基于深度长短期记忆网络的短期负荷预测方法

摘要

本发明公开了一种基于深度长短期记忆网络的短期负荷预测方法，解决了现有技术的不足，该方法包括以下步骤：步骤10)，获取样本特征变量历史数据，建立历史样本数据集；步骤20)，建立预测模型嵌入维输入数据集；步骤30)，建立深度长短期记忆神经网络预测模型并初始化网络权重；步骤40)，更新训练步骤30)建立的深度长短期记忆神经网络预测模型内部状态参数；步骤50)，计算输出本轮负荷预测值；步骤60)，引入本轮负荷真实值，计算损失函数；步骤70)，更新深度长短期记忆神经网络网络权重；步骤80)，根据判别函数判别迭代是否结束；步骤90)，迭代结束，输出深度长短期记忆神经网络预测模型。

说明书

技术领域

本发明涉及微电网负荷预测和经济调度技术领域，尤其是指一种基于深度长短期记忆网络的短期负荷预测方法。

背景技术

负荷预测属于能量管理系统(EMS)的重要组成部分，是电力系统经济调度的一项重要内容。电网层级精准的负荷预测有助于电力部门合理规划生产，优化运行成本，保持电网运行的安全稳定性，同时能减少不必要的旋转备用容量，降低发电成本，提高电网运行的经济性。而随着电力市场的不断发展，现货市场的改革对负荷预测的精度要求越来越高。精准的用户层级负荷预测有助于设计能源交易方法，现货市场报价，制定中长期售电策略等等。因此，精准的负荷预测是实现电力系统管理现代化、售电公司向现货市场转型的重要基础。

已有技术的负荷预测算法在面对数量较大、随机性较强的数据时，泛化能力较差且无法直接处理，需要人工事先挑选特征，造成有效信息的丢失，进而导致预测精度无法满足现有的要求。

发明内容

本发明的目的是克服现有技术中的缺点，提供一种基于深度长短期记忆网络的短期负荷预测方法。

本发明的目的是通过下述技术方案予以实现：

一种基于深度长短期记忆网络的短期负荷预测方法，该方法包括以下步骤：

步骤10)，获取样本特征变量历史数据，建立历史样本数据集；

步骤20)，基于步骤10)建立的历史样本数据集，按特征变量维度对历史数据进行标准化，并用滑动窗口对历史数据进行帧格化，建立预测模型嵌入维输入数据集；

步骤30)，基于长短期记忆神经网络模型原理，建立深度长短期记忆神经网络预测模型并初始化网络权重；

步骤40)，基于步骤20)建立的嵌入维输入数据集，更新训练步骤30)建立的深度长短期记忆神经网络预测模型内部状态参数；

步骤50)，基于逻辑回归原理，计算输出本轮负荷预测值；

步骤60)，基于步骤50)所得本轮负荷预测值，引入本轮负荷真实值，计算损失函数；

步骤70)，基于步骤60)所得损失函数值，更新深度长短期记忆神经网络网络权重；

步骤80)，根据判别函数判别迭代是否结束，若未结束，进入下一轮迭代训练，重复步骤40)～70)；

步骤90)，迭代结束，输出深度长短期记忆神经网络预测模型。

作为一种优选方案，所述步骤10)中，获取样本特征变量历史数据包括温度、湿度、时刻、上一周同时刻负荷量、前一天同时刻负荷量和前一天平均负荷量，将特征变量历史数据代入下式建立历史样本数据集C：

C＝[C

式中，C

C

式中，C

作为一种优选方案，所述步骤20)的具体流程为：

步骤201)，对历史数据按维度进行标准化：

式中，

步骤202)，对标准化后的历史时间序列数据使用长度为q的滑动窗口进行帧格化，生成嵌入维输入数据集D：

D＝(X,Y) (4)

式中，X

作为一种优选方案，所述步骤30)具体为：基于长短期记忆神经网络模型原理，将多层长短期记忆神经网络进行顺序堆叠，建立深度长短期记忆神经网络预测模型并初始化网络权重；在深度长短期记忆神经网络中，其中每一层长短期记忆神经网络的隐藏层输出均作为下一层网络的输入。

作为一种优选方案，所述步骤40)具体为：基于步骤20)建立的嵌入维输入数据集，更新训练步骤30)建立的DLSTM预测模型内部状态参数，设DLSTM的层数为l，则l层DLSTM的网络状态更新方式可表示为：

式中，i

作为一种优选方案，所述步骤60)具体为：基于步骤50)所得本轮负荷预测值，引入本轮负荷真实值，计算交叉熵损失函数E(i)：

式中，p(x

作为一种优选方案，所述步骤70)具体为：基于步骤60)所得损失函数值，采用梯度下降算法更新DLSTM网络权重：

式中，W、V、b为网络权重，E为交叉熵损失值，l

本发明的有益效果是：本发明基于深度长短期记忆神经网络构建负荷预测模型，使该模型既具备传统神经网络的泛化能力，同时又能深度学习、挖掘到时间序列中的信息，避免在过长的离线训练中过早陷入局部最优，具备更优的预测性能。

附图说明

图1是本发明实施例的流程图；

图2为本发明实施例中长短期记忆神经网络神经元结构图；

图3为本发明实施例中深度长短期记忆神经网络预测模型结构图；

图4为本发明实施例的日负荷预测结果残差对比图；

图5为本发明实施例的深度长短期记忆神经网络日负荷预测结果残差分布图；

图6为本发明实施例的按日统计残差箱形图；

图7为本发明实施例的按周统计残差箱形图；

具体实施方式

下面结合附图和实施例对本发明进一步描述。

实施例：基于深度长短期记忆网络的短期负荷预测方法，如图1所示，该方法包括以下步骤：

步骤10)，获取样本特征变量历史数据，建立历史样本数据集；

步骤20)，基于步骤10)建立的历史样本数据集，按特征变量维度对历史数据进行标准化，并用滑动窗口对历史数据进行帧格化，建立预测模型嵌入维输入数据集；

步骤30)，基于长短期记忆神经网络模型原理，建立深度长短期记忆神经网络预测模型并初始化网络权重；

步骤40)，基于步骤20)建立的嵌入维输入数据集，更新训练步骤30)建立的深度长短期记忆神经网络预测模型内部状态参数；

步骤50)，基于逻辑回归原理，计算输出本轮负荷预测值；

步骤60)，基于步骤50)所得本轮负荷预测值，引入本轮负荷真实值，计算损失函数；

步骤70)，基于步骤60)所得损失函数值，更新深度长短期记忆神经网络网络权重；

步骤80)，根据判别函数判别迭代是否结束，若未结束，进入下一轮迭代训练，重复步骤40)～70)；

步骤90)，迭代结束，输出深度长短期记忆神经网络预测模型。

所述步骤10)中，获取样本特征变量历史数据包括温度、湿度、时刻、上一周同时刻负荷量、前一天同时刻负荷量和前一天平均负荷量，将特征变量历史数据代入下式建立历史样本数据集C：

C＝[C

式中，C

C

式中，C

所述步骤20)的具体流程为：

步骤201)，对历史数据按维度进行标准化：

式中，

步骤202)，对标准化后的历史时间序列数据使用长度为q的滑动窗口进行帧格化，生成嵌入维输入数据集D：

D＝(X,Y) (4)

式中，X

所述步骤30)具体为：基于长短期记忆神经网络模型原理，将多层长短期记忆神经网络进行顺序堆叠，建立深度长短期记忆神经网络预测模型并初始化网络权重；在深度长短期记忆神经网络中，其中每一层长短期记忆神经网络的隐藏层输出均作为下一层网络的输入。在深度长短期记忆神经网络网络中，其中每一层长短期记忆神经网络的隐藏层输出均作为下一层网络的输入，长短期记忆神经网络神经元结构如图2所示，深度长短期记忆神经网络预测模型结构如图3所示。图2和图3中，i

所述步骤40)具体为：基于步骤20)建立的嵌入维输入数据集，更新训练步骤30)建立的DLSTM预测模型内部状态参数，设DLSTM的层数为l，则l层DLSTM的网络状态更新方式可表示为：

式中，i

所述步骤60)具体为：基于步骤50)所得本轮负荷预测值，引入本轮负荷真实值，计算交叉熵损失函数E(i)：

式中，p(x

所述步骤70)具体为：基于步骤60)所得损失函数值，采用梯度下降算法更新DLSTM网络权重：

式中，W、V、b为网络权重，E为交叉熵损失值，lr为学习率。

本实施例使用新英格兰地区2004–2009年的负荷数据作为此次实验的数据集，该数据集每小时采集一次，共有52608点数据。其中，选择2004–2007年的数据作为历史数据集进行离线学习训练，使用2008–2009年的数据作为最后的验证数据集。

分别使用DLSTM、ANN、DT预测1天内24个点(每小时1个点)的负荷，其中3种方法所使用的敏感变量均为温度、湿度、时刻、上一周同时刻负荷量、前一天同时刻负荷量、前一天平均负荷量。但不同的是，DLSTM所使用的变量均为时间序列数据，序列长度为一周共168点数据。

为对负荷预测的结果进行对比评价分析，本文结合统计学误差分析与实际调度运行的需要，主要使用均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、日峰值平均绝对百分比误差(DPM)四个指标作为本次实验结果评价指标。

为验证所提出方法的有效性，分别使用DLSTM、ANN和DT算法对新英格兰地区2008–2009年的日负荷数据进行预测，预测结果如表1所示。

表1采用不同方法预测结果

首先对预测结果进行横向对比分析。由表1可知，使用DLSTM进行预测，其预测结果的RMSE为376.10MWh，比ANN的461.37MWh和DT的517.41MWh分别低18.48％、27.31％。同时，DLSTM的MAE为275.64MWh，也是三种方法中的最小值。

此外，DLSTM的MAPE降至1.66％，低于ANN的2.4％和DT的2.56％。同时DLSTM对日负荷的峰值的预测也比其他方法更为精准，DPM仅有1.58％，分别比ANN和DT降低24.04％和33.05％。

为更直观地对比三种不同方法的预测效果，以新西兰地区2009年1月16日—23日的日负荷预测结果为例，其相关残差如图4所示。

接着再单独针对DLSTM的预测结果进行纵向对比分析。DLSTM的全部预测结果残差分布如图5所示。由图5可知，DLSTM的预测残差基本满足正态分布，其预测结果较为真实可信。

而进一步地按日、周分别进行相关残差统计分析，可分别画出箱形图如图6、图7所示。由图6可知，DLSTM对该地区9点至16点之间负荷的预测异常值较少，结果较为精确。这与9点至16点通常为工作时间，用电负荷较为稳定有关。而观察一天中的负荷趋势不难发现，该地区13点至19点负荷通常较大。而观察图7则不难发现，DLSTM对该地区星期四、星期五的负荷预测异常值较多，预测较为困难。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。