本發(fā)明屬于電力系統(tǒng)負荷人工智能技術(shù)預(yù)測，具體涉及一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法。

背景技術(shù)：

1、準(zhǔn)確的電力負荷預(yù)測有利于電網(wǎng)安全、經(jīng)濟運行，為電網(wǎng)規(guī)劃提供基礎(chǔ)數(shù)據(jù)依據(jù)，對現(xiàn)代電力系統(tǒng)發(fā)展起著重要作用，對電網(wǎng)規(guī)劃的質(zhì)量有決定性影響。如何提高負荷預(yù)測的準(zhǔn)確率一直以來是學(xué)者們研究的熱點問題。

2、近年來人工智能技術(shù)憑借其非線性擬合的優(yōu)勢，其已被廣泛應(yīng)用于電力負荷預(yù)測場景中。伴隨著智能電網(wǎng)的發(fā)展，電網(wǎng)數(shù)據(jù)變得豐富，越來越多的影響因素受到考慮，但影響因素的數(shù)據(jù)出現(xiàn)越來越多的時間尺度，數(shù)據(jù)顆粒度更細，以及非等時間間隔采集的特征。需探索多時間尺度數(shù)據(jù)的處理方法來實現(xiàn)將這些數(shù)據(jù)融入一個模型中。

3、電力負荷預(yù)測方法的發(fā)展趨勢是將越來越多的因素納入考慮。在較多因素交互影響的情況下，從解析的方法向非解析的、智能的方向發(fā)展。當(dāng)前常用的負荷預(yù)測方法存在以下問題：伴隨著智能電網(wǎng)的快速發(fā)展，電網(wǎng)組成更加豐富，影響電力負荷的因素也呈現(xiàn)于更多時間尺度，且其對于負荷的影響程度不一致。而神經(jīng)網(wǎng)絡(luò)越深，表達能力越強，允許在更大的函數(shù)空間中尋找對真實規(guī)律的近似映射。在一個合適的優(yōu)化方法的輔助下，神經(jīng)網(wǎng)絡(luò)能夠收斂到良好的預(yù)測效果。

技術(shù)實現(xiàn)思路

1、為解決上述技術(shù)問題，考慮不同時間尺度因素的重要程度，本發(fā)明提供一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，首先，利用離散小波分解將歷史負荷數(shù)據(jù)分解至不同頻率尺度，為使預(yù)測模型更好的把握長、中、短期因素對電力負荷的影響程度，在模型中引入卷積神經(jīng)網(wǎng)絡(luò)，在提取不同分量的負荷數(shù)據(jù)特征的同時，抑制噪聲干擾；然后，利用長短期記憶神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，進一步提升模型預(yù)測精度。該方法能在多因素交互影響的情況下，準(zhǔn)確的預(yù)測電力負荷數(shù)據(jù)。本發(fā)明可以為電力部門制定檢修計劃、進行決策規(guī)劃的提供重要數(shù)據(jù)，對于保障電力系統(tǒng)的安全、經(jīng)濟運行具有重要意義。

2、為達到上述目的，本發(fā)明采取的技術(shù)方案為：

3、一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，包括以下步驟：

4、步驟s1：獲取原始的電力負荷數(shù)據(jù)，獲得原始負荷序列，利用離散小波變換將原始負荷序列分解為低頻序列和高頻序列，并對高頻序列的高頻分量d進行降噪處理；

5、步驟s2：將經(jīng)過離散小波分解和去噪處理后的低頻分量a和高頻分量d分別輸入到cnn中，用于學(xué)習(xí)和提取每個分量的特征；

6、步驟s3：經(jīng)過cnn處理后的各分量數(shù)據(jù)進入到lstm模型中進行訓(xùn)練；

7、步驟s4：將各個分量經(jīng)過lstm模型預(yù)測得到的負荷值進行序列重構(gòu)，重構(gòu)后的結(jié)果即為最終的電力負荷預(yù)測值。

8、有益效果：

9、1)本發(fā)明利用離散小波變換將原始電力負荷數(shù)據(jù)分解為低頻分量和高頻分量，引入卷積神經(jīng)網(wǎng)絡(luò)用于學(xué)習(xí)和提取每個負荷分量的特征，使得模型在訓(xùn)練時能夠關(guān)注到不同尺度的特征；

10、2)本發(fā)明采用不同的神經(jīng)網(wǎng)絡(luò)模型對不同尺度下的負荷時間序列分量進行擬合預(yù)測，對小波系數(shù)中的非線性部分用卷積神經(jīng)網(wǎng)絡(luò)(cnn)處理，波動性部分用lstm神經(jīng)網(wǎng)絡(luò)處理，使得預(yù)測精度明顯提高；

11、3)對樣本數(shù)據(jù)進行歸一化處理，使得神經(jīng)網(wǎng)絡(luò)能夠快速收斂，且避免神經(jīng)元輸出飽和；

12、4)本發(fā)明方法能夠在多因素交互影響的情況下，準(zhǔn)確的預(yù)測電力負荷數(shù)據(jù)。

技術(shù)特征：

1.一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，其特征在于，所述步驟s1中，采用離散小波變換分解原始負荷序列包括以下步驟：

3.根據(jù)權(quán)利要求2所述的一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，其特征在于，步驟s1中，各層分量的關(guān)系如下：

4.根據(jù)權(quán)利要求1所述的一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，其特征在于，所述步驟s2中，cnn神經(jīng)網(wǎng)絡(luò)包括卷積層、激活函數(shù)、池化層和全連接層，所述卷積層使用一組可學(xué)習(xí)的濾波器來掃描輸入數(shù)據(jù)，每個濾波器負責(zé)提取一種特定的特征；所述激活函數(shù)引入sigmoid非線性函數(shù)，使網(wǎng)絡(luò)能夠?qū)W習(xí)復(fù)雜的模式；所述池化層降低特征圖的空間維度，減少計算量和參數(shù)數(shù)量，防止過擬合；所述全連接層將前面卷積層和池化層提取到的特征圖轉(zhuǎn)換為特征向量，以便將特征值輸入到后續(xù)lstm模型中。

5.根據(jù)權(quán)利要求2所述的一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，其特征在于，步驟s2中，cnn神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)表達式為：

6.根據(jù)權(quán)利要求1所述的一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，其特征在于，所述步驟s3中，lstm模型包括遺忘門、輸入門、輸出門和記憶單元神經(jīng)元，所述遺忘門以當(dāng)前時刻的輸入和上一時刻的輸出作為輸入，控制著上一時刻的單元狀態(tài)傳遞到當(dāng)前時刻的程度；所述輸入門控制新信息被加入的多少，與遺忘門一起配合更新本記憶單元的單元狀態(tài)；所述輸出門控制當(dāng)前單元狀態(tài)被刪除的程度。

7.根據(jù)權(quán)利要求6所述的一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，其特征在于，所述步驟s3包括：

8.根據(jù)權(quán)利要求1-7任一項所述的一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，其特征在于，步驟s1中，還包括對歷史負荷數(shù)據(jù)進行歸一化處理，計算公式為：

9.根據(jù)權(quán)利要求5所述的一種基于dwt-cnn-lstm模型的電力負荷預(yù)測方法，其特征在于，步驟s4中，基于分解后的各層小波系數(shù)，，，，，用低頻序列和高頻序列的預(yù)測值整合重構(gòu)出原始負荷序列的預(yù)測值。

技術(shù)總結(jié)
本發(fā)明公開一種基于DWT?CNN?LSTM模型的電力負荷預(yù)測方法，采用離散小波分解方法對采集到的原始負荷數(shù)據(jù)進行分解，得到低頻和高頻的負荷分量，噪聲主要集中在高頻分量中，在此基礎(chǔ)上對高頻分量進行去噪，不對低頻分量做特殊處理；將不同分量的負荷數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中，提取不同分量的負荷數(shù)據(jù)的特征；將卷積后的各負荷分量分別代入LSTM模型進行訓(xùn)練，得到各個負荷分量的LSTM負荷預(yù)測模型，然后將各個分量的負荷預(yù)測值進行序列重構(gòu)，即為電力負荷的預(yù)測值。本發(fā)明能夠有效地解決信號中存在噪聲的問題，準(zhǔn)確的預(yù)測電力負荷數(shù)據(jù)。

技術(shù)研發(fā)人員：彭生江,陟晶,王杰,薛遠天,楊雪梅,韓為宏,李超勝,楊晨來,張宏甜,宋長城,袁鐵江
受保護的技術(shù)使用者：國網(wǎng)甘肅省電力公司武威供電公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6