基于BiLSTM的短期电力负荷预测方法 |
|||||||
申请号 | CN202410202392.3 | 申请日 | 2024-02-23 | 公开(公告)号 | CN117955105A | 公开(公告)日 | 2024-04-30 |
申请人 | 重庆师范大学; | 发明人 | 许静; 曾攀; | ||||
摘要 | 本 发明 公开了基于BiLSTM的短期 电 力 负荷 预测方法,包括以下步骤:确定预测日期,从历史数据中获取短期电力负荷样本数据,根据历史电力负荷变化情况获取短期电力负荷特性;采用日均负荷日期映射法对日期因素进行数字化映射,获得日期因素映射值WHmap,针对短期电力负荷样本数据利用主成分分析技术进行分析,得到短期电力负荷的主成分分量数据;将预测日的日期特征、气象特征输入 数据库 ,构建 支持向量机 模型;将原始数据库划分为训练集和预测集,进行日前预测工作,建立基于Bi LSTM的负荷 预测模型 ,完成预测工作。通过上述做法,不仅保留了现有流行模型中权值共享结构在精简参数方面的优势,并且弥补其无法提取重要性值 波动 的 缺陷 ,进一步提高预测 精度 。 | ||||||
权利要求 | 1.基于BiLSTM的短期电力负荷预测方法,其特征是:包括以下步骤: |
||||||
说明书全文 | 基于BiLSTM的短期电力负荷预测方法技术领域[0001] 本发明涉及电力负荷预测技术领域,更具体的说,它涉及基于BiLSTM的短期电力负荷预测方法。 背景技术[0002] 随着我国经济的迅速发展,供电可靠性、经济性和安全性不断提高。在电力需求动态变化的情况下,电力部门应尽量做到供求均衡,从而达到最大限度地提高设备的利用率和调度经济性,从而防止出现产能过剩和供给短缺。准确的负荷预测,不但可以帮助规划电厂的运行和检修计划,保障供电的可靠性,也可以为新的发电计划和电网的扩容改造提供参考。目前,多样化的预测模型和智能化电网改造为电网负荷预测相关的技术与电网负荷的数据提供方面给予了支持。近年来,在电力负荷预测方面,人工智能技术取得了显著的进展,浅层学习、深度学习以及其它的机器学习方法都得到了很好的应用,传统方法由于其处理大量非线性数据的能力较差,所以预测精度不高。机器学习法大多把负荷数据当成是一种静态的回归问题处理,并未充分考虑负荷数据的时序相关性,而且EMD分解易造成模态混叠的现象,影响预测精度,此外,在电力生产和消费市场化的趋势中,对负荷预测的准确性、实时性、可靠性和智能型的需求与日俱增,电力系统规模不断扩大,电力数据资源急剧呈指数级增长,造成“维数灾难”,严重影响预测精度。相应地,如何在巨量数据中挖掘关键因素,减少预测模型的复杂程度,提高电力负荷预测精度已成为电力企业的重要研究课题。 发明内容[0003] (一)解决的技术问题 [0004] 针对现有技术中存在的问题,本发明提供了基于BiLSTM的短期电力负荷预测方法,以解决背景技术中提到的技术问题。 [0005] (二)技术方案 [0006] 为实现上述目的,本发明提供如下技术方案:基于BiLSTM的短期电力负荷预测方法,包括以下步骤: [0007] 步骤一:确定预测日期,从历史数据中获取短期电力负荷样本数据,根据历史电力负荷变化情况获取短期电力负荷特性; [0008] 步骤二:采用日均负荷日期映射法对日期因素进行数字化映射,获得日期因素映射值WHmap,针对短期电力负荷样本数据利用主成分分析技术进行分析,得到短期电力负荷的主成分分量数据; [0011] 步骤五:数据库数据预处理,包括缺失数据补充、数据归一化,采用高斯混合模型聚类GMM进行日负荷场景划分;首先将日期特征作为初次GMM聚类的输入,完成日负荷场景的初次划分工作; [0012] 步骤六:将原始数据库划分为训练集和预测集,进行日前预测工作,建立基于BiLSTM的负荷预测模型,完成预测工作。 [0013] 本发明进一步设置为,所述日期特征是影响日负荷场景划分的显著因素;因此,初次GMM聚类以日期特征为输入完成聚类;日期特征分为工作日、周末、法定节假日三种不同的情况,按照one‑hot编码形式对日期特征进行编码,即工作日为[1,0,0],周末为[0,1,0],法定节假日为[0,0,1];当周末与法定节假日重合时,统一按照节假日处理,后续在节假日场景下进行预测时,加入“是否为周末”这一特征作为区分;将上述经过编码后的三维日期特征作为初次GMM聚类的输入,完成初次聚类,得到以日期特征为划分的日负荷场景。 [0015] 本发明进一步设置为,运用训练集对支持向量机模型进行训练,得到短期电力负荷预测模型;利用所述短期电力负荷预测模型对未来短期的电力负荷进行预测。 [0016] 本发明进一步设置为,所述预测模型为GA‑SSA‑LSSVM预测模型,GA算法部分进行相关因素F的筛选,SSA算法优化部分获得最优LSSVM模型参数,LSSVM算法根据筛选后的相关因素F以及最优LSSVM模型参数进行仿真预测,得到最优的电力负荷预测值。 [0017] 本发明进一步设置为,所述SSA算法优化部分获得最优LSSVM模型参数,包括如下步骤: [0018] S41:设置相关参数变量值; [0019] S42:对群体进行初始化; [0020] S43:构建适应度函数; [0021] S44:根据适应度函数不断优化,获得最佳惩罚函数C和最佳核函数宽度σ。 [0022] 本发明进一步设置为,所述从历史数据中获取短期电力负荷样本数据,具体包括:从历史数据中获取历史负荷数据;将历史负荷数据整理为矩阵大小为m×k维的样本矩阵,所述样本矩阵为短期电力负荷样本数据。 [0023] 本发明进一步设置为,所述针对短期电力负荷样本数据利用主成分分析技术进行分析,得到短期电力负荷的主成分分量数据,具体包括:将短期电力负荷样本数据进行中心化,得到去平均数据集;计算去平均数据集的协方差矩阵;求出所述协方差矩阵的特征值和对应的特征向量;将所述协方差矩阵的特征值从大到小排序,取出最大的n个特征值,所述n至少为1;将n个特征值所对应的特征向量组成特征矩阵;构建主成分分量的约束函数,并将短期电力负荷样本数据投影到特征矩阵中,得到短期电力负荷的主成分分量数据。 [0024] (三)有益效果 [0025] 与现有技术相比,本发明提供了基于BiLSTM的短期电力负荷预测方法,具备以下有益效果: [0026] 本发明根据日平均负荷日映射方法,在负荷预报中客观地纳入了日期因子,并有自我调节的功能;SSA方法在改进主观调参的缺点的同时,也具有较好的初始群体多样性和较好的局部优化能力;GA‑SSA‑LSSVM混合模型对电网的短期负荷预测有较好的非线性拟合性能,此外,通过电力负荷预测来了解短期内需要多少电力来平衡供需,同时,在有效的电力负荷预测的基础上,可以通过灵活地使用智能需求响应技术来实现峰值负荷削减,实现发电容量的合理调度,另外,本发明提出了一种考虑特征重要性值波动的MI‑BILSTM短期负荷预测方法,采用互信息法提取特征的重要性值波动,并动态修正原输入特征,使得修正后的输入特征中融合了重要性值波动的信息,通过上述做法,不仅保留了现有流行模型中权值共享结构在精简参数方面的优势,并且弥补其无法提取重要性值波动的缺陷,进一步提高预测精度。附图说明 [0027] 图1为基于BiLSTM的短期电力负荷预测方法的整体流程示意图。 具体实施方式[0029] 需要指出的是,除非另有指明,本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。 [0030] 实施例1: [0031] 请参阅图1,基于BiLSTM的短期电力负荷预测方法,包括以下步骤: [0032] 步骤一:确定预测日期,从历史数据中获取短期电力负荷样本数据,根据历史电力负荷变化情况获取短期电力负荷特性; [0033] 步骤二:采用日均负荷日期映射法对日期因素进行数字化映射,获得日期因素映射值WHmap,针对短期电力负荷样本数据利用主成分分析技术进行分析,得到短期电力负荷的主成分分量数据; [0034] 步骤三:将预测日的日期特征、气象特征输入数据库,构建支持向量机模型,并根据主成分分量数据构建训练集; [0035] 步骤四:利用遗传算法对相关因素F进行筛选,构建预测模型,并将筛选后的相关pred因素F作为输入值输入,获得短期电力负荷预测结果y ; [0036] 步骤五:数据库数据预处理,包括缺失数据补充、数据归一化,采用高斯混合模型聚类GMM进行日负荷场景划分;首先将日期特征作为初次GMM聚类的输入,完成日负荷场景的初次划分工作; [0037] 步骤六:将原始数据库划分为训练集和预测集,进行日前预测工作,建立基于BiLSTM的负荷预测模型,完成预测工作。 [0038] 在本发明进一步实施例中,所述日期特征是影响日负荷场景划分的显著因素;因此,初次GMM聚类以日期特征为输入完成聚类;日期特征分为工作日、周末、法定节假日三种不同的情况,按照one‑hot编码形式对日期特征进行编码,即工作日为[1,0,0],周末为[0,1,0],法定节假日为[0,0,1];当周末与法定节假日重合时,统一按照节假日处理,后续在节假日场景下进行预测时,加入“是否为周末”这一特征作为区分;将上述经过编码后的三维日期特征作为初次GMM聚类的输入,完成初次聚类,得到以日期特征为划分的日负荷场景。 [0039] 在本发明进一步实施例中,所述的气象特征包括温度、湿度、降水量或其他不同类型的数据。 [0040] 实施例2: [0041] 请参阅图1,基于BiLSTM的短期电力负荷预测方法,包括以下步骤: [0042] 步骤一:确定预测日期,从历史数据中获取短期电力负荷样本数据,根据历史电力负荷变化情况获取短期电力负荷特性; [0043] 步骤二:采用日均负荷日期映射法对日期因素进行数字化映射,获得日期因素映射值WHmap,针对短期电力负荷样本数据利用主成分分析技术进行分析,得到短期电力负荷的主成分分量数据; [0044] 步骤三:将预测日的日期特征、气象特征输入数据库,构建支持向量机模型,并根据主成分分量数据构建训练集; [0045] 步骤四:利用遗传算法对相关因素F进行筛选,构建预测模型,并将筛选后的相关pred因素F作为输入值输入,获得短期电力负荷预测结果y ; [0046] 步骤五:数据库数据预处理,包括缺失数据补充、数据归一化,采用高斯混合模型聚类GMM进行日负荷场景划分;首先将日期特征作为初次GMM聚类的输入,完成日负荷场景的初次划分工作; [0047] 步骤六:将原始数据库划分为训练集和预测集,进行日前预测工作,建立基于BiLSTM的负荷预测模型,完成预测工作。 [0048] 在本发明进一步实施例中,运用训练集对支持向量机模型进行训练,得到短期电力负荷预测模型;利用所述短期电力负荷预测模型对未来短期的电力负荷进行预测。 [0049] 在本发明进一步实施例中,所述预测模型为GA‑SSA‑LSSVM预测模型,GA算法部分进行相关因素F的筛选,SSA算法优化部分获得最优LSSVM模型参数,LSSVM算法根据筛选后的相关因素F以及最优LSSVM模型参数进行仿真预测,得到最优的电力负荷预测值。 [0050] 实施例3: [0051] 请参阅图1,基于BiLSTM的短期电力负荷预测方法,包括以下步骤: [0052] 步骤一:确定预测日期,从历史数据中获取短期电力负荷样本数据,根据历史电力负荷变化情况获取短期电力负荷特性; [0053] 步骤二:采用日均负荷日期映射法对日期因素进行数字化映射,获得日期因素映射值WHmap,针对短期电力负荷样本数据利用主成分分析技术进行分析,得到短期电力负荷的主成分分量数据; [0054] 步骤三:将预测日的日期特征、气象特征输入数据库,构建支持向量机模型,并根据主成分分量数据构建训练集; [0055] 步骤四:利用遗传算法对相关因素F进行筛选,构建预测模型,并将筛选后的相关pred因素F作为输入值输入,获得短期电力负荷预测结果y ; [0056] 步骤五:数据库数据预处理,包括缺失数据补充、数据归一化,采用高斯混合模型聚类GMM进行日负荷场景划分;首先将日期特征作为初次GMM聚类的输入,完成日负荷场景的初次划分工作; [0057] 步骤六:将原始数据库划分为训练集和预测集,进行日前预测工作,建立基于BiLSTM的负荷预测模型,完成预测工作。 [0058] 在本发明进一步实施例中,所述SSA算法优化部分获得最优LSSVM模型参数,包括如下步骤: [0059] S41:设置相关参数变量值; [0060] S42:对群体进行初始化; [0061] S43:构建适应度函数; [0062] S44:根据适应度函数不断优化,获得最佳惩罚函数C和最佳核函数宽度σ。 [0063] 在本发明进一步实施例中,所述从历史数据中获取短期电力负荷样本数据,具体包括:从历史数据中获取历史负荷数据;将历史负荷数据整理为矩阵大小为m×k维的样本矩阵,所述样本矩阵为短期电力负荷样本数据。 [0064] 在本发明进一步实施例中,所述针对短期电力负荷样本数据利用主成分分析技术进行分析,得到短期电力负荷的主成分分量数据,具体包括:将短期电力负荷样本数据进行中心化,得到去平均数据集;计算去平均数据集的协方差矩阵;求出所述协方差矩阵的特征值和对应的特征向量;将所述协方差矩阵的特征值从大到小排序,取出最大的n个特征值,所述n至少为1;将n个特征值所对应的特征向量组成特征矩阵;构建主成分分量的约束函数,并将短期电力负荷样本数据投影到特征矩阵中,得到短期电力负荷的主成分分量数据。 |