申请/专利权人：沈阳工业大学;国网辽宁省电力有限公司电力科学研究院;国网辽宁省电力有限公司

申请日：2020-06-22

公开（公告）日：2024-03-22

公开（公告）号：CN112016734B

主分类号：H02J3/00

分类号：H02J3/00;G06Q50/06;G06N3/0442;G06N3/0455;G06N3/084;G06N3/0985;G06N20/20;G06N5/01

优先权：["20200407 CN 202010265829X"]

专利状态码：有效-授权

法律状态：2024.03.22#授权;2020.12.18#实质审查的生效;2020.12.01#公开

摘要：本发明属于负荷预测技术领域，具体涉及基于LSTM栈式自编码多模型荷预测方法及系统。该方法包括获取数据集，对数据集进行预处理；建立电动汽车充电开始时间的概率模型并重构数据集；构建LSTM栈式自编码结构并训练；利用XGBoost模型预测短期负荷，并进行指标评价。该系统包括获取数据集模块，预处理模块，概率模型和重构模块，LSTM栈式自编码结构的构建和训练模块，预测模块，指标评价模块。本发明提出的方法能够考虑电动汽车充电负荷的影响，最大程度利用原始数据，深度学习其内部特征，有效提高短期负荷预测精度。

主权项：1.基于LSTM栈式自编码多模型荷预测方法，其特征在于：该方法包括：步骤1：获取数据集，对数据集进行预处理；步骤2：建立电动汽车充电开始时间的概率模型并重构数据集；步骤3：构建LSTM栈式自编码结构并训练；步骤4：利用XGBoost模型预测短期负荷，并进行指标评价；数据集的获取包括采集负荷数据、电价数据、温度、湿度、待测日一周前负荷数据、星期类型、法定节日，采样周期为15min，按时间序列排列，构建数据集；时间序列分为两列，第一列为年-月-日-小时-时刻，第二列为历史数据值；对数据集进行预处理，对于在时间上有连续性的变量历史负荷数据、温度、湿度，基于格拉布斯准则法判断异常值并清理，采用Lagrange三次样条插值补全残缺数据，最后对数据集归一化处理；格拉布斯准则法如下： 其中，G1,G2分别为判断最小、最大值是否异常；为均值，S为标准差；若G1,G2分别大于对应的判据G则表示该最小、最大值为异常值；其中，判据G依据格拉布斯的临界值表选取；考虑到是时序性变量在时间上的连续性，将异常值修正为其前后两值的均值，该方式在数据集上迭代进行，直到无异常值为止；Lagrange完备三次样条插值法如下：已知函数y＝fx在区间[a,b]上的值yi＝fxii＝0,1,2,…n，其中：a＝x0＜x1＜…＜xn-1＜xn＝b；插值函数Sx满足：Sxi＝yii＝0,1,2,…n；Sx在每个小区间[xi,xi+1]i＝0,1,2,…n上均为三次多项式，记作Six；Sx在[a,b]上二阶连续可微；因此，记为： 进而得： 选取的边界条件为：S'a＝y'0,S'b＝y'n5其中，y0′表示函数fx在x0处的导数，yn′表示函数fx在xn处的导数；归一化流程：对于具有时序性的连续变量，标准化公式为： 其中，X表示实际值，Xmin表示样本中最小值，Xmax表示样本中最大值，X'表示归一化处理后的值，应使归一化处理后的值在0～1间；对于离散型变量，规定晴好天气影响因子为1，雾霾多云天气影响因子为0.5，雨雪天气影响因子为0.1，极端天气影响因子为0，规定工作日影响因子为1，休息日影响因子为0；建立电动汽车充电开始时间的概率模型并重构数据集：从数据时序性角度考虑电动汽车的充电负荷对短期负荷预测的影响；从电动汽车用户行为角度建立概率模型，以日出行结束时刻作为充电需求开始时刻，拟合电动汽车用户日出行结束时刻概率分布： 其中，t表示日出行结束时刻，σ和μ分别表示电动汽车日出行结束时刻统计数据的标准差和均值；通过蒙特卡洛法建立电动汽车充电需求的时间概率模型，并在处理后作为时序性输入插入数据集；构建LSTM栈式自编码结构并训练：采用LSTM栈式自编码提取数据特征，堆栈的LSTM编码层作为隐藏层，自动编码器由三层组成，分别为输入层、隐藏层和输出层；训练过程包括编码阶段和译码阶段；给定未标记的输入数据集，其中n＝1,2,...,N且xn∈Rm，两个阶段表示为：hx＝fW1x+b18 其中，hx表示从输入向量x计算得出的隐藏编码向量，是输出层的译码器向量；f为编码函数，g为解码函数，W1和W2分别为编码器和解码器的权矩阵，b1和b2分别为各相位的偏置向量；输入与重构输入或输出之间的差异称为重构误差，在训练期间模型使最小化；LSTM网络模块具有三个门结构：遗忘门、输入门、输出门；采用sigmoid和tanh函数，用σ表示sigmoid函数变化；遗忘门：ft＝σWfxxt+Wfhht-1+bf10当前时刻的输入xt与前一时刻状态记忆单元Ct-1、中间输出ht-1共同决定状态记忆单元遗忘部分；输入门：it＝σWixxt+Wihht-1+bi11gt＝tanhWgxxt+Wghht-1+bg12 其中，Ct-1表示前一时刻状态记忆单元的保留向量；输入xt和中间输出ht-1分别经过sigmoid和tanh函数变化后共同决定状态记忆单元中保留向量；输出门：ot＝σWoxxt+Wohht-1+bo14 输出ht由更新后的Ct与输出ot共同决定；上式中，ft,it,gt,ot,ht和Ct分别为遗忘门、输入门、输入节点、输出门、中间输出和状态记忆单元的状态；Wfx,Wfh,Wix,Wih,Wgx,Wgh,Wox和Woh分别为相应门与输入xt和中间输出ht-1相乘的矩阵权重；bf,bi,bg,bo分别为相应门的偏置项；表示向量中元素按位相乘；表示矩阵加法；在Python3.7下通过Keras库搭建LSTM网络，利用Adam算法优化；利用XGBoost模型预测短期负荷和评价指标：XGBoost模型将LSTM栈式自编码提取的特征作为输入序列，XGBoost模型采用贪心算法，通过集合方式防止过拟合现象，且泛化能力强；XGBoost模型作为一种提升树模型，实现了多种树模型的集成，这些树模型为CART回归树模型；XGBoost模型如下所示： 为第i个样本的模型预测值；K为树的数量；F为树的集合空间；xi表示第i个数据点的特征向量；fk对应第k棵独立的树的结构q和叶子权重w相关状况；损失函数L： 其中，为预测值和目标值yi之间的训练误差之和；为树的复杂度之和，用于控制模型复杂度的正则项： 其中γ和λ为模型的惩罚系数；w表示叶子权重，T表示叶子结点数量，损失函数在序列最小化过程中，每一轮加入的增量函数ftxi尽可能使损失函数最大程度减小；第t轮的目标函数表示为： 采用二阶泰勒展开的方式近似目标函数；设第j个叶子结点的样本集合为Ij＝{i|qxi＝j}；其中和分别为损失函数的一、二阶导数；得： 设Gj表示叶子结点j所包含样本的一阶偏导数累加之和，是一个常量；Hj表示叶子结点j所包含样本的二阶偏导数累加之和，是一个常量，得： wj表示叶子结点j的权重，Lt表示第t轮损失函数，对w求偏导得到： 将权值代入目标函数得到： 损失函数越小表示模型越好；采用贪心算法对子树划分，每次对已有的叶子增加新划分，计算最大增益： 其中和分别表示左、右子树分裂后产生的增益，为不进行子树分裂的增益；XGBoost的泛化能力较强，通过集合的方式防止过拟合，XGBoost模型输出预测结果后，选择平均误差，平均相对误差和相对均方误差作为评价指标： 其中，n为预测点个数，xt表示t时刻实际观测的负荷值，yt表示t时刻负荷预测值；ME反映整体预测值平均偏差的情况，值越小偏差越小；MAPE能够反映相对平均偏离程度，值越小表明模型预测精度越高；RMSE反映预测模型的可靠性，值越小则模型越可靠。

全文数据：

权利要求：

百度查询： 沈阳工业大学;国网辽宁省电力有限公司电力科学研究院;国网辽宁省电力有限公司 基于LSTM栈式自编码多模型荷预测方法及系统

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