[发明专利]一种考虑特征重要性值波动的MI-BILSTM预测方法

说明书

本发明提供一种考虑特征重要性值波动的MI‑BILSTM预测方法，属于电力系统中短期电力负荷预测领域。首先，该方法事先提取不同时刻下输入特征的重要性值，形成重要性值波动矩阵。其次，通过矩阵对原始输入特征进行动态修正，使之内部包含波动信息，即采用互信息法提取特征的重要性值波动，并动态修正原输入特征，使得修正后的输入特征中融合了重要性值波动的信息。最后，将修正后的输入特征带入BILSTM网络中进行短期负荷预测。本发明不仅保留权值共享结构在精简参数方面的优势，并且能够弥补其无法提取重要性值波动的缺陷，提高预测精度。

技术领域

本发明属于电力系统中短期电力负荷预测领域。涉及到互信息法及深度学习相关理论，特别涉及到一种基于互信息提取特征重要性值波动的MI-BILSTM预测方法。

背景技术

短期负荷预测通过对数学、统计学等各种分析工具的运用，探究历史负荷之间的关系与规律，并对未来几个小时或几天的负荷大小进行推测，以保障电力系统的安全运行。近年来，随着储能、新能源、电动汽车接入电网的规模不断增大，以及基于激励、价格的需求侧响应模式的持续发展，短期负荷预测的复杂度明显增加。同时，在电力市场化改革不断推进的背景下，高效、实时的电力交易成为必需，这对短期负荷预测的精确性和可靠性提出了更高的要求。目前，基于深度学习的短期负荷预测已经成为相关领域研究和应用的热点之一。

在深度学习中，LSTM凭借其特有的循环单元，能够同时处理时序性和非线性问题，使得其在短期电力负荷预测中广泛使用。但是，LSTM模型中的权值共享结构具有时不变性，会对负荷预测的精度产生影响。在使用LSTM模型进行短期负荷预测前，需要选取影响负荷变化的因素作为输入特征，包括气象、日期和历史负荷值等。输入特征在不同时刻下对负荷变化的影响力不同，即其重要性值随时间发生了波动。例如，温度在一天中的不同时刻对负荷变化的影响大小具有明显差异。而权值共享结构的时不变性，使之不能动态追踪输入特征的重要性值随时间而产生的波动，进而影响预测精度。因此，需要采用互信息(mutualinformation,MI)度量不同时刻下输入特征的重要性，并进行动态修正，以提高预测精度。

发明内容

本发明的目的是为了追踪输入特征的重要性值随时间出现的波动，进一步提高预测精度，提出一种考虑特征重要性值波动的MI-BILSTM短期负荷预测方法。该方法事先提取不同时刻下输入特征的重要性值，形成重要性值波动矩阵，接着通过矩阵对原始输入特征进行动态修正，使之内部包含波动信息。最后，将修正后的输入特征带入BILSTM网络中进行短期负荷预测，不仅保留权值共享结构在精简参数方面的优势，并且弥补其无法提取重要性值波动的缺陷，提高预测精度。

本发明的技术方案是：

一种考虑特征重要性值波动的MI-BILSTM短期负荷预测方法，包括以下步骤：

步骤1.确定预测日期。

步骤2.将预测日的日期特征、气象特征输入数据库。

步骤3.数据库数据预处理，包括缺失数据补充、数据归一化。

步骤4.采用高斯混合模型聚类(gaussian mixture model,GMM)进行日负荷场景划分。首先将日期特征作为初次GMM聚类的输入，完成日负荷场景的初次划分工作。

所述GMM聚类的求解步骤如下：

(1)初始化k个多元高斯分布的参数α、μ和Σ，三组参数如式(1)所示：

式中，α_j、μ_j和∑_j分别为第j个高斯分布的权重、均值和协方差；k为高斯分布的总个数。

(2)遍历所有样本点，计算样本点x_i由第j类别所生成的概率γ_j(x_i)，计算公式如式(2)所示：