一种基于LSTM网络的电力系统负荷预测方法及系统与流程

一种基于lstm网络的电力系统负荷预测方法及系统
技术领域
1.本发明属于电力系统负荷预测领域，尤其涉及一种基于lstm网络的电力系统负荷预测方法及系统。


背景技术：

2.目前，现有技术方案多采用基于多层前馈神经网络的预测方法，该方案通过构建一个由多层神经元组成的前馈神经网络，将大量(相关因素，预测负荷)训练样本对送入该神经网络进行学习，使得该神经网络掌握负荷与其相关因素之间的规律，从而对未来负荷进行预测。
3.层前馈网络主要用于建模相关因素与负荷之间的相关关系。但在实际的生产活动中，负荷是一种时间序列，其不仅与温度、湿度等短期气象因素相关，也受经济、社会等长期因素影响，负荷发展亦符合长期惯性特征，现有技术对于负荷内部自身发展的长期规律往往难以考虑，从而影响负荷预测的精确度。


技术实现要素：

4.为了解决或者改善上述问题，本发明提供了一种基于lstm网络的电力系统负荷预测方法及系统，具体技术方案如下：
5.本发明提供了一种基于lstm网络的电力系统负荷预测方法，包括：
6.步骤1：采集历史气象数据和对应的历史负荷数据，构建数据集，所述数据集的输入为历史气象数据，输出为历史负荷数据，表达式为(x1,y1)(x2,y2),
···
,(xn,yn)；其中xi是含有历史气象数据的列向量，yi是历史气象指标数据对应的负荷。步骤2：利用所述数据集，通过lstm网络构建电力系统负荷预测模型。步骤3：向所述电力系统负荷预测模型输入待预测样本，得到电力系统的负荷预测值。
7.优选的，所述步骤2，包括如下子步骤：
8.步骤2.1：设定所述lstm网络的网络超参数，构建lstm网络。步骤2.2：向所述lstm网络输入所述数据集，供所述lstm网络进行学习，更新所述lstm网络的信息，构建所述电力系统负荷预测模型。
9.优选的，所述设定所述lstm网络的网络超参数，包括：设定隐藏层神经元个数、lstm层数、学习率、批量大小以及训练迭代次数。
10.优选的，所述更新所述lstm网络的信息，包括：所述lstm网络中每个神经元包括遗忘门、传入门以及输出门，所述lstm网络利用所述遗忘门、传入门以及输出门，更新所述lstm网络的信息。
11.所述遗忘门决定信息能否继续通过所述神经元，遗忘门的输出是一个数值都在[0，1]之间的向量，表示信息通过的比重，更新所述lstm网络的参数的表达式如下，
[0012]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)；
[0013]
其中，f
t
为遗忘门，σ为sigmoid函数，wf为权重参数，bf为偏置量参数，[h
t-1
,x
t
]为
将上一时刻的输出h
t-1
和当前时刻的输入x
t
连接成的一个新向量；
[0014]
所述传入门决定神经元中需要更新的信息，更新所述lstm网络的参数的表达式如下，
[0015]it
＝σ(wi·
[h
t-1
,x
t
]+bi)；
[0016][0017][0018]
其中i
t
为输入门，为当前输入的单元状态，wi以及wc为权重参数，bi以及bc为偏置量参数，tanh为tanh函数，c
t
为当前时刻的单元状态，c
t-1
为上一时刻的单元状态；
[0019]
所述输出门决定输出结果，更新所述lstm网络的参数的表达式如下，
[0020]ot
＝σ(wo[h
t-1
,x
t
]+bo)；
[0021]ht
＝o
t
*tanh(c
t
)；
[0022]
其中，o
t
为输出门，wo为权重参数，bo为偏置量参数，h
t
为输出。
[0023]
优选的，所述步骤1，还包括：在构建所述数据集之前，对采集到的所述历史气象数据和所述对应的历史负荷数据进行错误数据的清除。
[0024]
优选的，所述历史气象数据，包括：最高温度、最低温度、平均温度、日照时数、紫外线指数、露点温度、体感温度、风寒温度、最大风速、云覆盖率、湿度、降水量、气压、风向以及风速。
[0025]
基于相同的发明构思，本发明还提出一种基于lstm网络的电力系统负荷预测系统，其特征在于，包括：
[0026]
数据采集单元：用于采集历史气象数据和对应的历史负荷数据，构建数据集，所述数据集的输入为历史气象数据，输出为历史负荷数据。负荷预测模型构建单元：用于利用所述数据集，通过lstm网络构建电力系统负荷预测模型。负荷预测单元：用于向所述电力系统负荷预测模型输入待预测样本，得到电力系统的负荷预测值。
[0027]
本发明的有益效果为：本发明通过内置长期和短期两条记忆状态线，解决了时间序列预测问题中单层神经网络模型难以同时捕捉数据长期发展趋势和短期波动特征的问题，有效提升了电力系统负荷预测的精度。
附图说明
[0028]
图1是根据本发明一实施例提供的一种基于lstm网络的电力系统负荷预测方法的流程图。
[0029]
图2是根据本发明一实施例提供的一种基于lstm网络的电力系统负荷预测系统的结构原理框图。
[0030]
图3是2019年1-12月某省全社会用电量预测结果。
具体实施方式
[0031]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施
例，都属于本发明保护的范围。
[0032]
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0033]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0034]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0035]
本发明提出如图1所示的一种基于lstm网络的电力系统负荷预测方法，包括：
[0036]
步骤1：采集历史气象数据和对应的历史负荷数据，构建数据集，所述数据集的输入为历史气象数据，输出为历史负荷数据，表达式如下，
[0037]
(x1,y1)(x2,y2),
…
,(xn,yn)；
[0038]
其中xi是含有历史气象数据的列向量，yi是历史气象指标数据对应的负荷。
[0039]
具体的，所述历史气象数据，包括：最高温度、最低温度、平均温度、日照时数、紫外线指数、露点温度、体感温度、风寒温度、最大风速、云覆盖率、湿度、降水量、气压、风向以及风速。
[0040]
在实际应用中，在构建所述数据集之前，对采集到的所述历史气象数据和所述对应的历史负荷数据进行错误数据的清除。
[0041]
步骤2：利用所述数据集，通过lstm网络构建电力系统负荷预测模型。
[0042]
具体的，步骤2包括如下子步骤：
[0043]
步骤2.1：设定所述lstm网络的网络超参数，构建lstm网络。
[0044]
所述设定所述lstm网络的网络超参数，包括：设定隐藏层神经元个数、lstm层数、学习率、批量大小以及训练迭代次数。
[0045]
在实际应用中：
[0046]
隐藏层神经元个数表示lstm模型中每个隐藏层的神经元数量通过调整隐藏层神经元个数，可以控制模型的容量和复杂度，影响模型的学习能力和泛化能力。lstm层数表示lstm模型中堆叠的lstm层的数量，增加lstm层数可以增加模型的表达能力，有助于更好地捕捉时间序列数据中的长期依赖关系。学习率表示lstm模型在优化过程中调整模型参数的步长大小，适当的学习率可以平衡模型的收敛速度和稳定性，避免优化过程中陷入局部最优。批量大小表示在训练过程中每次输入到lstm模型的样本数量，批量大小的选择涉及到计算效率和梯度更新的稳定性，适当的批量大小可以加速训练过程并提高模型的泛化能力。训练迭代次数表示lstm模型在训练过程中对训练数据的迭代次数，通过增加训练迭代次数，可以提高模型的收敛性和稳定性，使其更好地拟合训练数据。本实施例据实际数据和多次调参实验结果，将隐藏层神经元个数设定为100，lstm层数设定为2，学习率设定为1e-3，批量大小设定为100，训练迭代次数设定为100。
[0047]
步骤2.2：向所述lstm网络输入所述数据集，供所述lstm网络进行学习，更新所述lstm网络的信息，构建所述电力系统负荷预测模型。
[0048]
在实际应用中，更新所述lstm网络的信息，包括：
[0049]
所述lstm网络中每个神经元包括遗忘门、传入门以及输出门，所述lstm网络利用所述遗忘门、传入门以及输出门，更新所述lstm网络的信息。所述遗忘门决定信息能否继续通过所述神经元，遗忘门的输出是一个数值都在[0，1]之间的向量，表示信息通过的比重，更新所述lstm网络的参数的表达式如下，
[0050]ft
＝σ(wf·
[h
t-1
,x
t
]+bf)；
[0051]
其中，f
t
为遗忘门，σ为sigmoid函数，wf为权重参数，bf为偏置量参数，[h
t-1
,x
t
]为将上一时刻的输出h
t-1
和当前时刻的输入x
t
连接成的一个新向量。
[0052]
所述传入门决定神经元中需要更新的信息，更新所述lstm网络的参数的表达式如下，
[0053]it
＝σ(wi·
[h
t-1
,x
t
]+bi)；
[0054][0055][0056]
其中i
t
为输入门，为当前输入的单元状态，wi以及wc为权重参数，bi以及bc为偏置量参数，tanh为tanh函数，c
t
为当前时刻的单元状态，g
t-1
为上一时刻的单元状态。
[0057]
所述输出门决定输出结果，更新所述lstm网络的参数的表达式如下，
[0058]ot
＝σ(wo[h
t-1
,x
t
]+bo)；
[0059]ht
＝o
t
*tanh(c
t
)；
[0060]
其中，o
t
为输出门，wo为权重参数，bo为偏置量参数，h
t
为输出。
[0061]
步骤3：向所述电力系统负荷预测模型输入待预测样本，得到电力系统的负荷预测值。
[0062]
在实际应用中，利用某省2004年1月-2018年12月全社会用电量数据作为输入，将负荷预测模型用于预测2019年1月-12月的用电量数据，预测结果如图3所示。将预测结果和实际的负荷进行对比，对比结果如表1所示：
[0063]
表1 2019年1-12月某省全社会用电量预测结果
[0064][0065]
分析表1可知，本发明提出的方法累计年度预测精度高达99.07％，这一结果说明，该方法对1-12月的总量发展趋势把握得很准，解决了单层神经网络模型难以同时捕捉数据长期发展趋势和短期波动特征的问题，从而获得了更精准的预测结果。
[0066]
基于相同的发明构思，本发明还提出如图2所示的一种基于lstm网络的电力系统负荷预测系统，包括：
[0067]
数据采集单元：用于采集历史气象数据和对应的历史负荷数据，构建数据集，所述数据集的输入为历史气象数据，输出为历史负荷数据。
[0068]
负荷预测模型构建单元：用于利用所述数据集，通过lstm网络构建电力系统负荷预测模型。
[0069]
负荷预测单元：用于向所述电力系统负荷预测模型输入待预测样本，得到电力系统的负荷预测值。
[0070]
综上所述本发明能够解决时间序列预测问题中单层神经网络模型难以同时捕捉数据长期发展趋势和短期波动特征的问题，能够有效地提升电力系统负荷预测的精度。
[0071]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0072]
在本技术所提供的实施例中，应该理解到，单元的划分，仅仅为一种逻辑功能划
分，实际实现时可以有另外的划分方式，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。
[0073]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

技术特征：
1.一种基于lstm网络的电力系统负荷预测方法，其特征在于，包括如下步骤：步骤1：采集历史气象数据和对应的历史负荷数据，构建数据集，所述数据集的输入为历史气象数据，输出为历史负荷数据，表达式如下，(x1,y1)(x2,y2),
···
,(x
n
,y
n
)；其中x
i
是含有历史气象数据的列向量，y
i
是历史气象指标数据对应的负荷；步骤2：利用所述数据集，通过lstm网络构建电力系统负荷预测模型；步骤3：向所述电力系统负荷预测模型输入待预测样本，得到电力系统的负荷预测值。2.根据权利要求1所述的一种基于lstm网络的电力系统负荷预测方法，其特征在于，所述步骤2，包括如下子步骤：步骤2.1：设定所述lstm网络的网络超参数，构建lstm网络；步骤2.2：向所述lstm网络输入所述数据集，供所述lstm网络进行学习，更新所述lstm网络的信息，构建所述电力系统负荷预测模型。3.根据权利要求2所述的一种基于lstm网络的电力系统负荷预测方法，其特征在于，所述设定所述lstm网络的网络超参数，包括：设定隐藏层神经元个数、lstm层数、学习率、批量大小以及训练迭代次数。4.根据权利要求2所述的一种基于lstm网络的电力系统负荷预测方法，其特征在于，所述更新所述lstm网络的信息，包括：所述lstm网络中每个神经元包括遗忘门、传入门以及输出门，所述lstm网络利用所述遗忘门、传入门以及输出门，更新所述lstm网络的信息；所述遗忘门决定信息能否继续通过所述神经元，遗忘门的输出是一个数值都在[0，1]之间的向量，表示信息通过的比重，更新所述lstm网络的参数的表达式如下，f
t
＝σ(w
f
·
[h
t-1
,x
t
]+b
f
)；其中，f
t
为遗忘门，σ为sigmoid函数，w
f
为权重参数，b
f
为偏置量参数，[h
t-1
,x
t
]为将上一时刻的输出h
t-1
和当前时刻的输入x
t
连接成的一个新向量；所述传入门决定神经元中需要更新的信息，更新所述lstm网络的参数的表达式如下，i
t
＝σ(w
i
·
[h
t-1
,x
t
]+b
i
)；)；其中i
t
为输入门，为当前输入的单元状态，w
i
以及w
c
为权重参数，b
i
以及b
c
为偏置量参数，tanh为tanh函数，c
t
为当前时刻的单元状态，c
t-1
为上一时刻的单元状态；所述输出门决定输出结果，更新所述lstm网络的参数的表达式如下，o
t
＝σ(w
o
[h
t-1
,x
t
]+b
o
)；h
t
＝o
t
*tanh(c
t
)；其中，o
t
为输出门，w
o
为权重参数，b
o
为偏置量参数，h
t
为输出。5.根据权利要求1所述的一种基于lstm网络的电力系统负荷预测方法，其特征在于，所述步骤1，还包括：在构建所述数据集之前，对采集到的所述历史气象数据和所述对应的历史负荷数据进
行错误数据的清除。6.根据权利要求1所述的一种基于lstm网络的电力系统负荷预测方法，其特征在于，所述历史气象数据，包括：最高温度、最低温度、平均温度、日照时数、紫外线指数、露点温度、体感温度、风寒温度、最大风速、云覆盖率、湿度、降水量、气压、风向以及风速。7.一种基于lstm网络的电力系统负荷预测系统，其特征在于，包括：数据采集单元：用于采集历史气象数据和对应的历史负荷数据，构建数据集，所述数据集的输入为历史气象数据，输出为历史负荷数据；负荷预测模型构建单元：用于利用所述数据集，通过lstm网络构建电力系统负荷预测模型；负荷预测单元：用于向所述电力系统负荷预测模型输入待预测样本，得到电力系统的负荷预测值。

技术总结
本发明提出一种基于LSTM网络的电力系统负荷预测方法及系统，所述方法包括如下步骤：步骤1：采集历史气象数据和对应的历史负荷数据，构建数据集，所述数据集的输入为历史气象数据，输出为历史负荷数据，表达式为(x1,y1)(x2,y2),


技术研发人员：凌武能 李黎 孙艳 李凌 李秋文 莫东 罗翠云 吴茵 邓秋荃 梁振成 梁阳豆 胡甲秋
受保护的技术使用者：广西电网有限责任公司
技术研发日：2023.05.24
技术公布日：2023/10/11