短期电力负荷预测方法、计算机设备以及存储介质技术

本发明专利技术公开了一种短期电力负荷预测方法、计算机设备以及存储介质，其中预测方法包括如下步骤：S1：获取天气预报数据以及电力负荷数据作为样本数据；S2：将样本数据清洗、归一化后分为训练集和测试集；S3：将样本数据利用KNN算法进行从大到小的排序并得到特征值K；S4：选取前K个特征值中包含的所有天气因子作为预测的输入端；S5：输入前K个特征值中包含的所有天气因子数据与历史电力负荷数据作为本次预测的训练数据；S6：采用BiLSTM建立电力负荷预测模型并调整BiLSTM超参数；S7：对预测误差进行对比分析；S8：对比分析后得到最佳预测结果的特征值K。本发明专利技术将大大提高短期电力负荷预测的精度。精度。精度。

【技术实现步骤摘要】
短期电力负荷预测方法、计算机设备以及存储介质


[0001]本专利技术涉及电力工程技术，具体涉及电力负荷预测技术。

技术介绍

[0002]准确的负荷预测可以使工作人员更加合理地安排网内部发动机组的启停， 对电力系统的安全、电网的稳定以及电网的规划与调度起着重要的作用，有很 大的现实意义。
[0003]目前，国内外常用的短期电力负荷方法主要可以分为两类，一类是传统的 时间序列分析方法，如时间序列预测、指数平滑分析法、多元线性回归方法等。 此类方法对数据的时序性要求很高，但非线性的拟合能力不强，随着智能电网 的发展，电力数据爆炸式增长，上述方法所预测得到的结果的精度已经满足不 了现代社会的需求。为了解决这个问题，人工智能方法应运而生，如人工神经 网络、支持向量机(Support Vector Machine，SVM)和随机森林(Random Forest， RF)等，此类人工智能学习方法很好地解决了数据之间的非线性关系，但是用 于负荷预测中，需要人为添加时间特征来保证预测的精度。
[0004]随着经济的发展，人们生活水平越来越高，空调等增加生活品质的用电设 备使用量逐年增加，直接导致气象因素、日类型因素对电力负荷的影响越来越 大，传统的预测方法难以高精度预测。

技术实现思路

[0005]针对传统短期电力负荷预测存在的气象因素特征提取不精确、预测精度不 高的状况，本专利技术所要解决的技术问题就是提供一种运用KNN和BiLSTM的短期 电力负荷预测方法，实现更高精度预测。
[0006]为解决上述技术问题，本专利技术采用如下技术方案：
[0007]运用KNN和BiLSTM的短期电力负荷预测方法，包括如下步骤：
[0008]S1：获取需要进行电力负荷预测地区的天气预报数据以及历史电力负荷数据作 为样本数据；
[0009]S2：将样本数据清洗、归一化后分为训练集和测试集；
[0010]S3：将样本数据利用KNN算法进行从大到小的排序并得到特征值K；
[0011]S4：选取前K个特征值中包含的所有天气因子作为预测的输入端；
[0012]S5：输入前K个特征值中包含的所有天气因子数据与历史电力负荷数据作为本 次预测的训练数据；
[0013]S6：采用BiLSTM建立电力负荷预测模型并调整BiLSTM超参数；
[0014]S7：采用分别为平均绝对误差、平均绝对百分比误差、均方根误差和决定系数 R^2对预测误差进行对比分析；
[0015]S8：对比分析后得到最佳预测结果的特征值K。
[0016]优选的，所述步骤S2采用min
‑
max归一化，归一化范围是[0，1]，公式如 下：
[0017][0018]式中，x为原始输入数据，x
′
为归一化后的值，x
max
为原始数据中的最大值，x
min
原始数据中的最小值。
[0019]优选的，所述步骤S3包括如下步骤：
[0020](1)天气因子数据与电力负荷数据间距离判断标准的选择
[0021]KNN算法采用马氏距离作为距离度量的标准，马氏距离的公式如下：
[0022][0023]式中，x0为负荷值，x
i
为数据集中第i个气象因素的检测值；
[0024](2)距离计算
[0025]选择一组目标电力负荷数据作为参照样本，即马氏距离的中心，计算清洗 归一化过后的天气因子数据与参照样本之间的马氏距离，并以计算得出的马氏 距离为标准，将天气因子距离参照样本的距离从大到小排序；
[0026](3)获取特征值K
[0027]特征值K的范围为从1开始到天气因子个数总数，提取排序后从1到K个 天气因子。
[0028]优选的，将K组天气因子以及电力负荷数据的前80％划分为训练组，后20％ 划分为测试组。
[0029]优选的，采用BiLSTM建立电力负荷预测模型有如下步骤：
[0030](1)处理初始数据，去除异常数据后按照时间序列，对天气因素数据以及历史 电力负荷数据进行排列，并将数据分为训练集和测试集；
[0031](2)将数据放入KNN算法之中对每一个气象因子数据利用马氏距离进行距离计 算，并从大到小进行排序，取出K个距离电力负荷最近的气象因子；
[0032](3)以经过KNN算法得到的K个特征气象因子和历史电力负荷作为BiLSTM电 力负荷预测的模型，输出预测结果并进行评价指标的计算；
[0033](4)结束一次整体的预测后，K加一后再重复上述步骤，直加至某一K值，所 有的天气因素都参与了预测过程；
[0034](5)将不同K值下得到的预测结果的评价指标进行比较，得出最佳K值时的预 测结果。
[0035]优选的，调整BiLSTM超参数时，包括调整输入层时间步长以及神经网络的 层数以及每层的维数。
[0036]本专利技术还提供了一种计算机设备，包括至少一个处理器和存储器；所述存 储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机 执行指令，使得所述至少一个处理器执行所述的运用KNN和BiLSTM的短期电力 负荷预测方法。
[0037]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质中存 储有计算机执行指令，当处理器执行所述计算机执行指令时，实现所述的运用 KNN和BiLSTM的短期电力负荷预测方法。
[0038]本专利技术在原有的LSTM预测模型的基础上，选择BiLSTM模型作为预测模型， BiLSTM由正、反向LSTM结合形成，可对时间序列实现向前和向后两次的LSTM 训练，进一步提高特
征提取的全局性和完整性，同时加入KNN(K邻近)算法将 对短期负荷影响较大的K个天气因子进行深度挖掘。因此，基于以技术方案， 本专利技术将大大提高短期电力负荷预测的精度。
[0039]本专利技术采用的具体技术方案及其带来的有益效果将会在下面的具体实施方 式中结合附图中予以详细的揭露。
附图说明
[0040]下面结合附图和具体实施方式对本专利技术作进一步描述：
[0041]图1为本专利技术中LSTM模型结构图；
[0042]图2为本专利技术中预测流程图；
[0043]图3为本专利技术中不同时间步长下的预测评价标准对比图；
[0044]图4为本专利技术中不同层数以及维数下的评价指标对比图；
[0045]图5为本专利技术中各方法仿真结果对比图；
[0046]图6为本专利技术中KNN和BiLSTM结合方法的仿真结果图；
[0047]图7为本专利技术中KNN
‑
BiLSTM与BiLSTM的预测结果比较图；
[0048]图8为本专利技术中KNN
‑
BiLSTM与LSTM预测结果比较图；
[0049]图9为本专利技术中KNN
‑
BiLSTM与BP、ELM预测结果比较图；
[0050]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.运用KNN和BiLSTM的短期电力负荷预测方法，其特征在于，包括如下步骤：S1：获取需要进行电力负荷预测地区的天气预报数据以及历史电力负荷数据作为样本数据；S2：将样本数据清洗、归一化后分为训练集和测试集；S3：将样本数据利用KNN算法进行从大到小的排序并得到特征值K；S4：选取前K个特征值中包含的所有天气因子作为预测的输入端；S5：输入前K个特征值中包含的所有天气因子数据与历史电力负荷数据作为本次预测的训练数据；S6：采用BiLSTM建立电力负荷预测模型并调整BiLSTM超参数；S7：采用分别为平均绝对误差、平均绝对百分比误差、均方根误差和决定系数R^2对预测误差进行对比分析；S8：对比分析后得到最佳预测结果的特征值K。2.根据权利要求1所述的运用KNN和BiLSTM的短期电力负荷预测方法，其特征在于：所述步骤S2采用min
‑
max归一化，归一化范围是[0，1]，公式如下：式中，x为原始输入数据，x
′
为归一化后的值，x
max
为原始数据中的最大值，x
min
原始数据中的最小值。3.根据权利要求1所述的运用KNN和BiLSTM的短期电力负荷预测方法，其特征在于：所述步骤S3包括如下步骤：(1)天气因子数据与电力负荷数据间距离判断标准的选择KNN算法采用马氏距离作为距离度量的标准，马氏距离的公式如下：式中，x0为负荷值，x
i
为数据集中第i个气象因素的检测值；(2)距离计算选择一组目标电力负荷数据作为参照样本，即马氏距离的中心，计算清洗归一化过后的天气因子数据与参照样本之间的马氏距离，并以计算得出的马氏距离为标准，将天气因子距离参照样本的距离从大到小排序；(3)获取特征值K特征值K的范围为...

【专利技术属性】
技术研发人员：张锋明，俞键，朱峰，钱钢，张心心，孙滢涛，何智频，谢栋，徐恩，冉进文，叶淑英，陈水标，周进，李熙娟，许永远，吴洋，陈坊，梅青，赵天剑，
申请(专利权)人：国网浙江省电力有限公司诸暨市供电公司，
类型：发明
国别省市：