[发明专利]一种基于LSTM预测电力系统负荷的方法及系统

说明书

本发明公开了一种基于LSTM预测电力系统负荷的方法及系统，属于电力系统技术领域。本发明方法，包括：获取任意区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，生成预处理数据；对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；确定初步预测模型为预测电力系统负荷的预测模型；使用预测模型，预测目标区域及日期的电力系统负荷。本发明使用历史数据对目标日期数据进行预测，和传统的负荷预测方法进行对比，本发明具有较高的精确度和收敛速度。

技术领域

本发明涉及电力系统仿真技术领域，并且更具体地，涉及一种基于LSTM预测电力系统负荷的方法及系统。

背景技术

电力系统的主要任务是向用户提供经济、可靠、符合电能质量标准的电能，满足社会的各类负荷需求，由于电能难以大量存储以及电力需求时刻变化等特点，这就要求系统发电应随时与负荷的变化动态平衡，准确地负荷预测可对发电厂的出力要求提出预告，合理地安排本网内各发电机组的启停，使系统始终运行在要求的安全范围内，保证电力供应的稳定，减少用电成本，提高供电质量。

负荷预测技术，多采用时间序列法、多元线性回归法及傅立叶展开法等这些纯数学理论为根基的经典预测方法，或者采用诸如前馈人工神经网络、支持向量机、随机森林等浅层网络，循环神经网络是人工智能领域深度学习的一种算法，基于对时间序列回归预测能达到特别好的效果，而电网负荷数据是基于时间序列的，对比传统负荷预测模型，传统模型中没有记忆单元，缺少对时序数据时间相关性的考虑，对复杂系统的数学建模能力有限。

发明内容

针对上述问题本发明一种基于LSTM预测电力系统负荷的方法，包括：

获取任意区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，并根据时间顺序对剔除无效数据的有功负荷数据和无功负荷数据进行排序，生成预处理数据；

对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；

对训练数据进行学习训练，生成初步预设模型，使用初步预测模型预测电力系统负荷，获取预测数据，对预测数据和验证数据进行对比，获取预测数据和验证数据的均方误差，当均方误差符合预设标准后，确定初步预测模型为预测电力系统负荷的预测模型；

使用预测模型，预测目标区域及日期的电力系统负荷。

可选的，预设标准为均方误差值的范围满足0.001至0.01。

可选的，无效数据为数据值出现缺失或为0的数据。

可选的，预测模型分为两层，一层为隐层中定义具有32个神经元的LSTM，另一层为全连接层；

全连接层作为预测模型的输出层，并具有一个神经元。

本发明还提出了一种基于LSTM预测电力系统负荷的系统，包括：

数据采集模块，获取任意区域预设时间段内的电力系统有功负荷数据和无功负荷数据，剔除有功负荷数据和无功负荷数据中的无效数据，并根据时间顺序对剔除无效数据的有功负荷数据和无功负荷数据进行排序，生成预处理数据；

分类模块，对预处理数据进行归一化和标准化处理，以预设比例将归一化和标准化处理后的预处理数据分为训练数据和验证数据；

训练模块，对训练数据进行学习训练，生成初步预设模型，使用初步预测模型预测电力系统负荷，获取预测数据，对预测数据和验证数据进行对比，获取预测数据和验证数据的均方误差，当均方误差符合预设标准后，确定初步预测模型为预测电力系统负荷的预测模型；

验证模块，使用预测模型，预测目标区域及日期的电力系统负荷。