[发明专利]基于LSTM-ElasticNet模型的短期用电负荷预测方法

说明书

本申请公开了一种基于LSTM‑ElasticNet深度学习模型的短期用电负荷预测方法，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，以及用电负荷历史数据Xsubgt;q/subgt;，作为模型的输入样本集步骤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；步骤S4：构建LSTM‑ElasticNet模型；步骤S5：进行当前时刻用电负荷的预测。本申请实现了对当前地区用电负荷更精确和快速的预测结果。该模型一定程度上解决了实际用电负荷预测过程中计算开销大、准确度较低的问题。

技术领域

本申请属于电力负荷在线检测与预测技术领域，具体涉及一种基于LSTM-ElasticNet深度学习模型的短期用电负荷预测方法。

背景技术

电力系统的快速发展已成为社会经济发展不可或缺的一部分，电力系统负荷预测是电力系统稳定快速发展的重要基础。短期电力负荷预测是维持电力系统经济运行以及实现安全稳定控制不可或缺的基础，作为电力调度的重要环节之一，其结果直接影响决策部门的行为，预测偏差过大将导致能源浪费和供需失衡，提高短期用电负荷预测的准确性和预测模型的稳定性尤为重要。

但在实际用电负荷预测过程中，电力系统负荷受到天气、节假日、温度以及特殊事件等因素的影响，负荷变化的随机性较大；同时在大规模电网背景下，大量数据的输入使预测模型存在收敛慢、计算时间长等缺点。而能够对用电负荷进行快速准确的预测，是使之能够应用于实际工业过程中用电负荷预测的重要指标，也是使之能够正确、快速指导决策部门进行电力调度的重要参考依据。

准确率低的、计算时间长的用电负荷模型只会使相关决策部门做出错误的电力调度决定，或者使相关决策部门无法及时进行电力调度，因此，进行用电负荷快速准确的预测非常重要。而现有的用电负荷预测方法，多存在预测精度低或者计算开销过大的问题，并不能较好地兼顾二者，从而不能较好地运用于实际用电负荷预测过程。

由于，LSTM算法具有较好的长序列记忆能力，在短期用电负荷预测中有着较好的表现，因此，现有技术中有许多基于LSTM的短期用电负荷预测模型，而大部分基于LSTM算法的研究集中于对数据进行更好的处理，使LSTM能够更有效地进行训练和预测，如CNN-LSTM、PSO-LSTM等模型，这些模型聚焦于对数据进行预处理以使LSTM更好地进行训练，但是并不能解决LSTM在预测过程中算法本身出现的误差，因此其准确度并没有很高，同时，CNN-LSTM、PSO-LSTM模型为提高预测精度仍需要大量的训练次数，其计算开销较高。

因此，亟需更科学的计算模型来解决短期用电负荷预测准确率低、计算时间长的问题。

发明内容

本申请实施例的目的是提供一种基于LSTM-ElasticNet模型的短期用电负荷预测方法，以解决现有技术中的精度低、预测时间长的问题。

为了解决上述技术问题，本申请是这样实现的：提供了一种基于LSTM-ElasticNet模型的短期用电负荷预测方法，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；