[发明专利]一种基于深度学习的月度电力需求预测方法

说明书

本发明涉及一种基于深度学习的月度电力需求预测方法，该方法法首先获取逐月全社会用电量、天气和经济发展相关指标数据，对数据进行归一化等预处理，形成适合监督学习的特征数据；然后使用LSTM和GRU模型分别对月度用电量进行序列预测，对上月用电量数据、天气、经济发展指标数据采用GRU模型进行预测，最后通过对两种模型的预测结果结合验证准确率进行权重分配，对预测结果采用加权平均方式进行融合。本发明提出的一种基于深度学习的月度电力需求预测方法，采用深度学习技术为全社会用电量提供一种新的预测方式，能够综合考虑天气和经济发展对电力需求的影响，提升电力需求预测准确度。

技术领域

本发明涉及电力市场用电预测领域，具体涉及一种基于深度学习的月度电力需求预测方法。

背景技术

电力需求预测广泛运用于电力市场分析、电网规划、电力调度等领域，是电力系统的重要内容，是电网公司制订生产经营计划的重要依据，为发电计划制定和电网优化调度提供决策支持。近年来，我国处于经济增速换挡、产业结构优化调整的阶段，新兴产能和落后产能不断更替，节能减排力度不断增强，经济与电力传统稳定关系发生改变，再加上极端天气如高温、台风影响，进一步增加了电力需求变化的不确定性。因此，全面考虑天气和经济发展的影响情况，有助于进一步提高电力需求预测的准确性。

本发明涉及的一种基于深度学习的月度电力需求预测方法将源于人工神经网络的深度学习概念运用到电力需求预测领域。由于该方法包含多隐层的多层感知器，能够通过组合低层特征形成更加抽象的高层表示属性类别或特征，全面考虑进行电力需求预测所需的多种天气和经济发展等因素。

发明内容

本发明的目的在于提供一种基于深度学习的月度电力需求预测方法，本预测方法采用深度学习技术为全社会用电量提供一种新的预测方式，能够综合考虑天气和经济发展对电力需求的影响，提升电力需求预测准确度。

为实现上述目的，本发明的技术方案是：一种基于深度学习的月度电力需求预测方法，包括如下步骤：

步骤S1：获取历年逐月全社会用电量数据、天气数据、经济发展数据；

步骤S2：对所述步骤S1获取的数据进行数据预处理，作为监督学习输入；

步骤S3：将经过所述步骤S2处理后的数据输入到长短时记忆循环神级网络LSTM模型进行预测，调整模型参数；

步骤S4：将经过所述步骤S2处理后的数据输入GRU模型进行预测，调整模型参数；

步骤S5：根据验证集预测准确率分配经过所述步骤S3和所述步骤S4后的预测结果的权重，并且通过权重计算最终预测结果。、

在本发明一实施例中，在所述步骤S1中，所述天气数据包括：季节、降水、气温、湿度；所述经济数据包括：GDP、居民消费支出、固定资产投资、进出口总额。

在本发明一实施例中，在所述步骤S2中，采用如下的方法对所述步骤S1获取的数据进行归一化处理，使得各样本值处于[0,1]范围内：

其中，a^*为处理后数据，a为原始数据，a_max、a_min分别为原始数据中的最大数和最小数。

在本发明一实施例中，在所述步骤S3中，将经过所述步骤S2处理后的预设数量月份的用电量数据输入至长短时记忆循环神级网络LSTM模型中，并训练该模型；该神经网络的网络连接权重参数的初始化方法采用Xaiver方法，使得初始化参数分布在：

其中，W是初始化参数矩阵，n_i是神级网络某层的输入，n_i+1是神级网络的

某层的输出；