本发明涉及电力信息
技术领域：
，具体涉及一种基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法。
背景技术：
：电力能源是现代社会的支柱性能源，准确有效的对电网负荷进行预测，对于电网的安全平稳运行、电力生产的经济高效至关重要，因此负荷预测一直以来是电力信息领域的一个研究热点。对于一个用能对象而言，其能耗受到自身特性、外部环境和时间周期等多个因素的影响，导致负荷数据的外在表现为随机性很大，难以基于物理机理进行有效分析、预测，线性回归等传统模型在复杂用能对象的实际负荷预测中无法满足要求。随着智能电网的建设、投入和信息技术的蓬勃发展，一方面用能对象的能耗数据和外部环境数据可以被实时或定期记录，产生了海量的电能负荷历史数据；另一方面基于数据的信息处理方法不断涌现，在刻画对象的潜在特性和随机性方面超越了传统的机理分析方法。目前，常用的电力负荷预测方法有人工神经网络(artificialneuralnetworks,ann),支持向量机(supportvectormachine,svm)和自回归滑动平均模型(autoregressiveintegratedmovingaveragemodel,arima)等方法。传统技术存在以下技术问题：但是这些方法在实际应用中，通常无法对能耗数据本身的周期性和外部随机性进行兼顾，因而最终的预测准确率有限。技术实现要素：本发明要解决的技术问题是提供一种基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，该方法能够基于历史能耗数据和外部环境数据，有效地分析用能对象的自身能耗特性以及同外部因素的耦合关系，充分地挖掘电力能耗的周期性特点，在模型训练完成后，能够基于实际历史数据对未来时刻的电力负荷进行准确预测。该发明可以使用于电力系统分析、电网预测调度等电力信息领域的问题。为了解决上述技术问题，本发明提供一种基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，具体步骤如下：第一步，历史数据汇总根据所选定的用能对象，对其电力能耗数据进行采集汇总，并记录下对应时刻的外部环境数据；第二步，数据预处理，获取时序数据池对汇总的历史数据进行预处理，剔除异常值，之后进行归一化处理，将得到的数据作为模型训练所需的时序数据池；第三步，lstm网络建模与模型训练在时序数据池中，以长度为n的历史时序数据(xt-n 1,...,xt)做为模型输入，来对未来连续m个时刻的能耗数据(yt 1,...,yt m)作为模型输出，构建lstm网络模型，并采用时序数据池中的数据对模型进行训练。第四步，根据实际历史数据和训练完成的lstm网络模型，对未来时刻的电力负荷进行预测。在其中一个实施例中，在第一步中，所需记录的外部环境数据包括温度、湿度、风力、降水等可获取到的气象数据和该时刻所对应的节假日信息。在其中一个实施例中，在第二步中，对异常的能耗数据值进行剔除，具体地：计算所有获取到的历史数据的平均值与标准差：对(μ-3σ，μ 3σ)区间外的能耗数据进行剔除。在其中一个实施例中，在第二步中，对小范围的缺失数据进行线性填补，具体地：其中m-n应当小于3，不属于该情况的对相应的缺失时序数据条进行整体剔除。在其中一个实施例中，在第二步中，为消除不同量纲的影响，对清洗、填补后的能耗、气象数据进行归一化，具体地：在其中一个实施例中，在第二步中，对节假日信息进行二值化处理，具体地，如果当日为工作日，则x＝1，否则x＝0。在其中一个实施例中，在第三步中，所构建的lstm网络的输入信息包括：前24小时的电能负荷，预测时刻的温度、湿度、气压、风向和节假日信息，共计29组数据。在其中一个实施例中，在第三步中，所构建的lstm网络共包含两个隐层，第一个隐层包括20个lstm单元，第二个隐层包括10个lstm单元。在其中一个实施例中，在第三步中，所构建模型中的每个lstm单元中，共包含单元状态和隐状态两个状态和遗忘门、输入门和输出门三个门限，具体地：单元状态表示当前单元自身的属性，在t时刻记为ct；隐状态表示当前神经元对外输出的属性，在t时刻记为ht；遗忘门根据当前时刻的输出和前一时刻的隐状态，来对前一时刻的单元状态进行选择，ft＝σ(wf·[ht-1,xt] bf)其中σ(·)为sigmoid函数，wf和bf分别为遗忘门的权重和偏执项；输入门根据输入和前一时刻的隐状态来产生候选单元状态，并根据门限情况进行筛选，it＝σ(wi·[ht-1,xt] bi)类似的，其中tanh(·)为双曲正切函数，wc和bc为产生候选单元状态的权重和偏执项，wi和bi分别为输入门限的权重和偏执项；之后对单元状态进行更新；输出门根据当前时刻的单元状态确定隐状态的值，并根据当前时刻输入和前一时刻隐状态进行筛选，ot＝σ(wo·[ht-1,xt] bo)ht＝ot·tanh(ct)其中，wo和bo分别为输出门限的权重和偏执项，最终产生隐状态ht作为lstm单元的整体输出传递到下一层和下一时刻。在其中一个实施例中，在第三步中，所构建的lstm网络输出层为一个线性层，具体地，ypred＝wh·ht bh其中，wh和bh分别为输出层的权重和偏执项。在其中一个实施例中，在第三步中，所构建的lstm网络模型的评价指标为均方根误差，具体地，在其中一个实施例中，在第三步中，对于所构建的lstm网络模型，采用adam算法进行训练，学习率设为0.001，训练时长为1500epochs。基于同样的发明构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。基于同样的发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。本发明的有益效果：本发明基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，将电能负荷预测抽象为一个时间序列分析问题，采用人工智能方法进行求解。首先对历史数据进行有效地预处理，通过清洗、线性填补和归一化，保证了数据的完整性和可利用性；采用lstm网络作为能耗建模的基准模型，充分考虑了能耗信息的时间序列特性，避免了普通循环神经网络存在的梯度消失问题；同时分析了电能消耗相关的外部因素，进行联合建模；训练方法对于不同数据下的模型具有较好的鲁棒性。从实验验证情况来看，本发明在应用中能够有效提高用能对象负荷预测的准确性。附图说明图1是本发明基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法的流程图。图2是本发明基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法中lstm单元的结构图。图3是本发明基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法中1500epochs训练效果图。图4是本发明基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法中模型预测效果图。具体实施方式下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。本发明基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，如图1所示，按照如下详细步骤进行处理：历史数据采集汇总根据所选定的预测对象，对其每小时的历史能耗数据进行采集汇总，从图4中的实际负荷曲线可以看出，电能负荷除了存在一定的周期性外，还同时存在波动性和偶然性，这是由于受到外部因素影响。根据考察分析，外部气象因素与能耗关系较为密切，因此结合可获取的数据情况，选取温度、湿度、气压和风力共4中气象数据加入到能耗模型中；除此之外，节假日也对能耗影响至关重要，因此也应当考虑到能耗模型当中。采集汇总后的数据样表如表1所示。表1时间负荷温度湿度气压风力01/01/201100：59970-4.170.741013.9075.4201/01/201101：59932-4.430.7317391013.85.5601/01/201102：59884-4.760.7203851013.85.0101/01/201103：59839-5.130.731012.884.5901/01/201104：59813-5.500.731012.84.3001/01/201105：59819-5.990.731012.84.6901/01/201106：59853-5.920.7446151012.84.7601/01/201107：59891-5.740.76841011.7885.38数据预处理对采集汇总后的数据进行预处理操作，便于后续模型处理。首先剔除异常负荷及其对应的数据条，具体地，计算所有获取到的历史能耗数据的平均值与方差：对(μ-3σ，μ 3σ)区间外的能耗数据进行剔除。其次，对小范围的缺失数据进行线性填补，具体地，其中m-n应当小于3，不属于该情况的对相应的缺失时序数据条进行整体剔除。然后，为消除不同量纲带来的影响，对清洗、填补后的能耗、气象数据进行归一化，具体地：最后，对节假日信息进行二值化处理，具体地，如果当日为工作日，则x＝1，否则x＝0。模型建立与训练对于负荷预测任务而言，需要根据历史数据来对目标时刻的负荷进行预测。在此，本发明不失一般性的采用前24小时的能耗数据和预测时刻的外部辅助信息来对负荷进行建模预测。具体地，模型输入包括前24小时的电能负荷，预测时刻的温度、湿度、气压、风向和节假日信息，共计29组数据；模型输出为预测时刻的负荷。对此，本发明基于pytorch深度学习框架来建立lstm网络模型，具体地，模型包含两个隐层和一个输出层。第一个隐层包含20个lstm单元，第二个隐层包含10个lstm单元。每个lstm单元包含单元状态和隐状态两个状态和遗忘门、输入门和输出门三个门限，具体地：单元状态表示当前单元自身的属性，在t时刻记为ct；隐状态表示当前神经元对外输出的属性，在t时刻记为ht；遗忘门根据当前时刻的输出和前一时刻的隐状态，来对前一时刻的单元状态进行选择，ft＝σ(wf·[ht-1,xt] bf)其中σ(·)为sigmoid函数，wf和bf分别为遗忘门的权重和偏执项；输入门根据输入和前一时刻的隐状态来产生候选单元状态，并根据门限情况进行筛选，it＝σ(wi·[ht-1,xt] bi)类似的，其中tanh(·)为双曲正切函数，wc和bc为产生候选单元状态的权重和偏执项，wi和bi分别为输入门限的权重和偏执项；之后对单元状态进行跟新；输出门根据当前时刻的单元状态确定隐状态的值，并根据当前时刻输入和前一时刻隐状态进行筛选，ot＝σ(wo·[ht-1,xt] bo)ht＝ot·tanh(ct)其中，wo和bo分别为输出门限的权重和偏执项，最终产生隐状态ht作为lstm单元的整体输出传递到下一层和下一时刻。模型的输出层为一个线性层，具体地，ypred＝wh·ht bh其中，wh和bh分别为输出层的权重和偏执项。模型构建完成后，设定模型损失函数为均方根误差，具体地，基于所获取、处理的数据，采用adam算法对模型进行训练，学习速率为0.001，训练时长为1500epochs。模型训练效果如图3所示。实际负荷预测模型训练完成后，基于实际的历史数据和预测时刻的外部辅助信息，对未来时间的负荷进行预测，用来辅助参考电网的分析、运维、调度等工作。由于训练数据是归一化后的，模型得到预测值后，需要再进行反变换得到最终的预测负荷，具体地。为了验证本发明的实际效果，本发明采用2011年卢布尔雅那某处全年的真实负荷数据和气象数据来进行实验分析，其中节假日只考虑平日与周末两种情况。实验结果表明所构建的模型能够准确预测用能对象的负荷变化，对于电网的分析、预警可以起到较大的积极作用。具体地，采用前90％的数据作为训练集，用来指导模型训练，后10％数据作为验证集，用来验证模型预测效果。模型经过1500epochs的训练后，损失函数下降到较低的水平，此时结束训练，采用模型来预测验证集中的负荷，预测结果如图4所示，其中纵坐标为负荷，横坐标为时间，蓝色曲线为真实负荷，橙色曲线为预测负荷。可以看出，真实负荷具有很强的周期性和一定的随机性。而由基于历史数据和外部辅助数据的lstm网络模型所得到的最终预测值，可以准确的拟合真实负荷的趋势，仅在每日的波峰和波谷存在少量误差。本发明仅利用用能对象的历史能耗数据和较为轻易获取的外部辅助信息来对未来时刻的负荷进行有效预测，不涉及具体的用能对象机理研究，无需相应的先验知识，而是通过lstm网络构建数据模型的方式来完成负荷预测任务。基于pytorch框架开发，整体方法流程简便可靠。同时，该模型在应用时，可以根据实际情况，灵活的调整数据的时间粒度和预测不长，相对于传统的方法更加灵活，有利于实际负荷预测任务的准确性和实时性。以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本
技术领域：
的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。当前第1页1 2 3
技术特征：1.一种基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，包括：
根据所选定的用能对象，对其历史电力能耗数据和对应时刻的外部环境数据进行采集汇总。
对汇总的以上数据进行预处理，剔除异常值，之后进行归一化处理，将得到的数据作为模型训练所需的时序数据池；
在时序数据池中，以长度为n的历史时序数据(xt-n 1,...,xt)做为模型输入，以未来连续m个时刻的能耗数据(yt 1,...,yt m)作为模型输出，构建lstm网络模型，并采用时序数据池中的数据对模型进行训练；
根据实际历史数据和训练完成的lstm网络模型，对未来时刻的电力负荷进行预测。
2.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所述外部环境数据包括该时刻所对应的温度、湿度、风力、降水和节假日信息。
3.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所构建的lstm网络的输入信息包括：前24小时的电能负荷，预测时刻的温度、湿度、气压、风向和节假日信息，共计29组数据。
4.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所构建的lstm网络共包含两个隐层，第一个隐层包括20个lstm单元，第二个隐层包括10个lstm单元。
5.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所构建模型中的每个lstm单元中，共包含单元状态和隐状态两个状态和遗忘门、输入门和输出门三个门限，具体地：
单元状态表示当前单元自身的属性，在t时刻记为ct；
隐状态表示当前神经元对外输出的属性，在t时刻记为ht；
遗忘门根据当前时刻的输出和前一时刻的隐状态，来对前一时刻的单元状态进行选择，
ft＝σ(wf·[ht-1,xt] bf)
其中σ(·)为sigmoid函数，wf和bf分别为遗忘门的权重和偏执项；
输入门根据输入和前一时刻的隐状态来产生候选单元状态，并根据门限情况进行筛选，
it＝σ(wi·[ht-1,xt] bi)
其中tanh(·)为双曲正切函数，wc和bc为产生候选单元状态的权重和偏执项，wi和bi分别为输入门限的权重和偏执项；
之后对单元状态进行更新；
输出门根据当前时刻的单元状态确定隐状态的值，并根据当前时刻输入和前一时刻隐状态进行筛选，
ot＝σ(wo·[ht-1,xt] bo)
ht＝ot·tanh(ct)
其中，wo和bo分别为输出门限的权重和偏执项，最终产生隐状态ht作为lstm单元的整体输出传递到下一层和下一时刻。
6.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，在第三步中，所构建的lstm网络输出层为一个线性层，具体地，
ypred＝wh·ht bh
其中，wh和bh分别为输出层的权重和偏执项。
7.如权利要求1所述的基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，其特征在于，所构建的lstm网络模型，采用adam算法进行训练，学习率设为0.001，训练时长为1500epochs。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。
技术总结本发明提供了一种基于长短期记忆神经网络与外部辅助信息的电力负荷预测方法，所述方法首先根据所确定的研究对象，对历史用能数据、气象数据和节假日信息进行采集汇总，形成初始序列数据集；之后对所汇总的数据集进行数据清洗，剔除缺失时刻的时序数据条，插补小范围缺失数据，并将数据进行归一化，形成时序数据池；然后构建长短期记忆神经网络模型，并基于时序数据池对模型进行训练。本方法在长短期记忆神经网络的基础上，考察、结合了电力能耗与气象和节假日信息的耦合关系，具有模型精度高，预测周期灵活的特点，有利于电网的调度、分析等应用。
技术研发人员：王林钰;郭磊;楚天舒;陈浩;黄晓霖
受保护的技术使用者：国网(苏州)城市能源研究院有限责任公司;国网江苏省电力有限公司
技术研发日：2020.02.24
技术公布日：2020.06.05
