[发明专利]一种基于LSTM与LGBM的电力负荷预测方法

摘要

本发明公开了一种基于LSTM与LGBM的电力负荷预测方法，属于电力负荷预测技术领域，包括如下步骤：预处理；构建含有若干层神经单元的LSTM网络，获得LSTM模型预测值；计算LSTM模型的代价函数；构建LGBM决策树，得到LGBM模型预测值；根据LSTM模型的代价函数计算LGBM模型的代价函数；以模型损失函数梯度的负方向为搜索方向，利用梯度下降法，迭代求解目标值，计算平均绝对百分误差MAPE。本发明构建基于LSTM长短期记忆神经网络和LGBM决策树梯度提升方法的电力负荷预测模型，以达到较好的拟合电力数据，充分挖掘出已有数据中的潜在分布信息，准确的完成了考虑天气因素的电力负荷预测任务的目的。

主权项

1.一种基于LSTM与LGBM的电力负荷预测方法，其特征在于：包括如下步骤：步骤(1)、预处理：对非数字特征进行热编码，然后对数据进行归一化，生成规整的输入张量，然后将电力数据进行预处理操作；步骤(2)、构建含有若干层神经单元的LSTM网络，预处理后的数据经过LSTM网络的前后传播后，并通过ReLU线性整流函数映射，获得LSTM模型预测值；步骤(3)、计算LSTM模型的代价函数：通过误差反向传播法则实现参数梯度的自动求导，采用带批量的随机梯度下降方法Adam计算代价函数，所述LSTM模型的代价函数为用LSTM网络输出的电力预测值与其对应真实值的均方误差；步骤(4)、构建LGBM决策树，利用预处理后的数据作为输入矩阵X，根据Xgboost方法原理生成T课弱回归树，得到该T课回归树的输出值之和，即为LGBM模型预测值；步骤(5)、根据LSTM模型的代价函数计算LGBM模型的代价函数；步骤(6)、以模型损失函数梯度的负方向为搜索方向，利用梯度下降法，迭代求解目标值；步骤(7)、计算平均绝对百分误差MAPE，得出预测值与真实值的误差以及误差与真实值之间的比例。