适用于高寒地域的长短期记忆网络模型电力负荷预测方法与流程

1.本发明属于城市电力负荷的预测领域。


背景技术：

2.现代智能电网中，电力调度需要掌握区域用电负荷的特点及未来趋势；而准确快速的区域电力负荷预测是电网稳定可靠运行的必要因素。随着现代人工智能算法的不断进步、用户对于电网电能质量及供电质量的要求日益紧迫，适用于不同区域特色的负荷预测方法的提出势在必行。
3.当前高寒地区短期电力负荷预测的方法主要有两类，一类是时间序列统计学方法，通过利用电力负荷与天气因素之间的联系建立多元线性回归模型，具有模型简单，运算速度快的优点，但同时也未能考虑到非线性因素对电力负荷的影响，精度较差；第二类是使用如bp、rnn之类的神经网络算法，通过机械学习进行电力负荷预测，相对于第一类有更好的预测效果，但未能考虑各影响因素在时间上的关联性，因此，预测精度仍有提升的空间。因此，以上问题亟需解决。


技术实现要素：

4.本发明目的是为了解决现有电力负荷的预测方法未能考虑各影响因素在时间上的关联性，导致预测精度仍然较差的问题，本发明提供了一种适用于高寒地域的长短期记忆网络模型电力负荷预测方法。
5.适用于高寒地域的长短期记忆网络模型电力负荷预测方法，该预测方法包括如下过程：
6.步骤一、利用历史数据库中预设时间段t内的数据，构建具备时间关联性的样本集；其中，具备时间关联性的样本集包括三类样本集，分别为由负荷变化趋势因素构成的样本集、由天气影响因素构成的样本集和由特定日期因素构成的样本集；
7.步骤二、利用构建的具备时间关联性的样本集对长短期记忆网络模型进行训练，获得训练后的长短期记忆网络模型；利用训练后的长短期记忆网络模型对电网输出的电力负荷进行预测，从而实现对电网电力负荷的预测。
8.优选的是，步骤一中、构建由负荷变化趋势因素构成的样本集的实现方式为：
9.从历史数据库中获取在预设时间段t内，各整点时刻电网输出的电力负荷；并将各整点时刻电网输出的电力负荷的集合作为由负荷变化趋势因素构成的样本集，从而完成了对由负荷变化趋势因素构成的样本集的构建。
10.优选的是，步骤一中、构建由天气影响因素构成的样本集的实现方式为：
11.从历史数据库中获取在预设时间段t内，各整点时刻的气压、温度和风速，以及相邻两个整点时刻之间的最高气压和最高温度；并将获得的各整点时刻的气压、温度和风速，以及相邻两个整点时刻之间的最高气压和最高温度的集合作为由天气影响因素构成的样本集，从而完成了对由天气影响因素构成的样本集的构建。
12.优选的是，步骤一中、构建由特定日期因素构成的样本集的实现方式为：
13.对历史数据库中预设时间段t内的各整点时刻所在的日期是否为工作日进行标记，其中，
14.当整点时刻所在的日期为工作日时，令该整点时刻所对应的日期等于1；
15.当整点时刻所在的日期为非工作日时，令该整点时刻所对应的日期等于2；
16.并将标记后的各整点时刻所对应的日期的结合作为由特定日期因素构成的样本集，从而完成了对特定日期因素构成的样本集的构建。
17.优选的是，步骤二、利用构建的具备时间关联性的样本集对长短期记忆网络模型进行训练，获得训练后的长短期记忆网络模型的实现方式为：
18.首先、将由天气影响因素构成的样本集、由特定日期因素构成的样本集和由负荷变化趋势因素构成的样本集中的样本数据进行预处理；
19.然后、再将预处理后的由天气影响因素构成的样本集和预处理后的由特定日期因素构成的样本集作为长短期记忆网络模型的输入、将预处理后的由负荷变化趋势因素构成的样本集作为长短期记忆网络模型的输出，对长短期记忆网络模型进行训练，从而获得训练后的长短期记忆网络模型。
20.优选的是，步骤二中、将由天气影响因素构成的样本集、由特定日期因素构成的样本集和由负荷变化趋势因素构成的样本集中的样本数据进行预处理的实现方式为：
21.采用归一化算法实现。
22.本发明带来的有益效果是：由于电力负荷预测本身易受多种因素的影响；通常情况下，将影响因素分为四种类型，分别为负荷变化趋势、天气影响、特殊情况如特殊日期以及随机因素如系统故障等突情况。四种因素的共同作用对电力负荷的预测产生影响，一般情况下考虑到随机因素的影响较小，一般将其忽略；故本发明在高寒地区进行负荷预测时，其天气因素、特定日期和负荷变化趋势作为分析因子对长短期记忆网络模型进行训练，增强了预测方法的完整性，进而使得预测结果更准确。
23.本发明利用历史温度因素、区域用电特点以及时间特点等参数建立长短期记忆网络模型，并采用逐步调优进行预测结果评估，提出了一种适用于高寒地域的长短期记忆网络模型电力负荷预测方法。
附图说明
24.图1是本发明所述适用于高寒地域的长短期记忆网络模型电力负荷预测方法的流程图。
具体实施方式
25.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，所描述的实施例仅仅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作出创造性劳动的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。
26.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
27.具体参见图1说明本实施方式，本实施方式所述的适用于高寒地域的长短期记忆网络模型电力负荷预测方法，其特征在于，该预测方法包括如下过程：
28.步骤一、利用历史数据库中预设时间段t内的数据，构建具备时间关联性的样本集；其中，具备时间关联性的样本集包括三类样本集，分别为由负荷变化趋势因素构成的样本集、由天气影响因素构成的样本集和由特定日期因素构成的样本集；
29.步骤二、利用构建的具备时间关联性的样本集对长短期记忆网络模型进行训练，获得训练后的长短期记忆网络模型；利用训练后的长短期记忆网络模型对电网输出的电力负荷进行预测，从而实现对电网电力负荷的预测。
30.应用时，由于电力负荷预测本身易受多种因素的影响；通常情况下，将影响因素分为四种类型，分别为负荷变化趋势、天气影响、特殊情况如特殊日期以及随机因素如系统故障等突情况。四种因素的共同作用对电力负荷的预测产生影响，一般情况下考虑到随机因素的影响较小，一般将其忽略；故将在高寒地区进行负荷预测时，其天气因素、特定日期和负荷变化趋势作为分析因子对长短期记忆网络模型进行训练，增强了预测方法的完整性，进而使得预测结果更准确。
31.本实施方式中长短期记忆网络模型为现有的模型，本发明根据实际影响预测的因素构建更贴合实际的样本集，利用该样本集对长短期记忆网络模型进行训练，使其训练后的长短期记忆网络模型更为准确。
32.更进一步的，步骤一中、构建由负荷变化趋势因素构成的样本集的实现方式为：
33.从历史数据库中获取在预设时间段t内，各整点时刻电网输出的电力负荷；并将各整点时刻电网输出的电力负荷的集合作为由负荷变化趋势因素构成的样本集，从而完成了对由负荷变化趋势因素构成的样本集的构建。
34.更进一步的，步骤一中、构建由天气影响因素构成的样本集的实现方式为：
35.从历史数据库中获取在预设时间段t内，各整点时刻的气压、温度和风速，以及相邻两个整点时刻之间的最高气压和最高温度；并将获得的各整点时刻的气压、温度和风速，以及相邻两个整点时刻之间的最高气压和最高温度的集合作为由天气影响因素构成的样本集，从而完成了对由天气影响因素构成的样本集的构建。
36.更进一步的，步骤一中、构建由特定日期因素构成的样本集的实现方式为：
37.对历史数据库中预设时间段t内的各整点时刻所在的日期是否为工作日进行标记，其中，
38.当整点时刻所在的日期为工作日时，令该整点时刻所对应的日期等于1；
39.当整点时刻所在的日期为非工作日时，令该整点时刻所对应的日期等于2；
40.并将标记后的各整点时刻所对应的日期的结合作为由特定日期因素构成的样本集，从而完成了对特定日期因素构成的样本集的构建。
41.具体应用时，将整点时刻的具备时间关联性的数据作为训练后的长短期记忆网络模型的输入，具体为，将选取的任意整点时刻的气压、温度和风速，以及该整点时刻与下一整点时刻之间的最高气压和最高温度作为长短期记忆网络模型的输入，还将选取的整点时刻所对应的日期的标记值作为长短期记忆网络模型的输入，长短期记忆网络模型根据接收的数据生成下一时刻整点时刻电网电力负荷的预测值，从而实现对电力负荷的预测。
42.更进一步的，步骤二、利用构建的具备时间关联性的样本集对长短期记忆网络模
型进行训练，获得训练后的长短期记忆网络模型的实现方式为：
43.首先、将由天气影响因素构成的样本集、由特定日期因素构成的样本集和由负荷变化趋势因素构成的样本集中的样本数据进行预处理；
44.然后、再将预处理后的由天气影响因素构成的样本集和预处理后的由特定日期因素构成的样本集作为长短期记忆网络模型的输入、将预处理后的由负荷变化趋势因素构成的样本集作为长短期记忆网络模型的输出，对长短期记忆网络模型进行训练，从而获得训练后的长短期记忆网络模型。
45.更进一步的，步骤二中、将由天气影响因素构成的样本集、由特定日期因素构成的样本集和由负荷变化趋势因素构成的样本集中的样本数据进行预处理的实现方式为：
46.采用归一化算法实现。
47.本优选实施方式利用归一化算法对由天气影响因素构成的样本集、由特定日期因素构成的样本集和由负荷变化趋势因素构成的样本集中的样本数据进行预处理，使其预处理后的样本集能够更加快速的对长短期记忆网络模型进行训练。
48.虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。