短期电力负荷预测方法及装置与流程

本发明涉及负荷预测，尤其涉及一种短期电力负荷预测方法及装置。

背景技术：

1、随着电力需求的不断增长，短期电力负荷预测成为电力系统调度和运营的重要任务。准确的短期电力负荷预测有助于合理安排发电计划，提高电网的稳定性和经济性。

2、相关的短期电力负荷预测方法中主要是通过采用循环神经网络构建的长短期记忆(long short-term memory，lstm)模型，捕捉时间序列数据中的长期依赖关系，从而实现短期电力预测。但是基于lstm的短期电力负荷预测方法中lstm模型在训练过程中通常需要较长的时间才能达到收敛，限制了模型的实时性和效率；并且lstm模型对于异常数据的处理能力较弱，容易受到异常数据的干扰，导致预测结果不准确。

技术实现思路

1、本发明实施例提供了一种短期电力负荷预测方法及装置，以提高lstm模型的训练效率和鲁棒性，实现实时、准确、稳定地预测短期电力负荷。

2、第一方面，本发明实施例提供了一种短期电力负荷预测方法，包括：

3、获取目标区域内待预测时段前的第一历史负荷数据；

4、将所述第一历史负荷数据输入至预设的短期电力负荷预测模型，得到所述短期电力负荷预测模型输出的所述目标区域内待预测时段的负荷预测数据；

5、其中，所述短期电力负荷预测模型是基于目标区域内不同预测时段前的第二历史负荷数据和目标区域内相应预测时段的负荷预测数据，对长短期记忆模型进行训练得到的，所述长短期记忆模型中的超参数是根据改进的白鲸优化算法确定的，所述改进的白鲸优化算法是基于平滑因子改进的白鲸优化算法。

6、在一种可能的实现方式中，在将所述第一历史负荷数据输入至预设的短期电力负荷预测模型中进行电力负荷预测，得到所述短期电力负荷预测模型输出的所述目标区域内待预测时段的负荷预测数据之前，还包括：

7、获取目标区域内不同预测时段前的第二历史负荷数据和目标区域内相应预测时段的负荷预测数据，以及所述长短期记忆模型中的超参数；

8、以所述超参数作为所述改进的白鲸优化算法中白鲸的位置，以训练后的长短期记忆模型的预测误差作为对应的白鲸的适应度值，确定所述长短期记忆模型的超参数的最优值；

9、根据目标区域内不同预测时段前的第二历史负荷数据和目标区域内相应预测时段的负荷预测数据，对设置所述超参数的最优值的长短期记忆模型进行训练，得到所述短期电力负荷预测模型。

10、在一种可能的实现方式中，所述以所述超参数作为所述改进的白鲸优化算法中白鲸的位置，以训练后的长短期记忆模型的预测误差作为对应的白鲸的适应度值，确定所述长短期记忆模型的超参数的最优值，包括：

11、设置改进的白鲸优化算法的相关参数，所述相关参数包括白鲸的种群大小、当前迭代次数和最大迭代次数；

12、随机生成所述种群大小的白鲸群；其中，每条白鲸的位置分别对应一种长短期记忆模型中所有超参数的取值；

13、根据每条白鲸的位置，计算每条白鲸的适应度值；其中，所述适应度值为该条白鲸的位置对应的训练后的长短期记忆模型的预测误差；

14、根据适应度值最优的三条白鲸和预设的平滑因子，计算当前迭代次数中的期望适应度值；

15、若所述期望适应度值小于当前迭代次数对应的白鲸群中的最优白鲸的适应度值，则更新白鲸群中最优白鲸的位置和对应的适应度值；其中，所述最优白鲸为适应度值最优的白鲸；

16、若当前迭代次数小于所述最大迭代次数，则更新当前迭代次数，并更新白鲸群中每条白鲸的位置，基于更新后的每条白鲸的位置，重新执行所述计算每条白鲸的适应度值的步骤，直至当前迭代次数达到最大迭代次数，停止迭代，获得白鲸群中最优白鲸的位置，并根据白鲸群中最优白鲸的位置，确定长短期记忆模型中各个超参数的最优值。

17、在一种可能的实现方式中，所述根据适应度值最优的三条白鲸和预设的平滑因子，计算当前迭代次数中的期望适应度值，包括：

18、根据预设的平滑因子，以及适应度值最优的三条白鲸的位置和适应度值，建立适应度值函数的拟合函数；

19、基于所述拟合函数，求解当前迭代次数中的期望适应度值。

20、在一种可能的实现方式中，所述根据预设的平滑因子，以及适应度值最优的三条白鲸的位置和适应度值，建立适应度值函数的拟合函数，包括：

21、根据表达式：建立适应度值函数的拟合函数；

22、式中，f(x)表示所述拟合函数，x表示拟合函数中的变量，表示第t次迭代次数中的适应度值最优的白鲸对应的位置，表示第t次迭代次数中的适应度值第二优的白鲸对应的位置，表示第t次迭代次数中的适应度值第三优的白鲸对应的位置，表示第t次迭代次数中的最优适应度值，表示第t次迭代次数中的第二优适应度值，表示第t次迭代次数中的第三优适应度值，α表示所述平滑因子。

23、在一种可能的实现方式中，在根据预设的平滑因子，以及适应度值最优的三条白鲸的位置和适应度值，建立适应度值函数的拟合函数之前，还包括：

24、确定所述长短期记忆模型中各个超参数的取值范围；

25、根据各个超参数的取值范围，确定平滑因子的取值范围；

26、根据所述平滑因子的取值范围，确定预设的平滑因子对应的值。

27、在一种可能的实现方式中，所述基于所述拟合函数，求解当前迭代次数中的期望适应度值，包括：

28、计算所述拟合函数的极值点；

29、根据所述极值点，确定所述拟合函数对应的迭代次数中的期望适应度值。

30、在一种可能的实现方式中，所述超参数包括以下的至少一项：学习率、隐藏层层数、长短期记忆模型中每层的神经元个数和训练的最大迭代次数。

31、第二方面，本发明实施例提供了一种短期电力负荷预测装置，包括：

32、获取模块，用于获取目标区域内待预测时段前的第一历史负荷数据；

33、预测模块，用于将所述第一历史负荷数据输入至预设的短期电力负荷预测模型，得到所述短期电力负荷预测模型输出的所述目标区域内待预测时段的负荷预测数据；

34、其中，所述短期电力负荷预测模型是根据长短期记忆模型训练得到的，所述长短期记忆模型中的超参数是根据改进的白鲸优化算法确定的，所述改进的白鲸优化算法是基于平滑因子改进的白鲸优化算法，所述长短期记忆模型基于目标区域内不同预测时段前的第二历史负荷数据和目标区域内相应预测时段的负荷预测数据训练得到。

35、在一种可能的实现方式中，所述短期电力负荷预测装置还包括训练模块，所述训练模块用于：

36、获取目标区域内不同预测时段前的第二历史负荷数据和目标区域内相应预测时段的负荷预测数据，以及所述长短期记忆模型中的超参数；

37、以所述超参数作为所述改进的白鲸优化算法中白鲸的位置，以训练后的长短期记忆模型的预测误差作为对应的白鲸的适应度值，确定所述长短期记忆模型的超参数的最优值；

38、根据目标区域内不同预测时段前的第二历史负荷数据和目标区域内相应预测时段的负荷预测数据，对设置所述超参数的最优值的长短期记忆模型进行训练，得到所述短期电力负荷预测模型。

39、本发明实施例与现有技术相比存在的有益效果是：

40、本发明实施例通过采用改进的白鲸优化算法，确定长短期记忆模型中的超参数，可以选择合适的超参数，以加快长短期记忆模型的收敛速度，提高电力负荷预测的实时性；同时，选择合适的超参数可以降低长短期记忆模型被异常数据干扰的影响，从而提高预测结果的稳定性和准确性。其中，通过平滑因子对白鲸优化算法进行改进，可以优化白鲸优化算法的搜索策略，提高优化效率和准确性，能够实现对长短期记忆模型的进一步优化。