一种基于长短时记忆模型的电力中长期负荷预测方法与流程

本发明属于电力预测技术领域，特别是涉及一种基于长短时记忆模型的电力中长期负荷预测方法。

背景技术：

电网规划是电网建设的依托和先决条件，规划的质量将严重影响到电网的建设投资费用和电网的安全运行，而中长期负荷预测是电网规划的理论基础，预测算法的精度直接影响到规划方案的可信度。目前的负荷预测算法大多是基于电力和地区经济的关系，如弹性系数法、产值单耗法等，或者是简单的数学模型，如线性回归模型、灰色模型等。上述算法的优点是比较直观，且简单易用；缺点是算法复杂度有限，对于变化的适应能力较弱，且预测精度有限。

技术实现要素：

本发明的目的在于提供一种基于长短时记忆模型的电力中长期负荷预测方法，通过基于长短时记忆模型，构建电力的中长期负荷预测，能够有效地发现地区迎峰度夏期间负荷和外部条件特征的关联性，从而对未来不同外部条件下的地区负荷进行预测，辅助地区电网系统的规划建设，提高地区电网的运行的稳定性，解决了现有的电力的负荷预测方案对电力负荷变化的适应能力较弱且预测精度有限的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

一种基于长短时记忆模型的电力中长期负荷预测方法，包括如下步骤：

步骤一，按年份收集地区因素历史数据作为样本特征；将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，即不含降温负荷的地区负荷的均值，得出负荷比率：负荷比率＝(地区负荷-基础负荷)/基础负荷；

步骤二，典型时序片段的选取：根据地区的气候变化规律，利用马尔科夫模型对未来的高温序列片段进行选取；

其中，马尔科夫分析法的基本模型为：x(k+1)＝x(k)×p；

公式中：x(k)表示趋势分析与预测对象在t＝k时刻的状态向量，p表示一步转移概率矩阵，x(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量；

步骤三，长短时记忆模型的构建：将步骤一中的负荷比率数据及步骤二中的高温序列片段的区域特征因素汇总整合，以训练生成电力负荷预测的长短时记忆模型；

其中，长短时记忆的神经网络负荷预测模型表示为如下公式：

forecast＝f(t,d,c,y1,u1,id)×p

其中t∈[0,24]，是一天当中的时间，以小时为单位；d∈{1,2,...,365,366}是一年当中的天数，以天为单位，c是一天的类型，y1是包含一段历史用电需求的历史电力负荷数据，u1是一个包含区域特征因素的实值向量，id代表用电需求的区域标识,p表示马尔科夫一步转移概率矩阵；

步骤四，模型训练和优化：设定训练时间，通过不断调整参数和训练次数，观察训练误差下降趋势，增加和减少基础特征的数量，得到相对较优的长短时记忆训练模型；

步骤五，依据长短时记忆训练模型，并利用单回归模型支持向量回归和随机森林回归，对未来年份的时序片段的电力负荷进行预测。

进一步地，所述步骤一中，区域特征因素包括日最高温度值、日最低温度值、日平均温度、高温持续天数、日照等级、风速、降雨情况和最大负荷值，所有的天气数据通过爬虫程序从中国气象局官网上获取；其中，日平均温度的计算为：日平均温度＝(日最高温度+日最低温度)/2，而当天的高温持续天数是计算前连续n天温度比当天温度高的天数。

进一步地，所述步骤三中，区域特征因素包括地区总人口数、夏季平均日照时间、夏季平均风速和全年用电总量。

本发明具有以下有益效果：

1、本发明通过基于长短时记忆模型，利用马尔科夫模型对未来的高温序列片段进行选取,实现了电力中长期负荷的预测，减少了复杂特征的构建，加深了时间序列对负荷的影响的认知。

2、本发明构建基于对未来的高温序列的模型构建，更能够更清楚的认识预测日前n天的温度、风速和负荷等的对其的影响。有效的提高了预测精度。

3、本发明相比于传统算法，长短时记忆模型能够学习更多的特征以及相邻天的影响，且能够通过神经网络的反向传播原理对模型进行不断的优化，相比传统模型的精度有了较大的提高。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的具体实施例一的流程图；

图2为本发明的具体实施例二的流程图。

具体实施方式

下面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前提下所获得的所有其它实施例，都属于本发明保护的范围。

具体实施例一：

如图1所示，本发明为一种基于长短时记忆模型的电力中长期负荷预测方法，包括如下步骤：

步骤一，按年份收集地区因素历史数据作为样本特征；将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，即不含降温负荷的地区负荷的均值，得出负荷比率：负荷比率＝(地区负荷-基础负荷)/基础负荷；样本特征包括日最高温度值、日最低温度值、日平均温度、高温持续天数、日照等级、风速、降雨情况和最大负荷值；日平均温度的计算为：日平均温度＝(日最高温度+日最低温度)/2，而当天的高温持续天数是计算前连续n天温度比当天温度高的天数；

步骤二，典型时序片段的选取：根据地区的气候变化规律，利用马尔科夫模型对未来的高温序列片段进行选取；

其中，马尔科夫分析法的基本模型为：x(k+1)＝x(k)×p；

公式中：x(k)表示趋势分析与预测对象在t＝k时刻的状态向量，p表示一步转移概率矩阵，x(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量；

步骤三，长短时记忆模型的构建：将步骤一中的负荷比率数据及步骤二中的高温序列片段的区域特征因素汇总整合，以训练生成电力负荷预测的长短时记忆模型；区域特征因素包括地区总人口数、夏季平均日照时间、夏季平均风速和全年用电总量。

其中，长短时记忆的神经网络负荷预测模型表示为如下公式：

forecast＝f(t,d,c,y1,u1,id)×p

其中t∈[0,24]，是一天当中的时间，以小时为单位；d∈{1,2,...,365,366}是一年当中的天数，以天为单位，c是一天的类型，y1是包含一段历史用电需求的历史电力负荷数据，u1是一个包含区域特征因素的实值向量，id代表用电需求的区域标识,p表示马尔科夫一步转移概率矩阵；

步骤四，模型训练和优化：设定训练时间，通过不断调整参数和训练次数，观察训练误差下降趋势，增加和减少基础特征的数量，得到相对较优的长短时记忆训练模型；

步骤五，依据长短时记忆训练模型，并利用单回归模型支持向量回归和随机森林回归，对未来年份的时序片段的电力负荷进行预测。

下面以合肥市区进行中长期年最大负荷预测为例，对本发明的一种基于长短时记忆模型的电力中长期负荷预测方法进行实施应用，以验证本发明的可行性和有益性。

邀请电网企业、政府和用电量高的大型企业的三位电力专家进行预测的经验分享；合肥市近五年的历史最大负荷值如表1所示。

表1.合肥市2013年-2017年年最大负荷值

以2013至2017年年最大负荷日为例分析步骤一所需的天气数据特征，5年的年最大负荷日天气数据特征如表2所示。

表2.合肥市2013年-2017年年最大负荷日天气数据特征

依据步骤二、步骤三、步骤四和步骤五，利用马尔科夫模型对未来的高温序列片段进行选取，使用长短时记忆模型对2018年的最大负荷进行预测，并利用单回归模型支持向量回归和随机森林回归进行预测，预测结果见表3所示。

表3.模型合肥市2018年最大负荷预测结果

从表3中不难看出，使用长短时记忆模型预测的最大值和实际值非常接近，绝对误差在0.2％左右，比使用支持向量回归模型和随机森林回归模型以及专家经验预测都要好。

具体实施例二：

如图2所示，本发明为一种基于长短时记忆模型的电力中长期负荷预测方法，包括如下步骤：

步骤一，按年份对地区因素历史数据的数据源进行选择性抽取，并对定时更新后的历史数据进行定时抽取；

步骤二，对选择性抽取的历史数据进行周期性分析，并对其进行数据清洗和特征构造；同时，对定时抽取的定时更新后的历史数据对其进行数据清洗和特征构造；

步骤三，对两者的数据和特征进行整合汇总，利用马尔科夫模型对预测年份可能性最大的高温序列片段进行选取，构建长短时记忆模型；

步骤四，对长短时记忆模型进行评价和应用，并得出应用结果；再根据业余人员的反馈，对模型进一步优化与重构。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。