一种基于LSTM-RBM融合的电力负荷预测方法技术

本发明专利技术提供一种基于LSTM

【技术实现步骤摘要】
一种基于LSTM
‑
RBM融合的电力负荷预测方法


[0001]本专利技术涉及电力负荷预测
，尤其涉及一种基于LSTM
‑
RBM融合的电力负荷预测方法。

技术介绍

[0002]电力大数据涉及到发电、输电、变电、配电、用电、调度各环节，可用于跨单位、跨专业、跨业务数据分析与挖掘以及数据可视化。时间序列就是将某一指标在不同时间上的不同数值，按照时间的先后顺序排列成的数列，时间序列分析的目的是通过找出样本内时间序列的统计特性和发展规律性，构建时间序列模型，进行样本外预测。
[0003]电力领域一般通过RNN(循环神经网络，Recurrent Neural Networks，简称RNN)和LSTM(长短期记忆网络，Long Short Term Memory，简称LSTM)为代表的神经网络，基于电力负荷时序数据，预测用电负荷。LSTM是可解决RNN中易出现的梯度消亡问题。LSTM以电力负荷时序数据自身为训练数据和输出标签，通过迭代训练的方式建立预测模型，因而其充分利用了数据之间的相关性，从而提高了预测精度，并降低所需历史数据的维度大小。但是训练集的选取对LSTM的预测精度影响较大，可能会陷入局部极小值，导致电力负荷预测结果不准确。

技术实现思路

[0004]本专利技术实施例提供了一种基于LSTM
‑
RBM融合的电力负荷预测方法，以解决在电力负荷预测中，现有LSTM网络受训练集的限制，预测结果准确性低的问题。
[0005]第一方面，本专利技术实施例提供了一种基于LSTM
‑
RBM融合的电力负荷预测方法，包括：
[0006]获取预训练的LSTM
‑
RBM融合模型，其中，所述LSTM
‑
RBM融合模型包括RBM网络、LSTM网络。
[0007]获取用户的用电负荷时序数据。
[0008]基于所述用电负荷时序数据，通过LSTM
‑
RBM融合模型，获得符合用电态势的用电负荷时序预测数据，其中，所述用电态势通过RBM网络基于所述用电负荷时序数据得到，所述用电负荷时序预测数据通过LSTM网络基于所述用电负荷时序数据得到。
[0009]在一种可能的实现方式中，所述基于所述用电负荷时序数据，通过LSTM
‑
RBM融合模型，获得符合用电态势的用电负荷时序预测数据包括：
[0010]在初始时刻，基于用电负荷时序数据，通过LSTM网络，输出初始时刻的用电负荷时序预测数据。
[0011]将初始时刻之后的任一时刻作为目标时刻，进入循环预测步骤，所述循环预测步骤包括：
[0012]基于目标时刻的上一时刻LSTM网络输出的用电负荷时序预测数据，通过RBM网络，获得目标时刻的用电态势。
[0013]基于所述上一时刻LSTM网络输出的用电负荷时序预测数据，目标时刻的用电态势，通过LSTM网络，输出目标时刻符合用电态势的用电负荷时序预测数据。
[0014]在一种可能的实现方式中，所述RBM网络包括隐藏层和可见层。隐藏层与可见层之间为全连接。隐藏层内的各节点间无连接。可见层内的各节点间无连接。
[0015]所述基于目标时刻的上一时刻LSTM网络输出的用电负荷时序预测数据，通过RBM网络，获得目标时刻的用电态势包括：
[0016]将目标时刻的上一时刻LSTM网络输出的用电负荷时序预测数据，分别输入隐藏层和可见层，获得目标时刻的用电态势，其中，通过可见层输出目标时刻的用电态势至LSTM网络。
[0017]在一种可能的实现方式中，RBM网络的能量函数为
[0018][0019]其中，E(v,h)表示RBM网络的能量函数，v表示可见层的可见变量，h表示隐藏层的隐藏变量，可见变量之间条件独立，隐藏变量之间条件独立，b表示可见层偏执向量，c表示隐藏层偏执向量，w
ij
表示层间权重矩阵。
[0020]在一种可能的实现方式中，RBM网络的概率分布函数为
[0021][0022]其中，p(v,h)表示RBM网络的概率分布函数，Z表示配分函数。
[0023]在一种可能的实现方式中，在获取预训练的LSTM
‑
RBM融合模型之前还包括：
[0024]基于用户的历史用电负荷时序数据，采用最大似然法训练LSTM
‑
RBM融合模型，获得训练后的LSTM
‑
RBM融合模型。
[0025]第二方面，本专利技术实施例提供了一种基于LSTM
‑
RBM融合的电力负荷预测装置，包括：
[0026]第一获取模块，用于获取预训练的LSTM
‑
RBM融合模型，其中，所述LSTM
‑
RBM融合模型包括RBM网络、LSTM网络。
[0027]第二获取模块，用于获取用户的用电负荷时序数据。
[0028]预测模块，用于基于所述用电负荷时序数据，通过LSTM
‑
RBM融合模型，获得符合用电态势的用电负荷时序预测数据，其中，所述用电态势通过RBM网络基于所述用电负荷时序数据得到，所述用电负荷时序预测数据通过LSTM网络基于所述用电负荷时序数据得到。
[0029]在一种可能的实现方式中，所述基于所述用电负荷时序数据，通过LSTM
‑
RBM融合模型，获得符合用电态势的用电负荷时序预测数据包括：
[0030]在初始时刻，基于用电负荷时序数据，通过LSTM网络，输出初始时刻的用电负荷时序预测数据。
[0031]将初始时刻之后的任一时刻作为目标时刻，进入循环预测步骤，所述循环预测步骤包括：
[0032]基于目标时刻的上一时刻LSTM网络输出的用电负荷时序预测数据，通过RBM网络，获得目标时刻的用电态势。
[0033]基于所述上一时刻LSTM网络输出的用电负荷时序预测数据，目标时刻的用电态势，通过LSTM网络，输出目标时刻符合用电态势的用电负荷时序预测数据。
[0034]第三方面，本专利技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0035]第四方面，本专利技术实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
[0036]本专利技术实施例提供一种基于LSTM
‑
RBM融合的电力负荷预测方法。本专利技术通过LSTM
‑
RBM融合模型，基于用户数据，可通过LSTM网络得到用电负荷时序预测数据，可通过RBM网络得到用电态势，进一步可基于实际的用电态势选取符合用电态势的用电负荷时序预测数据，解决单纯采用LSTM网络时，受训练集的限制，L本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM
‑
RBM融合的电力负荷预测方法，其特征在于，包括：获取预训练的LSTM
‑
RBM融合模型，其中，所述LSTM
‑
RBM融合模型包括RBM网络、LSTM网络；获取用户的用电负荷时序数据；基于所述用电负荷时序数据，通过LSTM
‑
RBM融合模型，获得符合用电态势的用电负荷时序预测数据，其中，所述用电态势通过RBM网络基于所述用电负荷时序数据得到，所述用电负荷时序预测数据通过LSTM网络基于所述用电负荷时序数据得到。2.根据权利要求1所述的基于LSTM
‑
RBM融合的电力负荷预测方法，其特征在于，所述基于所述用电负荷时序数据，通过LSTM
‑
RBM融合模型，获得符合用电态势的用电负荷时序预测数据包括：在初始时刻，基于用电负荷时序数据，通过LSTM网络，输出初始时刻的用电负荷时序预测数据；将初始时刻之后的任一时刻作为目标时刻，进入循环预测步骤，所述循环预测步骤包括：基于目标时刻的上一时刻LSTM网络输出的用电负荷时序预测数据，通过RBM网络，获得目标时刻的用电态势；基于所述上一时刻LSTM网络输出的用电负荷时序预测数据，目标时刻的用电态势，通过LSTM网络，输出目标时刻符合用电态势的用电负荷时序预测数据。3.根据权利要求2所述的基于LSTM
‑
RBM融合的电力负荷预测方法，其特征在于，所述RBM网络包括隐藏层和可见层；隐藏层与可见层之间为全连接；隐藏层内的各节点间无连接；可见层内的各节点间无连接；所述基于目标时刻的上一时刻LSTM网络输出的用电负荷时序预测数据，通过RBM网络，获得目标时刻的用电态势包括：将目标时刻的上一时刻LSTM网络输出的用电负荷时序预测数据，分别输入隐藏层和可见层，获得目标时刻的用电态势，其中，通过可见层输出目标时刻的用电态势至LSTM网络。4.根据权利要求3所述的基于LSTM
‑
RBM融合的电力负荷预测方法，其特征在于，RBM网络的能量函数为其中，E(v,h)表示RBM网络的能量函数，v表示可见层的可见变量，h表示隐藏层的隐藏变量，可见变量之间条件独立，隐藏变量之间条件独立，b表示可见层偏执向量，c表示隐藏层偏执向量，w
ij
表示层间权重矩阵。5.根据权利要求4所述的基于LSTM
‑
RBM融合的电力负荷预测方法，其特征在于，RBM网络的概率...

【专利技术属性】
技术研发人员：龙禹，阮文骏，庄重，段梅梅，周雨奇，刘梅，罗欣，
申请(专利权)人：国网江苏省电力有限公司营销服务中心北京清软创新科技股份有限公司，
类型：发明
国别省市：