[发明专利]基于LSTM-ElasticNet模型的短期用电负荷预测方法

权利要求书

1.一种基于LSTM-ElasticNet模型的短期用电负荷预测方法，其特征在于，所述方法包括以下步骤：

步骤S1：采集电网系统正常运行时用电地区的温度、日期因素和时间因素，并通过电网系统数据库获取该电网的用电负荷历史数据X_q，作为模型的输入样本集其中X_f＝[[f₁₁,...,f_1K],[f₂₁,...,f_2K],...,[f_N1,...,f_NK]]，X_q＝[q₁,q₂,...,q_N]^T，X_f为影响用电负荷的因素，其包括温度、日期因素和时间因素，K为影响因素数据维度，N为待计算的负荷历史数据维度，并将采集到的数据存入历史数据库中；

步骤S2：采集电网系统正常运行时用电地区的用电负荷，作为模型的输出样本集其中M为训练数据的样本个数，并将采集到的数据存入历史数据库中；

步骤S3：对历史数据库中的训练输入输出样本数据进行预处理，包括最大最小归一化，使得输入输出样本的值在0～1之间，并对数据进行去均值处理以及降维处理，从而得到新的数据样本，即新输入样本集X＝{(X_q,X_f)}，新输出样本集Y＝[q₁,q₂,...,q_M]^T，并将预处理后的新数据样本存入历史数据库；

步骤S4：基于步骤S3中的新输入样本集X＝{(X_q,X_f)}和新输出样本集Y＝[q₁,q₂,...,q_M]^T构建LSTM-ElasticNet模型；

步骤S5：采集电网系统正常运行时的实时新数据，即影响用电负荷的因素X_f，通过步骤S4中的LSTM-ElasticNet模型进行当前时刻用电负荷的预测。

2.根据权利要求1所述的短期用电负荷预测方法，其特征在于，所述步骤S3中的预处理具体为，进行最大最小归一化，其公式(1)为：

通过公式(1)使得输入输出样本的值在0～1之间后对数据进行去均值处理，并进行Pearson相关系数分析，其公式(2)为：

从而得到预处理和降维后的新数据样本X＝{(X_q,X_f)}，Y＝[q₁,q₂,...,q_M]^T。