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。

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