申请/专利权人:元工电力技术有限公司
申请日:2024-01-29
公开(公告)日:2024-04-30
公开(公告)号:CN117955102A
主分类号:H02J3/00
分类号:H02J3/00;G06N3/0442;G06N3/0464;G06N3/08;G06F18/25;G06F123/02
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.17#实质审查的生效;2024.04.30#公开
摘要:本方法公开一种基于记忆增强和特征融合的中期电力负荷预测方法,该方法利用长短期记忆LongShort‑TermMemory,LSTM人工神经网络作为主干网络,通过特殊的记忆单元结构弥补普通循环神经网络RecurrentNeuralNetwork,RNN梯度下降的缺点,提高长周期时间序列的持续学习能力。同时,通过引入注意力机制赋予不同权重于特征向量,构建记忆增强模块,增强递归预测中模型的记忆能力,减少预测偏差累计速度的影响。此外,加入卷积神经网络对各层的时序特征进行融合,减少特征损失,最终使模型能够计算出负荷的预测值,具备中期电力负荷的准确预测能力。利用电负荷公开数据集进行训练,实验结果表明,该模型在相同数据集下相比于常规预测模型具有更高的预测精度。
主权项:1.一种基于记忆增强与特征融合的中期电力负荷预测方法,其特征在于,具体按照以下步骤进行实施:S1:构建电负荷数据集,并对数据进行归一化处理;其中,数据选用包含370个公寓三年用电负荷公开数据集ElectricityLoadDiagrams,并采用Mapminmax函数对数据进行归一化;S2:搭建LSTM模型作为负荷预测主干网络,并引入记忆增强模块,以缓解预测偏差过快累计的影响;该模块基于注意力机制搭建,通过该模块建立具有长期记忆能力的中期负荷预测模型;S3:将用电负荷数据集输入进LSTM模型,提取数据集中时许特征,并将各层时序特征进行输出;S4:在模型中引入卷积神经网络,通过该网络对输出的各层时序特征进行卷积融合操作,减少训练过程中特征信息的损失;S5:设定损失函数组成预测模块,在训练过程中对模型预测效果进行优化调整,通过优化后的模型实现对未来用电负荷的有效预测。
全文数据:
权利要求:
百度查询: 元工电力技术有限公司 一种基于记忆增强与特征融合的中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。