申请/专利权人:中南大学
申请日:2024-02-06
公开(公告)日:2024-04-26
公开(公告)号:CN117932272A
主分类号:G06F18/20
分类号:G06F18/20;G06F18/213;H02J3/00;G06N3/0442;G06N3/08;G06Q50/06
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本申请涉及一种基于PSO‑LSTM模型的多特征逐时电力负荷预测方法,包括:通过获取目标区域的历史逐时电力负荷数据以及目标区域对应的气象数据;对存在异常的历史逐时电力负荷数据进行异常处理;对处理后的历史逐时电力负荷数据进行归一化处理,并基于归一化处理的结果构建训练集和测试集;提取出正常的历史逐时电力负荷数据的时间特征数据,并组合气象数据构建多特征组合集;采用粒子群优化算法对LSTM模型进行优化;将多特征组合集和训练集输入至优化后的LSTM模型进行训练;将多特征组合集输入至训练完成的优化后的LSTM模型,最终得到预测逐时电力负荷数据,提升了逐时电力负荷的预测精度。
主权项:1.一种基于PSO-LSTM模型的多特征逐时电力负荷预测方法,其特征在于,包括:S1:获取目标区域的历史逐时电力负荷数据以及目标区域对应的气象数据;S2:找出所述历史逐时电力负荷数据中的异常值点,并对存在异常的所述历史逐时电力负荷数据进行异常处理;对处理后的所述历史逐时电力负荷数据进行归一化处理,并基于归一化处理的结果构建训练集和测试集;S3:提取出正常的历史逐时电力负荷数据的时间特征数据,并组合所述气象数据构建多特征组合集;S4:采用粒子群优化算法对LSTM模型进行优化;将所述多特征组合集和所述训练集输入至优化后的LSTM模型进行训练;S5:将所述多特征组合集输入至训练完成的优化后的LSTM模型,得到预测逐时电力负荷数据;S6:将所述预测逐时电力负荷数据与所述测试集中的数据进行对比,计算出评价指标,所述评价指标用于评估预测效果。
全文数据:
权利要求:
百度查询: 中南大学 一种基于PSO-LSTM模型的多特征逐时电力负荷预测方法
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。