公开(公告)号：CN114595874A

公开(公告)日：2022-06-07

申请号：CN202210172387.3

申请日：2022-02-24

Applicant: 武汉大学

Inventor： 孔政敏 ,  李悦 ,  柳硕 ,  易仕琪

IPC: G06Q10/04 ,  G06Q10/06 ,  G06Q50/06 ,  G06F30/27 ,  G06N3/04 ,  H02J3/00

Abstract: 本发明涉及机器学习中的时间序列预测技术，具体涉及一种基于动态神经网络的超短期电力负荷预测方法，对原始负荷数据进行数据预处理，修正缺失值和异常值，整理为多个批量大小，并进行归一化操作；将预处理的数据传入CNN模块进行局部特征提取；将特征提取后的数据分别输入LSTM神经网络和优化的动态跳跃LSTM神经网络，将这两个网络的输出结果通过全连接层整合；最后将预处理过的数据经过线性回归模块提取局部线性特征后与神经网络部分的输出进行整合，反归一化后得到最终的超短期负荷预测结果。该方法既保留了常规网络预测结果，又加强了负荷数据周期性信息在预测结果中所占的比重，使得最终的负荷预测结果比常规网络所获得的更为准确。

公开(公告)号：CN114595874B

公开(公告)日：2024-08-06

申请号：CN202210172387.3

申请日：2022-02-24

Applicant: 武汉大学

Inventor： 孔政敏 ,  李悦 ,  柳硕 ,  易仕琪

IPC: G06Q10/04 ,  G06Q10/067 ,  G06Q50/06 ,  G06F30/27 ,  G06N3/0464 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/08 ,  H02J3/00

Abstract: 本发明涉及机器学习中的时间序列预测技术，具体涉及一种基于动态神经网络的超短期电力负荷预测方法，对原始负荷数据进行数据预处理，修正缺失值和异常值，整理为多个批量大小，并进行归一化操作；将预处理的数据传入CNN模块进行局部特征提取；将特征提取后的数据分别输入LSTM神经网络和优化的动态跳跃LSTM神经网络，将这两个网络的输出结果通过全连接层整合；最后将预处理过的数据经过线性回归模块提取局部线性特征后与神经网络部分的输出进行整合，反归一化后得到最终的超短期负荷预测结果。该方法既保留了常规网络预测结果，又加强了负荷数据周期性信息在预测结果中所占的比重，使得最终的负荷预测结果比常规网络所获得的更为准确。