基于神经网络的电力负荷预测「长短记忆神经网络」

今天带来基于神经网络的电力负荷预测「长短记忆神经网络」，关于基于神经网络的电力负荷预测「长短记忆神经网络」很多人还不知道，现在让我们一起来看看吧！

电力负荷预测问题旨在预测出电网中单条或者多条输电线的用电需求，根据预测的时间跨度可分为：短期预测（几分钟到一周）、中期预测（一个月到一个季度）和长期预测（一年以上）。由于现有技术条件下，电能很难有效地存储在大型储电装置中，因此，在满足供电需求的条件下，尽可能地降低剩余发电量，是减少成本，提高电能使用效率的有效途径。因此，采用各种预测方法准确地预测出区域内中短期供电负荷，对规划和指导发电企业有效生产电能是十分必要的。目前，有很多主流的方法应用于电力负荷预测，像人工神经网络（Artificial Neural Network，ANN）、支持向量机（Support Vector Machine，SVM）、高斯过程回归（Gaussion Process Regression，GPR）、自回归移动平均模型（Autoregressive Integrated Moving Average Model，ARIMA）等。电力负荷与很多隐变量相关，如光照、风力、节假日等等，这些变量一般难以获取或者量化，但是可以合理地认为位于同一区域的城市拥有相似的隐变量。所以这些相邻城市的电力负荷数据是高度相关的，运用多任务学习技术将会提高这些相似区域的负荷预测精度。

多任务学习是一种通过同时联合学习多个相关任务来提高泛化能力的技术，当模型中的部分参数在任务之间被合理共享时，就能同时提高这些相关任务的负荷预测效果。近年来，随着深度学习理论研究的深入发展，将深度学习理论应用于电力系统的用电需求预测是一项很有意义的工作。现有的各种基于神经网络的预测方法很少能同时预测出跨区域的用电负荷，且提出的供电负荷预测模型并不精确。

问题拆分

通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素（S21）；采用长短时记忆神经网络对历史时刻的电力负荷数据和区域特征因素进行训练建模，以训练生成深度神经网络负荷预测模型（S22），该深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或双层多任务深度神经网络模型；利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果（S23）；通过计算机的输出单元输出该区域内的电力负荷预测结果（S24）。基于深度学习领域中的LSTM网络来构建多任务学习的电力负荷预测模型，能够精确预测出多区域的用电负荷，提升了预测效果。

问题解决

为实现上述目的，本发明提供了一种基于长短时记忆神经网络的电力负荷预测方法，该方法包括如下步骤：

通过计算机的输入单元输入历史时刻的电力负荷数据和区域特征因素；

采用长短时记忆神经（LSTM）网络对所述历史时刻的电力负荷数据和区域特征因素进行训练建模，以训练生成深度神经网络负荷预测模型，所述深度神经网络负荷预测模型为用于供电负荷预测的单层多任务深度神经网络模型或者双层多任务深度神经网络模型；

利用训练生成的深度神经网络负荷预测模型对所需预测区域内的电力负荷进行预测并产生该区域内的电力负荷预测结果；

通过计算机的输出单元输出所需预测区域内的电力负荷预测结果。

优选的，所述深度神经网络负荷预测模型表示为如下公式：

其中，

，是一天当中的时间，以小时为单位；

是一年当中的天数，以天为单位；c是一天的类型；y 1是包含一段历史用电需求的历史电力负荷数据；u 1是一个包含区域特征因素的实值向量；id代表用电需求的区域标识。

优选的，所述LSTM网络是一种改进型的迭代神经网络，该迭代神经网络通过对隐层状态向量h t递归应用状态转移函数f来处理输入序列的网络，处于时间步长t的隐层状态向量h t由当前输入序列x t和上一时刻的隐层状态向量h t-1决定，所述隐层状态向量h t采用如下公式表示：

优选的，所述LSTM网络由输入层、LSTM网络层和输出层构成。

优选的，所述LSTM网络层包括输入门i t、输出门o t和遗忘门f t以及记忆单元c t，在时刻t，记忆单元c t记录到当前时刻t为止的所有历史信息并受到输入门i t、输出门o t和遗忘门f t这三个逻辑门控制，该三个逻辑门的输出值均在0和1之间。

优选的，所述遗忘门f t控制LSTM网络层的信息檫除，所述输入门i t控制LSTM网络层的信息更新，所述输出门o t控制内部状态的信息输出。

优选的，所述LSTM网络的输入序列为x=(x 1,x2,...,x t)，由输入层输入至LSTM网络层，输出序列为y=(y 1,y 2,...,y t)，由输出层从LSTM网络层输出，其中，T是预测期，x是历史输入数据，y是预测负荷，所述LSTM网络层的参数迭代更新方式如下公式（1）-（6）所示：

其中，x t是t时刻的输入序列，σ表示为sigmoid函数，⊙表示为元素间的相乘，W是输入权重，U是隐层状态 的循环权重，V是历史信息的影响权重，tanh为隐层状态h的双曲正切函数。

优选的，所述单层多任务深度神经网络模型的多个相关任务共享一个相同的LSTM网络层，该相同的LSTM网络层在时刻t的输出表示为h t (s)，其中初始化参数是均匀分布在[-0.1，0.1]之间的随机采样值。

优选的，所述双层多任务深度神经网络模型的两个相关任务各自赋予一个LSTM网络层，每个任务分别使用另一个任务的LSTM网络层的相关信息，并通过一个全局门控单元来控制双层多任务深度神经网络模型的信息接收。

优选的，所述双层多任务深度神经网络模型的LSTM网络层在时刻 的输出表示为h t (m)和h t(n)，其中，h t (m)和h t (n)的初始化参数是均匀分布在[-0.1，0.1]之间的随机采样值，(m,n)为给定一组相关任务，第m个任务的LSTM网络层的记忆信息如公式所示：

其中，

，x t是t时刻的输入序列，σ表示为sigmoid函数，W是输入权重，U是隐层状态 的循环权重，V是历史信息的影响权重，tanh为隐层状态h的双曲正切函数。

有益效果

相较于现有技术，本发明所述基于长短时记忆神经网络的电力负荷预测方法基于深度学习领域中的长短时记忆神经网络（Long Short-term Memory Neural Network，LSTM）来构建多任务学习的负荷预测模型，以进一步提升预测效果。本发明提出了跨区域的供电负荷预测模型，能够同时预测出跨区域的用电负荷，而且预测效果较现有用电负荷预测模型更精确。