一种基于PSO-CNN-LSTM模型的负荷预测方法

一种基于pso-cnn-lstm模型的负荷预测方法
技术领域
1.本发明涉及负荷预测领域。


背景技术：

2.在过去的几十年里，由于行业和经济的根本性变化，能源消耗正在迅速加速。在这种趋势下，用电量预测已成为电力系统自动化管理中不可或缺的一步。由于其昂贵的存储成本，电能必须在发电厂产生的同时被消耗。过度估计能源消耗会导致不必要的闲置产能，而低估会增加供应商的运营成本并导致潜在的能源中断。 电能消耗预测包括几个时间序列变量。此外，电力需求代表各种模式，包括不规则的时间序列成分。因此，很难使用经典的预测方法来预测电能消耗。变量建模也很困难，因为它涉及从各种传感器收集的变量之间的复杂非线性模式。最近，神经网络技术被认为比现有的统计预测模型更有用，因为它可以很容易地映射非线性函数。
3.已经提出了多种神经网络来预测能源消耗，但是不充分的网络结构对于实际应用来说效率低下。搜索适当超参数的技术是手动的并且非常复杂。此外，这些神经网络可以非线性映射复杂的能耗变量，但很难记住以前的记忆。因此，随着数据随着时间的推移变得更大和更复杂，经典神经网络会因过度拟合而遭受性能下降。


技术实现要素：

4.本发明为解决目前凭经验调整模型超参数技术问题，提供了一个以pso寻找模型最优参数解并结合cnn-lstm的混合网络模型，已达到更精准的负荷预测。
5.一种基于pso-cnn-lstm模型的负荷预测方法，包括以下步骤：(1)选择训练数据集，并对数据集以步长为24个点进行窗口划分。
6.(2)基于长短期记忆神经网络和卷积神经网络构建好电力负荷预测模型。
7.(3)利用粒子群(pso)优化算法对cnn-lstm模型超参数进行优化，利用粒子群算法搜寻到最优模型超参数。
8.(4)设定好模型超参数以及其他参数，并输入训练数据集到模型进行训练，(5)保存好训练好的模型。
9.(6)利用测试数据集对训练得到的模型进行测试，整理数据。
附图说明
10.无。
具体实施方式
11.为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
12.本发明涉及的一种基于pso-cnn-lstm模型的负荷预测方法具体步骤如下：1.选择训练数据集，并对数据集以步长为24个点进行窗口划分。本发明使用的从江西省电电力公司收集到的整个鹰潭市地区过去3年的负荷数据，负荷数据是每小时进行采样的，并将数据集进行了归一化。将收集到的横向数据集转换为纵向数据集，并将数据集以24个时间步长按滑动窗口进行划分。取百分之70数据作为训练集，百分之30作为测试集。
13.2.cnn特征提取块由1个1d卷积层组成，卷积操作非常有效，在深度学习框架中堆积几个卷积层使初始层能够学习应用输入中的低级特征。在卷积层之后添加池化层，以减轻生成的特征图不变性的限制，而激活函数用于增强模型学习复杂结构的能力。在我们开发的模型中，我们添加了maxpooling层，这是一种下采样方案，可将特征图的空间维度减少2倍，从而减少整体计算负载。在序列学习块中，我们使用了1个lstm层，1层有20个神经元。在lstm层中，返回序列设置为false，以便网络输出隐藏状态最后的时间步。全连接层20个神经元。输出层中的神经元数量从1到6不等，用于评估不同数量的前瞻（最多3小时的超前负载预测）3.利用粒子群(pso)优化算法对cnn-lstm模型超参数进行优化，利用粒子群算法搜寻到最优模型超参数。cnn-lstm混合模型的超参数使用pso进行优化。我们对cnn内核的数量、lstm的隐藏单元以及由cnn-lstm组成的全连接层的单元数量进行编码。pso在移动编码粒子的同时找到最优的超参数结构。
14.4.设置好训练初始参数，输入训练数据集进行训练。我们选择python3.7作为编程平台。
15.5.保存好训练好的模型。
16.6.利用测试数据集对训练得到的模型进行测试，整理数据。
17.以上所述仅为本发明的较佳实施例子，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种基于pso-cnn-lstm模型的负荷预测方法，其特征在于，所述方法包括以下步骤：(1)选择训练数据集，并对数据集以步长为24个点进行窗口划分。(2)基于长短期记忆神经网络和卷积神经网络构建好电力负荷预测模型。(3)利用粒子群(pso)优化算法对cnn-lstm模型超参数进行优化，利用粒子群算法搜寻到最优模型超参数。(4)设定好模型超参数以及其他参数，并输入训练数据集到模型进行训练，。(5)保存好训练好的模型。(6)利用测试数据集对训练得到的模型进行测试，整理数据。2.如权利要求1所述的一种基于pso-cnn-lstm模型的负荷预测方法，其特征在于，所述步骤（1）包括：选择训练数据集，并对数据集以步长为24个点进行窗口划分。本发明使用的从江西省电电力公司收集到的整个鹰潭市地区过去3年的负荷数据，负荷数据是每小时进行采样的，并将数据集进行了归一化。将收集到的横向数据集转换为纵向数据集，并将数据集以24个时间步长按滑动窗口进行划分。取百分之70数据作为训练集，百分之30作为测试集。3.如权利要求1所述的一种基于pso-cnn-lstm模型的负荷预测方法法，其特征在于，所述步骤（2）包括：基于长短期记忆神经网络和卷积神经网络构建好电力负荷预测模型。本发明使用cnn-lstm组合而成的混合模型。卷积层用于从输入数据中提取有价值的特征，而 lstm层用于利用短期和长期依赖关系。cnn特征提取块由1个1d卷积层组成，卷积操作非常有效，在深度学习框架中堆积几个卷积层使初始层能够学习应用输入中的低级特征。在卷积层之后添加池化层，以减轻生成的特征图不变性的限制，而激活函数用于增强模型学习复杂结构的能力。在我们开发的模型中，我们添加了maxpooling层，这是一种下采样方案，可将特征图的空间维度减少2倍，从而减少整体计算负载。在序列学习块中，我们使用了1个lstm层，1层有20个神经元。在lstm层中，返回序列设置为 false，以便网络输出隐藏状态最后的时间步。全连接层20个神经元。输出层中的神经元数量从1到6不等，用于评估不同数量的前瞻（最多3小时的超前负载预测）。4.如权利要求1所述的一种基于pso-cnn-lstm模型的负荷预测方法，其特征在于，所述步骤（3）包括：利用粒子群(pso)优化算法对cnn-lstm模型超参数进行优化，利用粒子群算法搜寻到最优模型超参数。cnn-lstm混合模型的超参数使用pso进行优化。我们对cnn内核的数量、lstm的隐藏单元以及由cnn-lstm组成的全连接层的单元数量进行编码。pso在移动编码粒子的同时找到最优的超参数结构。5.如权利要求1所述的一种基于pso-cnn-lstm模型的负荷预测方法，其特征在于，所述步骤（4）包括：设置好训练初始参数，输入训练数据集进行训练。我们选择python3.7作为编程平台。6.如权利要求1所述的基于pso-cnn-lstm模型的负荷预测方法，其特征在于，所述步骤（5）包括：保存好训练好的模型。7.如权利要求1所述的基于pso-cnn-lstm模型的负荷预测方法，其特征在于，所述步骤
（6）包括：利用测试数据集对训练得到的模型进行测试，整理数据。

技术总结
本发明为解决目前凭经验调整模型超参数技术问题，提供了一种基于PSO-CNN-LSTM模型的负荷预测方法，包括以下步骤：（1）选择训练数据集，并对数据集以步长为24个点进行窗口划分。（2）基于长短期记忆神经网络和卷积神经网络构建好电力负荷预测模型。（3）利用粒子群(PSO)优化算法对CNN-LSTM模型超参数进行优化，利用粒子群算法搜寻到最优模型超参数。（4）设定好模型超参数以及其他参数，并输入训练数据集到模型进行训练。（5）保存好训练好的模型。（6）利用测试数据集对训练得到的模型进行测试，整理数据。据。


技术研发人员：唐小勇 夏梦
受保护的技术使用者：长沙理工大学
技术研发日：2022.04.21
技术公布日：2022/7/5