[发明专利]一种基于深度学习的Bi-LSTM的电负荷预测方法

说明书

本发明公开了电负荷预测技术领域的一种基于深度学习的Bi‑LSTM的电负荷预测方法，旨在解决现有技术中电负荷预测效率低，且存在过拟合现象的技术问题，对电负荷数据样本进行归一化预处理；设计多层Bi‑LSTM深度神经网络；将预处理后的电负荷数据输入神经网络模型进行训练；将预测结果反归一化处理。多层Bi‑LSTM有效地增加模型的深度，提高电负荷参数的调节自由度，对先输入的数据进行部分特征的提取，提高了神经网路模型的效率。为防止网络模型层数过多导致训练模型过拟合，模型中加入dropout，减少了过拟合现象。

技术领域

本发明属于电负荷预测技术领域，具体涉及一种基于深度学习的Bi-LSTM的电负荷预测方法。

背景技术

电力工业的发展制约着国民经济和社会的发展，电力系统也为各类的用户提供着不可替代的服务。预测未来电量或者是电力需求量使用情况的同时，电力预测能够减少能源的损耗，避免大马拉小车的情况，科学的电力预测对电力系统进行用电规划、运行和调度有着重大的作用。在决定新的发动机装机时，可以避免不必要的装机储能容量，决定着电网的增容和改建方案，决定电网的建设和发展，电力负荷预测能节约能源、降低成本、较少能耗，提高经济的发展。

目前LSTM应用到科技领域中，可以翻译语言、控制机器人、图像分析、语音识别、预测等，相较于RNN没有梯度爆炸或梯度消失的顾虑，而双向LSTM(Bi-LSTM)克服了远距离传输数据损失，正反向传播预测结果更具有可靠性，单向LSTM神经网络编码只能从前往后，双向LSTM模型可以更好地建立电负荷数据的依赖性，电负荷预测的输出结果考虑到前后因素，具有鲁棒性和准确性。但是现有的神经网路模型存在预测效率低且因网络模型层数过多导致训练模型过拟合现象。

发明内容

本发明的目的在于提供一种基于深度学习的Bi-LSTM的电负荷预测方法，以解决现有技术中电负荷预测效率低，且存在过拟合现象的技术问题。

为达到上述目的，本发明所采用的技术方案是：一种基于深度学习的Bi-LSTM的电负荷预测方法，包括以下步骤：对电负荷数据样本进行归一化预处理；设计多层Bi-LSTM深度神经网络；将预处理后的电负荷数据输入神经网络模型进行训练；将预测结果反归一化处理。

所述电负荷数据样本包括测试样本和训练样本。

所述归一化预处理包括通过以下公式对样本数据进行线性变换，使结果落到[0,1]区间，去除单位限制转为无量纲数据，避免数值问题：

其中，x^*表示归一化后样本数据，x表示样本数据，max表示样本数据的最大值，min表示样本数据的最小值。

所述多层Bi-LSTM深度神经网络的层数由电负荷数据样本的数据量及数据性质决定。

所述多层Bi-LSTM深度神经网络的每一层包括一个Bi-LSTM神经网络，所述多层Bi-LSTM深度神经网络每一层的输出数据作为下一层的输入数据。

所述Bi-LSTM神经网络可表示为：

s_t＝f(Ux_t+Ws_t-1) (7)

s′_t＝f(U′x_t+W′s′_t+1) (8)

o_t＝g(Vs_t+V's_t') (9)