上述背景，考虑利用Bi-LSTM对重点工业设备负荷做出负荷预测。

发明内容

本发明的目的在于解决现有技术的不足，提供一种基于BI-LSTM的重点工业设备负荷预测方法。

本发明解决其技术问题是通过以下技术方案实现的：

一种基于BI-LSTM的重点工业设备负荷预测方法，包括如下步骤：

步骤1：采集重点工业设备的负荷历史数据，绘制日负荷曲线，分析日负荷曲线的特点，以此来确定预处理方案，对重点工业设备负荷数据进行前置预处理；

步骤2：将步骤1中前置预处理后的数据进行归一化处理；

步骤3：构建Dropout层，随机忽略设定比例特征检测器；

步骤4：构建BI-LSTM神经网络模型；

步骤5：负荷预测并对预测结果进行数据评估。

而且，所述步骤1中，采集重点工业设备的负荷历史数据是以30s为采样频率，以一月为时间长度的时间序列，将长时间序列切割，分离出日负荷时间序列；将分离出来的时间序列进行解析、数据清洗以及数据补充，对影响预测结果的气象数据进行缓存读写。

而且，所述步骤2中将步骤1中前置预处理后的数据进行归一化处理的公式如下：

式中，X_n是归一化后数据，X是数据集原始数据，X_min是数据集中数据最小值，X_max是数据集中数据最大值。