[发明专利]基于深度LSTM神经网络的电网负荷预测方法

权利要求书

1.一种基于深度LSTM神经网络的电网负荷预测方法，其特征在于，包括以下步骤：

根据输入特征数据和负荷数据生成训练样本，其中，所述输入特征数据包括实验时间的气象信息和是否为工作日的时间类型信息；

对所述训练样本进行处理，并通过LSTM神经网络对处理后的训练样本进行训练以得到LSTM预测模型；

通过将待预测时间的气象信息和是否为工作日的时间类型信息输入所述LSTM预测模型，以对所述待预测时间内的电网负荷进行预测以得到电网负荷预测结果；

对所述电网负荷预测结果进行分析，并判断所述电网负荷预测结果是否满足准确度要求；

如果判断不满足所述准确度要求，则获取新的训练样本，并通过所述新的训练样本对所述LSTM预测模型进行补充训练，以对所述LSTM预测模型进行更新。

2.根据权利要求1所述的基于深度LSTM神经网络的电网负荷预测方法，其特征在于，所述气象信息包括最高温度、最低温度、最高相对湿度和平均相对湿度。

3.根据权利要求2所述的基于深度LSTM神经网络的电网负荷预测方法，其特征在于，对所述训练样本进行处理，具体包括：

对所述训练样本进行批标准化处理，使输出信号的各个维度分布在均值为0，方差为1的分布中，其中，所述训练样本中的负荷数据作为所述输出信号；

对进行批标准化处理后的训练样本进行维度的变换，并根据所述负荷数据的实际值和预测值计算损失函数f_lost；

基于RMSProp优化方法对所述损失函数f_lost的值进行优化，使所述损失函数f_lost的值最小。

4.根据权利要求3所述的基于深度LSTM神经网络的电网负荷预测方法，其特征在于，通过以下公式计算所述损失函数flost：

其中，t为每个负荷数据的采样时间点，Y_t^mn为所述负荷数据的实际值，y_t^mn为所述负荷数据的预测值，n为所述LSTM神经网络的时间步长，m为所述输入特征数据的批次数。