[发明专利]基于长短时记忆神经网络的短期电力负荷预测方法

权利要求书

1.一种基于长短时记忆神经网络的短期电力负荷预测方法，其特征在于，包括如下步骤：

步骤1：统计电力负荷历史数据和气象历史数据，构建历史数据集，所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t)，以及t时刻当天的日最高温度值T_max(t)、日最低温度值T_min(t)，定义n个电力负荷值构成的集合为电力负荷历史序列X，记为X＝{x(1),x(2),…,x(t),…,x(n)},t＝1,2,…n；

步骤2：采用集成经验模态分解法，将电力负荷历史序列X分解为M组分量集，每组分量集包括不同频率的本征模函数分量和一个残差分量，通过计算M组分量集中相同时刻电力负荷的平均值，得到一组平均值分量集；

步骤2.1：在电力负荷历史序列X中添加随机高斯白噪声序列，构成一个新的电力负荷历史序列X_u；

步骤2.2：利用经验模态分解法将新的电力负荷历史序列X_u，分解为一组包含不同频率本征模函数分量和一个残差分量的分量集；

步骤2.3：重复步骤2.1～步骤2.2，添加不同的高斯白噪声序列得到M组分量集，定义第u组分量集为X_u＝{X_u,1,X_u,2,…,X_u,v,…,X_u,w,X_u,w+1}，其中v＝1,2,…,w，w表示不同频率本征模函数分量的个数，X_u,v表示第u组分量集中的第v个频率所对应的本征模函数分量，即分量X_u,v表示为{x_u,v(1),x_u,v(2),…,x_u,v(t),…,x_u,v(n)}，X_u,w+1表示第u组分量集中的残差分量，即分量X_u,w+1表示为{x_u,w+1(1),x_u,w+1(2),…,x_u,w+1(t),…,x_u,w+1(n)}，u＝1,2,…,M；

步骤2.4：计算M组分量中相同时刻的电力负荷平均值，得到一组平均值分量集，包括：

步骤2.4.1：利用公式(1)计算第v个频率下的本征模函数分量中t时刻的电力负荷平均值x_v(t)；

令公式(1)中的t＝1,2,…,n，得到第v个频率下的本征模函数分量对应的平均值分量

步骤2.4.2：利用公式(2)计算M个残差分量中t时刻的电力负荷平均值；

令公式(2)中的t＝1,2,…,n，得到残差分量对应的平均值分量

步骤2.4.3：根据步骤2.4.1～步骤2.4.2，得到一组平均值分量集其中s＝1,2,…,w+1；

步骤3：计算平均值分量集中每个平均值分量的样本熵值，并根据样本熵值进行分组；

步骤3.1：计算平均值分量的标准差SD；

步骤3.2：初始化嵌入维数m和相似度公差r，其中r取值范围为0.1SD～0.25SD；

步骤3.3：将平均值分量重构为(n-m+1)个m维向量，分别记为其中

步骤3.4：利用公式(3)计算向量与的距离其中

步骤3.5：统计中满足的元素的个数，记为利用公式(4)计算与n-m的比值

步骤3.6：利用公式(5)计算的平均值，记为B^m(r)；

步骤3.7：令χ＝m+1，重复步骤3.3～步骤3.6，计算和B^χ(r)的值；

步骤3.8：利用公式(6)计算向量与的样本熵值SE^s(m,r)；

步骤3.9：令s'＝s+1,s＝1,2,…,w+1，重复步骤3.1～步骤3.8，依次计算平均值分量集中每个平均值分量的样本熵值，分别记为SE¹(m,r),SE²(m,r),…,SE^s(m,r),…,SE^w+1(m,r)，当任意两个样本熵值的比值时，将SE^s(m,r)、SE^p(m,r)所对应的分量划分为同一个分组F_b中；当时，将SE^s(m,r)、SE^p(m,r)所对应的分量划分为不同的分组中；其中max{SE^s(m,r),SE^p(m,r)}表示{SE^s(m,r),SE^p(m,r)}二者中取较大者，min{SE^s(m,r),SE^p(m,r)}表示{SE^s(m,r),SE^p(m,r)}二者中取较小者，SE^p(m,r)∈{SE¹(m,r),SE²(m,r),…,SE^s(m,r),…,SE^w+1(m,r)}，δ表示预设阈值，b＝1,2,…,f，f表示不同分组数；

步骤4：构建每个分组F_b的最优长短时记忆神经网络模型，得到f个最优长短时记忆神经网络模型；

步骤4.1：将同一个分组F_b中所有分量所对应的电力负荷值、温度值、日最高温度值、日最低温度值分为训练集和测试集

步骤4.2：采用长短时记忆神经网络模型对分组F_b中的训练集进行训练，当达到预设训练次数d时，取平均绝对百分误差最小的输出值所对应的模型作为最优长短时神经网络模型T_b；通过分组F_b中的测试集对模型T_b进行测试；

步骤4.3：令b'＝b+1,b＝1,2,…,f，重复步骤4.1～步骤4.2，得到各个分组所对应的最优长短时神经网络记忆模型；

步骤5：预测当天T_t时刻的电力负荷时，记录当天T_t时刻的温度值，以及当天的最高温度值、最低温度值；同时统计过去h天内每天的T_t时刻所对应的电力负荷历史值；

步骤6：将当天的最高温度值、最低温度值、T_t时刻的温度值以及过去h天内的h个电力负荷值，分别输入到f个最优长短时记忆神经网络模型中，通过每个最优长短时记忆神经网络模型输出一个电力负荷的预测值，累加各个电力负荷的预测值得到最终的电力负荷预测值。