基于改进BI-LSTM组合模型的短期电力负荷预测方法与流程

本发明涉及短期电力系统负荷预测，尤其适用于基于改进 bi-lstm 组合模型的短期电力负荷预测方法。

背景技术：

1、当前电力系统无法长期储存大量的电能，整个生产、分配、消耗过程必须同步完成，这对电力系统的运行和规划提出很高的要求。电力系统调度安排中无法避免的难题即如何在保障人民日常生活和社会生产活动需要的前提下，实现发电量和用电量之间的供需平衡。一般情况下，电力系统会对未来一段时间的电力负荷进行预测，根据预测结果制定各类发电机组的工作指标，以确保发电侧与需求侧之间高效稳定。研究结果表明，负荷预测精度提升 1%可使电力企业节约上千万元的发电成本，因此，持续改进电力负荷预测方法以提高负荷预测准确性不仅 在保障居民生活和生产、节约能源方面起着重要作用，而且对于企业降低成本、提高效 益也具有重要意义。

2、目前，电力负荷预测的方法主要包括经典方法和现代预测方法两大类。其中，经典方法包括了时间序列法、回归分析法、趋势外推预测等；现代预测方法包括灰度预测、支持向量机、人工神经网络、组合预测等。

3、经典的时间序列模型，如arima、var等，仍然是电力负荷预测的主要方法，但其对于复杂因素的处理能力有限。基于机器学习的方法，如bp神经网络、支持向量机（svm）等，可以处理非线性关系，预测精度相对较高，但对于特征选择和参数调节要求较高。深度学习方法，如循环神经网络（rnn）、长短时记忆网络（lstm）等，具有处理序列数据的能力，可以充分利用历史数据的信息，预测精度更高，但对于数据量和训练时间要求较高。

4、相关研究都在不断尝试新的方法和技术，以提高电力负荷预测的精度和可靠性。

技术实现思路

1、本发明目的在于提供一种基于改进 bi-lstm 组合模型的短期电力负荷预测方法，以更全面地处理信息和更精确地筛选有用信息，进一步提高电力负荷预测的精度和可靠性。

2、为实现上述目的，本发明采取下述技术方案：

3、本发明所述的基于改进 bi-lstm 组合模型的短期电力负荷预测方法，包括以下步骤，

4、s1，对选定时间段的样本数据进行整理提取；

5、s2，对样本数据进行缺失值填补及异常值修复、归一化处理，并分为训练集、验证集和测试集；

6、s3，通过特征工程，提取样本数据特征，使用pca分析进行特征降维后，通过皮尔逊分析法对降维后的特征进行相关性验证，确定主要特征；

7、s4，构建短期电力负荷预测模型，使用粒子群算法确定模型最优参数；使用注意力机制提升模型性能和表现；

8、s5，使用最优参数，利用训练集、验证集和测试集得到短期电力负荷预测模型；

9、s6，利用短期电力负荷预测模型预测未来电力负荷。

10、进一步地，所述样本数据

11、进一步地，所述缺失值填补表达式为：

12、

13、其中，表示为w日t时刻采样的电力负荷值，表示为w日t+n时刻采样的电力负荷值，表示为w日t+j时刻采样的电力负荷值。

14、进一步地，所述归一化处理公式为：

15、

16、其中，为标准化后的数据；为电力负荷数据的特征数量；为数据特征的平均指数；为数据的标准差。

17、进一步地，s3步具体包括：

18、s3.1，计算归一化后样本数据的协方差矩阵，得到相应的特征矩阵；

19、s3.2，计算协方差矩阵的特征值和对应的特征向量；

20、s3.3，计算各特征值方差的占比，将特征值按大小排序，选择前k个特征值对应的特征向量作为主成分；

21、s3.4，计算皮尔逊相关系数验证选取特征与负荷之间的相关性。

22、进一步地，s4步短期电力负荷预测模型包括卷积神经网络、循环神经网络、长短期记忆神经网络。

23、本发明的优点在于通过pca 降维的特征工程方法，对特征进行重构筛选以挖掘特征序列间的隐含关系并剔除相关性弱的重构特征，从而可以实现高质量、高精度的负荷预测，实现对未来一周的半小时级别电力负荷精准多步预测，帮助电力系统运营者合理调度电力资源，确保供应的可靠性和稳定性。

技术特征：

1.一种基于改进 bi-lstm 组合模型的短期电力负荷预测方法，其特征在于：包括以下步骤，

2.根据权利要求1所述的一种基于改进 bi-lstm 组合模型的短期电力负荷预测方法，其特征在于：所述样本数据。

3.根据权利要求1所述的一种基于改进 bi-lstm 组合模型的短期电力负荷预测方法，其特征在于：所述缺失值填补表达式为：

4.根据权利要求1所述的一种基于改进 bi-lstm 组合模型的短期电力负荷预测方法，其特征在于：所述归一化处理公式为：

5.根据权利要求1所述的一种基于改进 bi-lstm 组合模型的短期电力负荷预测方法，其特征在于：s3步具体包括：

6.根据权利要求1所述的一种基于改进 bi-lstm 组合模型的短期电力负荷预测方法，其特征在于：s4步短期电力负荷预测模型包括卷积神经网络、循环神经网络、长短期记忆神经网络。

技术总结
本发明公开了一种基于改进BI‑LSTM组合模型的短期电力负荷预测方法，通过PCA降维的特征工程方法，对特征进行重构筛选以挖掘特征序列间的隐含关系并剔除相关性弱的重构特征，从而可以实现高质量、高精度的负荷预测，实现对未来一周的半小时级别电力负荷精准多步预测，帮助电力系统运营者合理调度电力资源，确保供应的可靠性和稳定性。

技术研发人员：于小四,牛东辉,郝俊营,郭峰,王有道,张娟娟,卢鹏举,朱明,高波,王健
受保护的技术使用者：中铁七局集团电务工程有限公司
技术研发日：
技术公布日：2025/4/17