本發(fā)明涉及短期電力負荷預測，具體是指一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法。
背景技術：
1、隨著碳達峰與碳中和目標的提出，可再生能源在一次能源消費中的比重不斷增加，這雖為電網帶來更加柔性、更加開放、高度智能的發(fā)展機遇，但也因清潔能源固有的不確定性，對電網的穩(wěn)定性與管理提出了新的挑戰(zhàn)。短期電力負荷預測利用統(tǒng)計學、機器學習等方法從氣象、日期等歷史數(shù)據(jù)中挖掘出影響負荷的關鍵因素，其結果對電網安全運行與靈活調度具有重要意義，可減少不必要的發(fā)電量，降低資源浪費，具有巨大的經濟效益。
2、電力負荷預測需要建立可靠的負荷預測方法，將歷史負荷數(shù)據(jù)和其他參考數(shù)據(jù)輸入到模型中，從而得到未來特定時段的負荷預測值。但由于新興的主動配電網，以及隨之開放的能源市場和各種輔助服務市場，給電力系統(tǒng)的運行和控制帶來許多變化，主要面臨用戶自身行為存在的不確定和隨機性導致的負荷預測偏差、多維外部因素對用電行為影響大、歷史數(shù)據(jù)降噪差等難題。傳統(tǒng)長短期記憶(long?short-termmemorynetwork，lstm)網絡預測方法在處理這些難題時存在局限性，尤其是在負荷曲線的尖端，預測結果與實際負荷數(shù)據(jù)的擬合度較低，導致方法在1小時及以內的預測表現(xiàn)不佳。另外，對于長時序輸入數(shù)據(jù)，傳統(tǒng)lstm網絡預測方法將舊時間步長值鏈接到當前時間步長的能力弱，對輸入數(shù)據(jù)類型的依賴程度高。因此，盡管目前圍繞電力負荷預測提出了種類繁多、各具優(yōu)勢的預測方法，但方法的精確性與魯棒性方面仍需改進，并且對新興主動配電網帶來的新條件和數(shù)據(jù)的適應性不足，限制了電力調度的精確性與靈活性。
技術實現(xiàn)思路
1、本發(fā)明要解決的技術問題是，針對上述背景技術中提出的不足，提供一種解決現(xiàn)有技術尖端擬合能力不足及輸入數(shù)據(jù)依賴程度高的問題，提高短期負荷預測的準確性與魯棒性的一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法。
2、為解決上述技術問題，本發(fā)明提供的技術方案為：一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法負荷預測方法，它的具體步驟如下：
3、步驟1：歷史電力負荷數(shù)據(jù)、氣象數(shù)據(jù)與日歷數(shù)據(jù)系統(tǒng)性采集；
4、步驟2：原始數(shù)據(jù)提取、清理和標準化準備與預處理操作，并構建新負荷、氣象與日歷數(shù)據(jù)集；
5、步驟3：提取數(shù)據(jù)集負荷、氣象外部因素及時間相關特征，利用輸入注意機制突顯高沖擊負荷序列；
6、步驟4：開展基于堆疊自編碼器的深度lstm自編碼器模型監(jiān)督與無監(jiān)督貪婪分層預訓練；
7、步驟5：對深度lstm網絡每一層提取的隱藏狀態(tài)的權重進行微調，通過時間序列堆疊自編碼器正確學習與超長序列輸入數(shù)據(jù)相關的時間依賴性；
8、步驟6：電力負荷預測值的輸出與精度評估。
9、進一步的，所述的步驟1和2通過可視化和統(tǒng)計分析，確認數(shù)據(jù)集的完整性和準確性，當數(shù)據(jù)集有缺失等情況時首先對其進行缺失值處理，當每日數(shù)據(jù)的缺失值較少時，對缺失部分的前后數(shù)據(jù)進行取平均操作，以彌補缺失數(shù)據(jù)；
10、當缺失值較多時，選擇前和后一天相同時段的數(shù)據(jù)，在考慮變化趨勢的情況下等比率填充缺失數(shù)據(jù)。
11、進一步的，所述的步驟3通過在負荷、氣象及時間特征提取時，利用堆疊自編碼器給尖端負荷增加權重偏置β，以凸顯數(shù)據(jù)集中高沖擊負荷。
12、進一步的，通過深度lstm網絡的基本結構思想是將兩個方向相反的lstm網絡連接起來，前向lstm獲取輸入序列的過去數(shù)據(jù)信息，后向lstm獲取輸入序列的未來數(shù)據(jù)信息，深度lstm網絡的隱藏狀態(tài)可以描述為：
13、
14、進一步的，堆疊自編碼器的訓練過程按順序執(zhí)行，在編碼、解碼和學習階段，輸入序列的重構過程在均方誤差成本函數(shù)下完成，訓練好的編碼器層被存儲并放置為下一個自動編碼器輸入，該過程將對所有層重復執(zhí)行，所提出的堆疊自編碼器的具體堆疊次數(shù)是通過試錯來確定的。
15、進一步的，采用基于rnn方法的監(jiān)督與無監(jiān)督貪婪分層預訓練結構解決深度lstm網絡隱藏狀態(tài)初始值的隨機設置問題。
16、進一步的，將所有凍結的預訓練lstm網絡層轉移到微調階段，允許這些層根據(jù)具體任務進行自適應調整，智能地篩選和聚焦于關鍵時間序列，最終訓練整體模型。
17、采用以上結構后，本發(fā)明具有如下優(yōu)點：本發(fā)明利用堆疊自編碼器提高方法在負荷曲線尖端的擬合能力，對影響較大的輸入特征賦予較高的權重，以達到更好的預測精度；通用增加lstm網絡深度，提取更多輸入特征，增強將舊時間步長值鏈接到當前時間步長的能力；構建自編碼器，混合應用監(jiān)督與無監(jiān)督學習方法，減少方法對輸入數(shù)據(jù)類型的依賴性，以實現(xiàn)更準確與更魯棒的短期負荷預測。
1.一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法負荷預測方法，其特征在于：它的具體步驟如下：
2.根據(jù)權利要求1所述的一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法，其特征在于：所述的步驟1和2通過可視化和統(tǒng)計分析，確認數(shù)據(jù)集的完整性和準確性，當數(shù)據(jù)集有缺失等情況時首先對其進行缺失值處理，當每日數(shù)據(jù)的缺失值較少時，對缺失部分的前后數(shù)據(jù)進行取平均操作，以彌補缺失數(shù)據(jù)；
3.根據(jù)權利要求1所述的一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法，其特征在于：所述的步驟3通過在負荷、氣象及時間特征提取時，利用堆疊自編碼器給尖端負荷增加權重偏置β，以凸顯數(shù)據(jù)集中高沖擊負荷。
4.根據(jù)權利要求1所述的一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法，其特征在于：通過深度lstm網絡的基本結構思想是將兩個方向相反的lstm網絡連接起來，前向lstm獲取輸入序列的過去數(shù)據(jù)信息，后向lstm獲取輸入序列的未來數(shù)據(jù)信息，深度lstm網絡的隱藏狀態(tài)可以描述為：
5.根據(jù)權利要求1所述的一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法，其特征在于：堆疊自編碼器的訓練過程按順序執(zhí)行，在編碼、解碼和學習階段，輸入序列的重構過程在均方誤差成本函數(shù)下完成，訓練好的編碼器層被存儲并放置為下一個自動編碼器輸入，該過程將對所有層重復執(zhí)行，所提出的堆疊自編碼器的具體堆疊次數(shù)是通過試錯來確定的。
6.根據(jù)權利要求1所述的一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法，其特征在于：采用基于rnn方法的監(jiān)督與無監(jiān)督貪婪分層預訓練結構解決深度lstm網絡隱藏狀態(tài)初始值的隨機設置問題。
7.根據(jù)權利要求1所述的一種基于堆疊自編碼器的深度lstm網絡短期負荷預測方法，其特征在于：將所有凍結的預訓練lstm網絡層轉移到微調階段，允許這些層根據(jù)具體任務進行自適應調整，智能地篩選和聚焦于關鍵時間序列，最終訓練整體模型。