申请/专利权人：安徽工业大学

申请日：2023-10-20

公开（公告）日：2023-12-15

公开（公告）号：CN117239734A

主分类号：H02J3/00

分类号：H02J3/00;G06N3/0442;G06N3/045;G06N3/084;G06F17/18;G06F17/16;G06F18/27;G06Q50/06;G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.02#实质审查的生效;2023.12.15#公开

摘要：本发明属于电力系统与自动化技术领域，具体涉及一种基于Lasso‑IGWO‑BiLSTM的短期电力负荷预测方法。本发明有效地解决了捕获时间序列数据的长期依赖信息、特征冗余、多重共线性、超参数优化等问题；采用BiLSTM学习过去与未来的信息对当前电力负荷的影响，实现长期依赖信息的捕获；Lasso通过惩罚系数将某些系数压缩到零，从而实现自动特征选择，可以有效地识别并选择出与电力负荷密切相关的特征；IGWO通过优化算法进行全局搜索，自动地找到最优的超参数组合，提高预测模型的性能。本发明方法与传统的统计学和机器学习方法相比，克服了处理大规模数据和高度非线性复杂关系的问题，与目前的深度学习方法相比，进一步提高了短期电力负荷预测的精度。

主权项：1.一种基于Lasso-IGWO-BiLSTM的短期电力负荷预测方法，其特征在于，包括以下步骤：步骤一、获取公开数据集，并对该数据集进行预处理，主要包括缺失值处理、异常值处理和归一化处理；步骤二、采用Lasso回归方法对数据集进行特征提取和降维，只保留对模型预测效果有贡献的特征，并解决多重共线性问题，再计算特征间的相关系数，以验证特征选择的合理性；步骤三、构建BiLSTM神经网络预测模型，采用BiLSTM双向结构对序列中距离较远的信息进行建模，得模型能够同时捕获过去和未来的信息；步骤四、采用改进的灰狼优化算法对BiLSTM神经网络模型的超参数进行调优，从而获取最优的Lasso-IGWO-BiLSTM电力负荷预测模型。

全文数据：

权利要求：

百度查询： 安徽工业大学 一种基于Lasso-IGWO-BiLSTM的短期电力负荷预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD