一种智慧工业园区电力负荷预测方法

本发明涉及电力负荷预测，具体为一种智慧工业园区电力负荷预测方法。

背景技术：

1、在智慧工业园区管理中，准确预测负荷需求对于优化资源分配、提高生产效率和降低能源成本至关重要，有效的负荷预测可以帮助智慧工业园区规划生产计划、优化能源资源利用、降低成本和提高生产效率；

2、传统的预测方法通常采用统计模型或基于物理原理的建模，但这些方法往往无法捕捉到数据中的复杂非线性关系和时序依赖性，随着深度学习技术的发展，基于神经网络的预测方法在负荷预测领域取得了显著的进展，长短期记忆网络作为一种深度学习模型，在时间序列数据建模方面表现出色，能够更好地处理复杂的负荷预测问题，然而，lstm网络的性能很大程度上取决于其超参数的选择，包括隐藏层和神经元的数量、学习率和迭代次数等，传统方法中，超参数的选择通常是基于经验和试错的，而且往往需要大量的计算资源和时间来进行调整和优化，尤其是在面对复杂和动态的智慧工业电力负荷数据时，传统的超参数优化方法可能无法充分发挥其性能优势，因此，如何有效地优化lstm网络的超参数成为了一个关键问题。

技术实现思路

1、本发明的目的在于提供一种智慧工业园区电力负荷预测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种智慧工业园区电力负荷预测方法，包括以下步骤：

3、s1：对智慧工业园区内的实时电力负荷数据和历史电力负荷数据进行获取，并对获取的电力负荷数据进行预处理，以消除获取的原始电力负荷数据对后续进行电力负荷预测的影响，便于后续进行使用，并基于处理后的历史电力负荷数据构建电力负荷数据集；

4、s2：构建lstm电力负荷预测网络模型，并确定lstm网络待优化的超参数和其取值范围，并将待优化超参数编码为长鼻浣熊种群个体，且对长鼻浣熊种群进行初始化，定义适应度函数；

5、s3：通过mscoa算法流程更新个体，获取个体适应度值，进而在参数空间中搜索到最优个体，并输出最优个体，将输出的最优个体解码为超参数组合，赋予lstm电力负荷预测网络模型并通过电力负荷数据集对lstm电力负荷预测网络模型进行训练，并对训练完成的lstm电力负荷预测网络模型进行精度验证操作，以检验lstm电力负荷预测网络模型的预测性能；

6、s4：通过训练完成的lstm电力负荷预测网络模型基于处理后的实时电力负荷数据进行电力负荷预测，并将输出的预测结果进行储存管理。

7、优选的，所述步骤s1还包括对智慧工业园区内的实时电力负荷数据和历史电力负荷数据进行获取，并对获取的电力负荷数据进行预处理，具体包括数据清洗、数据平滑处理以及数据归一化处理，其中数据清洗具体包括通过拉格朗日插值法对电力负荷数据内的缺失值进行填充，并对电力负荷数据其中的类别型数据通过one-hot编码将其编码为数值型数据。

8、优选的，所述步骤s1还包括其中数据平滑处理具体包括通过指数加权移动平均方法对电力负荷数据进行数据平滑处理，从而消除或减少电力负荷数据数据中的噪声，使电力负荷数据数据更具有连续性和可预测性，并且不需要选择固定的时间窗口长度，其中数据归一化处理具体包括通过标准化算法对电力负荷数据进行处理，其具体计算公式如下：

9、

10、式中，xnom表示标准化后的电力负荷数据，x表示采集的电力负荷数据，xmax表示采集的电力负荷数据中的最大值，xmin表示采集的电力负荷数据中的最小值，从而在维持数据变化趋势的基础上将数值范围控制在[0,1]之间，便于后续使用，并基于处理后的历史电力负荷数据构建电力负荷数据集。

11、优选的，所述步骤s2还包括基于lstm网络构建lstm电力负荷预测网络模型，并通过adam优化算法确定lstm网络待优化的超参数和其取值范围，待优化的超参数具体包括学习率、隐藏层神经元数量、样本批大小、随机舍弃率、训练次数，具体取值范围见表1：

12、表1待优化超参数

13、

14、并通过实数编码的方式将待优化的超参数编码成长鼻浣熊种群个体，并使用改进的tent混沌映射策略初始化种群，其具体表达式为：

15、

16、式中，zi,j表示混沌序列z中第i行，第j列的元素，θ表示(0,1)之间的随机数，n表示混沌序列z的总行数，同时表示长鼻浣熊的总数量，并进一步结合改进的tent混沌映射策略生成搜索区域内的长鼻浣熊个体初始位置序列，其具体表达式为：

17、xi＝lbj+zi,j·(ubj-lbj)，j＝1,2,…,m

18、式中，xi表示第i只长鼻浣熊在搜索空间内的位置，m表示混沌序列z的总列数，同时表示决策变量的总数量，lbj表示第j个决策变量的下界，ubj表示第j个决策变量的上界，且选取平均绝对百分比误差作为长鼻浣熊种群个体的适应度函数，其具体表达式为：

19、

20、式中，n表示电力负荷数据集内的样本数，x表示第x个样本，yx表示第x个样本的电力负荷实际值，表示第x个样本的电力负荷预测值。

21、优选的，所述步骤s3还包括根据mscoa算法更新规则更新长鼻浣熊种群个体，具体操作为在mscoa算法的勘探阶段引入levy飞行策略，在这种策略中，一群长鼻浣熊爬上树靠近鬣蜥并驱逐它，其他长鼻浣熊在树下等待，直到鬣蜥掉在地上，鬣蜥落地后，长鼻浣熊就会攻击它并猎杀它，这种策略使得长鼻浣熊种群个体在搜索空间中移动到不同的位置，体现了长鼻浣熊种群个体在搜索空间中的全局搜索能力，在长鼻浣熊种群个体设计中，当前长鼻浣熊种群个体中的全局最优个体的位置为鬣蜥的位置，构建用于模拟迭代过程中长鼻浣熊在树上的位置的函数，其具体表达式为：

22、

23、式中，表示在t+1轮迭代中，第g个长鼻浣熊种群个体的第h维变量值，即长鼻浣熊在树上的位置，表示鬣蜥的位置，r表示[0,1]之间的随机数，i表示一个随机整数，来自整数集合{1,2}。

24、优选的，所述步骤s3还包括在鬣蜥落到地面后，它被放置在搜索空间中的一个随机位置并构建鬣蜥的位置更新函数，其具体表达式为：

25、

26、式中，表示鬣蜥落到地面上的新位置并逐个对长鼻浣熊种群个体的适应度进行计算，按照适应度的计算结果将它们从小到大进行排序，构建基于更新后鬣蜥位置的前2/3长鼻浣熊种群个体的位置更新函数，其具体表达式为：

27、

28、式中，表示更新后长鼻浣熊种群个体在地面上的位置，fit(·)表示计算适应度值，且基于更新后鬣蜥位置通过levy飞行位置更新算法对后1/3长鼻浣熊种群个体的位置进行更新，其具体表达式为：

29、

30、式中，s表示步长，β是[0,2]之间的随机数，α表示步长调节系数，μ和ν分别表示从正态分布中得到的随机数。

31、优选的，所述步骤s3还包括在mscoa算法的开发阶段引入自适应差分进化算子，开发阶段更新长鼻浣熊在搜索空间中的位置过程具体根据长鼻浣熊逃离捕食者时的自然行为进行数学建模，通过加入自适应差分进化算子构建长鼻浣熊种群个体在逃离捕食者的过程中的安全位置生成函数，其具体表达式为：

32、

33、式中，表示长鼻浣熊种群个体在逃离捕食者的过程中生成的安全位置，δ表示自适应率，表示第t次迭代时的最优长鼻浣熊种群个体，r表示缩放因子，和分别表示第j个决策变量随着迭代次数而更新的上下界，和分别表示是从第t次迭代中随机取出的两个长鼻浣熊种群个体，如果生成的安全位置处个体的适应度函数值更优，则接受该位置，否则保持原位置不变，从而在迭代过程中不断更新个体，直到当前迭代次数到达预设的最大迭代次数时，并输出更新得到的最优个体。

34、优选的，所述步骤s3还包括将输出的最优个体解码为超参数组合，赋予lstm电力负荷预测网络模型并通过电力负荷数据集对lstm电力负荷预测网络模型进行训练，并对训练完成的lstm电力负荷预测网络模型进行精度验证操作，具体通过均方误差、均方根误差以及平均绝对误差这三个评价指标对的lstm电力负荷预测网络模型进行精度验证操作，且评价指标的数值越小越说明lstm电力负荷预测网络模型的预测性能越好，从而实现检验lstm电力负荷预测网络模型的预测性能。

35、优选的，所述步骤s4还包括通过训练完成的lstm电力负荷预测网络模型基于处理后的实时电力负荷数据进行电力负荷预测，并将输出的预测结果进行储存管理，且将预测结果与后续对应采集的电力负荷数据进行比对，且将处理后的实时电力负荷数据上传到电力负荷数据集内，实现对电力负荷数据集的增量操作，以保证lstm电力负荷预测网络模型训练的效果。

36、与现有技术相比，本发明的有益效果至少包括：本发明提出了一种智慧工业园区电力负荷预测方法，通过采用mscoa优化lstm网络超参数，使预测模型更加适应不确定性智慧工业园区电力负荷数据的特点，长鼻浣熊算法的特点是具有全局搜索能力和多样性维护策略，优化后的lstm模型，可以更好地拟合负荷数据的复杂模式和变化趋势，从而提高预测的准确性，且有助于智慧工业园区减少不必要的能源消耗和排放，推动绿色能源的使用和节能减排，为智慧工业园区的可持续发展提供有力支持，准确的电力负荷预测有助于新能源发电设备的接入和管理，提高新能源发电的利用率，促进可再生能源的发展，精准的电力负荷预测为智慧工业园区的管理层提供了更加可靠的决策依据，使得管理层可以根据预测结果及时调整生产计划和资源分配策略，迅速应对突发事件，从而增强智慧工业园区的竞争力和市场适应性。