【技术实现步骤摘要】
基于长短时记忆神经网络的短期电力负荷预测方法
本专利技术涉及电力预测
,具体涉及一种基于长短时记忆神经网络的短期电力负荷预测方法。
技术介绍
电力系统的任务是为用户提供安全、可靠、稳定的电能,以满足各类负荷的需求。在电力系统中,发电、输电、配电和用电是同步进行的,且要求系统的发电量与负荷保持动态平衡。如果高估未来的电力负荷,则会启动额外的发电机组,增加储备和运营成本;此外,如果低估未来的电力负荷,则会导致系统无法为用户提供所需的电力,电力系统可能会面临崩溃的风险。因此提高电力负荷预测的准确性是十分必要的。目前电力负荷预测模型主要分为三类:传统的统计学模型、人工智能模型、以及混合模型。传统模型主要包括回归分析法、时间序列法以及卡尔曼滤波法等。这些方法虽然具有简单、速度快的优点,但是没有考虑到负荷数据的非线性特点。人工智能模型主要包括专家系统、模糊神经网络、支持向量机、人工神经网络、贝叶斯网络等。这些方法虽然考虑了负荷数据的非线性特性,但忽略了负荷数据序列的时序性,需要人为地添加与时间有关的特征。混合模型主要分为两类,一类是基于权重的组合方法,即采用不同的模型分别对电力负荷进行预测,然后根据预测精度为每种预测方法分配一个加权系数,最后合并加权得到最终的预测结果;这些组合模型综合了单个模型的优点,提高了预测结果的精度,但是由于没有降低原始数据的复杂性,限制了预测的精度;另一类是采用数据预处理的方法,将电力负荷序列分解为更有规律、更平稳的分量,然后对各个分量分别建立合适的预测模型,最终的结果是各分量预测结果之和 ...
【技术保护点】
1.一种基于长短时记忆神经网络的短期电力负荷预测方法,其特征在于,包括如下步骤:/n步骤1:统计电力负荷历史数据和气象历史数据,构建历史数据集,所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t),以及t时刻当天的日最高温度值T
【技术特征摘要】
1.一种基于长短时记忆神经网络的短期电力负荷预测方法,其特征在于,包括如下步骤:
步骤1:统计电力负荷历史数据和气象历史数据,构建历史数据集,所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t),以及t时刻当天的日最高温度值Tmax(t)、日最低温度值Tmin(t),定义n个电力负荷值构成的集合为电力负荷历史序列X,记为X={x(1),x(2),…,x(t),…,x(n)},t=1,2,…n;
步骤2:采用集成经验模态分解法,将电力负荷历史序列X分解为M组分量集,每组分量集包括不同频率的本征模函数分量和一个残差分量,通过计算M组分量集中相同时刻电力负荷的平均值,得到一组平均值分量集;
步骤3:计算平均值分量集中每个平均值分量的样本熵值,并根据样本熵值进行分组;
步骤4:构建每个分组Fb的最优长短时记忆神经网络模型,得到f个最优长短时记忆神经网络模型;
步骤5:预测当天Tt时刻的电力负荷时,记录当天Tt时刻的温度值,以及当天的最高温度值、最低温度值;同时统计过去h天内每天的Tt时刻所对应的电力负荷历史值;
步骤6:将当天的最高温度值、最低温度值、Tt时刻的温度值以及过去h天内的h个电力负荷值,分别输入到f个最优长短时记忆神经网络模型中,通过每个最优长短时记忆神经网络模型输出一个电力负荷的预测值,累加各个电力负荷的预测值得到最终的电力负荷预测值。
2.根据权利要求1所述的一种基于长短时记忆神经网络的短期电力负荷预测方法,其特征在于,所述步骤2包括:
步骤2.1:在电力负荷历史序列X中添加随机高斯白噪声序列,构成一个新的电力负荷历史序列Xu;
步骤2.2:利用经验模态分解法将新的电力负荷历史序列Xu,分解为一组包含不同频率本征模函数分量和一个残差分量的分量集;
步骤2.3:重复步骤2.1~步骤2.2,添加不同的高斯白噪声序列得到M组分量集,定义第u组分量集为Xu={Xu,1,Xu,2,…,Xu,v,…,Xu,w,Xu,w+1},其中v=1,2,…,w,w表示不同频率本征模函数分量的个数,Xu,v表示第u组分量集中的第v个频率所对应的本征模函数分量,即分量Xu,v表示为{xu,v(1),xu,v(2),…,xu,v(t),…,xu,v(n)},Xu,w+1表示第u组分量集中的残差分量,即分量Xu,w+1表示为{xu,w+1(1),xu,w+1(2),…,xu,w+1(t),…,xu,w+1(n)},u=1,2,…,M;
步骤2.4:计算M组分量中相同时刻的电力负荷平均值,得到一组平均值分量集,包括:
步骤2.4.1:利用公式(1)计算第v个频率下的本征模函数分量中t时刻的电力负荷平均值
令公式(1)中的t=1,2,…,n,得到第v个频率下的本征模函数分量对应的平均值分量<...
【专利技术属性】
技术研发人员:常玉清,方翟宇,徐海燕,郭帅,王姝,
申请(专利权)人:东北大学,
类型:发明
国别省市:辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。