[发明专利]基于深度LSTM神经网络的电网负荷预测方法

说明书

本发明公开了一种基于深度LSTM神经网络的电网负荷预测方法，能提高预测精度、步长和实时性，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，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LSTM预测模型，以对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；对电网负荷预测结果进行分析，并判断电网负荷预测结果是否满足准确度要求；如果判断不满足准确度要求，则获取新的训练样本，并通过新的训练样本对LSTM预测模型进行补充训练，以对LSTM预测模型进行更新。

技术领域

本发明涉及电网负荷预测技术领域，特别涉及一种基于深度LSTM神经网络的电网负荷预测方法。

背景技术

对于电网负荷的预测，是保证电网安全可靠运行、减少电网经济损失的关键所在，提高负荷预测的精度多年来一直是人们研究的重点。由于电网内部能源种类多样，能源利用方式也各有不同，因此导致电网负荷数据波动性、随机性较大，造成负荷预测精度较低，很难准确拟合负荷数据的分布。

针对负荷预测目前已有许多预测方法，然而随着电网智能化速度的不断加快，数据量的增大以及数据的波动性、随机性等使得传统的负荷预测方法越来越不能满足实际应用的需求。机器学习理论和应用的日渐成熟，不少学者将机器学习的算法应用于对负荷的预测之中，相比于传统的预测方法，机器学习方法能够更好的处理负荷数据的波动性、随机性等问题，在一定程度上提高了对电网负荷预测的精度，使得人们在电网的管理和调度上提供了一定的依据。

然而，目前的负荷预测应用，大多需要在构建模型之前，对预测样本进行筛选，利用相似性筛选出训练样本，必然导致未被选中样本所包含信息的丢失，另外由于预测结果的精度在很大程度上受所筛选样本的影响，这样当筛选样本不准确时，就会直接导致预测精度的下降。并且，目前的负荷预测方法对历史负荷数据依赖较强，即在预测时需输入历史负荷数据，适用于时间步长较短的负荷预测，如果想利用历史负荷值，去预测时间步长较远的负荷值，由于负荷数据分布变化较快，目前的负荷预测方法无法满足要求。

发明内容

本发明旨在至少在一定程度上解决电网负荷预测精度不够高、时间步长较短等技术问题。为此，本发明的一个目的在于提出一种基于深度LSTM(Long Short-Term Memory，长短期记忆)神经网络的电网负荷预测方法，能够提高电网负荷预测精度，并能够预测更大时间步长的负荷数据，以及能够提高预测的实时性。

为达到上述目的，本发明提出的基于深度LSTM神经网络的电网负荷预测方法，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。