基于多模型长短时记忆神经网络的电力负荷预测方法研究

杨金喜 高 洁 孔伯骏 吴佳佳 薛 晨

（国网江苏省电力公司扬州供电公司，江苏扬州225002）

0 引言

近年来，随着深度学习理论研究的深入发展，将深度学习理论应用于电力系统的用电需求预测成为一项很有意义的工作。深度神经网络是由多个单层非线性网络叠加而成的，与单层神经网络不同。理论证明，两层神经网络可以无限逼近任意连续函数；也就是说，面对复杂的非线性分类任务，两层（带一个隐藏层）神经网络可以分类地很好[1-4]。

综合国内外在短期负荷预测方面的最新研究进展[5-6]，本文提出了一种基于多模型长短时记忆神经网络（LSTM）的电力负荷预测方法，该方法的优势在于能够将神经网络与聚类、分类的思想相结合，适用于短期负荷预测问题。由于在回归分析中，输入与输出之间的线性相关性越强，对输出的结果影响越大；进行预测的输入，与当日负荷属于同一类负荷，因此，同一类之间特征较为明显，预期具有较好的预测效果；同时略去了一些极端条件的预测。通过算例仿真，发现该方法相比于典型方法，能够精确预测出对应日期的用电负荷，提升预测效果，同时缩短网络训练时间，提升程序运行速度。

1 系统结构

进行预测的模型如图1所示。本文按如下方法确定预测所需的数据：输入矩阵X为有功负荷值曲线L（每1 h采样一次）、预测日当日气温预测值T以及预测日星期序号C（1～7）合并而成，即X=[L，T，C]。由于神经网络的输出对输入数据十分敏感，因此，对于输入负荷数据及气温需要进行归一化处理，转化成（0，1）范围内的数据，对于日期类型，采用one hot编码方法处理。……