(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111406645.1 (22)申请日 2021.11.24 (71)申请人 西安热工 研究院有限公司 地址 710032 陕西省西安市碑林区兴庆路 136号 申请人 华能山东发电有限公司 　 华能国际电力股份有限公司德州电 厂 (72)发明人 谢云明　李杰　王垚　赵子龙　 陈建亮　徐创学　 (74)专利代理 机构 西安智大知识产权代理事务 所 61215 代理人 弋才富 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种基于LSTM深度学习的发电量需求预测 方法 (57)摘要 一种基于LSTM深度学习的发电量需求预测 方法， 首先采集历史上的发电量及主要影响因子 数据得到序列数据集， 进行归一化处理； 将准备 好的数据按比例分成训练集和测试集； 建立发电 量LSTM网络模型， 调整网络内部参数； 用训练集 数据完成LSTM模型拟合； 将预测与测试数据结 合， 用来进行模型的过拟合评估； 模型评估验证 后， 将在线采样的当前已发生的数据输入到验证 好的LSTM神经网络对未来时间的发电量值进行 预测； 本发明基于LSTM深度学习的发电量需求预 测方法， 能长期记录所需数据和在线预测， 预测 周期长、 预测发电量精度高， 满足发电企业对发 电量需求预测的要求。 权利要求书1页 说明书5页 附图4页 CN 114021848 A 2022.02.08 CN 114021848 A 1.一种基于LSTM深度学习的发电量需求预测方法， 其特 征在于， 包括以下步骤： 步骤1： 采集发电量及主要影响因子历史数据， 并按时间进行排列得到序列样本数据 集， 然后对其数据进行归一化处理， 使其数值处在[0,1]之间， 得到数据集作为监督学习的 样本， 所述的主要影响因子历史数据包括： 天气数据、 日期属性数据、 发电设备出力及可靠 性数据、 电网调度数据。 步骤2： 将数据分成训练集和测试集； 将准备好的序列数据按2： 1比例分成训练集和测 试集， 并保证 每个数据集采样周期能代 表同一时段的特 征变化样本； 步骤3： 定义和建立发电量需求LSTM网络模型， 设置多个主要影响因子数据输入， 并调 整网络内部参数； LSTM网络模型采集数据经过输入层的格式转换后， 传输至LSTM层进行 LSTM网络训练， 依次经 过全连接层和SoftMax层后， 由分类输出层输出分类结果； 步骤4： 模型训练拟合； 训练发电量需求LSTM网络模型， 将经过步骤1归一化处理后的训 练集数据输入发电量需求 LSTM网络模型进行训练， 直到网络收敛； 步骤5： 模型过拟合评估， 拟合后， 用步骤4拟合后的LSTM模型预测经步骤2得到的测试 数据集， 用预期的发电量数值及运算周期指标， 来调整测试数据集的规模， 将预测与测试数 据按1： 1相结合， 输入到拟合的LSTM模 型， 将训练集的模 型损失和测试集的模型损失显示在 一幅图中， 判断模型 是否存在过度拟合现象； 步骤6： 模型预测； 模型评估验证后， 将在线采样的当前已产生的数据输入到经过步骤5 验证好的LSTM神经网络对未来时间的发电量 值进行预测。 2.根据权利要求1所述的一种基于LSTM深度学习的发电量需求预测方法， 其特征在于， 所述的步骤3 设置多个主要影响因子数据输入， 将发电量分解为基础电量和气象敏感电量； 基础电量考虑季节变化、 节假日效应和周末效应； 气象敏感电量与天气数据关联， 天气数据 包括： 气温、 湿度、 风速 。 3.根据权利要求1所述的一种基于LSTM深度学习的发电量需求预测方法， 其特征在于， 所述的步骤3调整网络内部参数， 按照设定值调整学习率和迭代 次数， 获取输入权重、 循环 权重和偏差， 并分别利用门激活函数和状态激活函数调整对应的传 入门、 遗忘门、 被选门和 输出门的参数。 4.根据权利要求1所述的一种基于LSTM深度学习的发电量需求预测方法， 其特征在于， 所述的步骤4网络收敛过程中， 使用平均绝对误差(MAE)损失函数和随机梯度下降的Adam算 法， 一方面动态的修改各参数的学习率， 另一方面引入动量法， 使得参数更新有 更多的机会 跳出局部最优， 加速和优化网络收敛。权　利　要　求　书 1/1 页 2 CN 114021848 A 2一种基于LSTM深度学习的发电量需求预测方 法 技术领域 [0001]本发明涉及电源供给侧运行需求决策技术领域， 特别涉及一种基于LSTM深度学习 的发电量需求预测方法。 技术背景 [0002]电能在电力生产和消耗使用过程中具有其特殊性。 受限于目前的技术条件， 电能 存储技术还无法对富裕的电量进 行大规模存储和释放。 己建设的储能， 规模都不大， 且经济 性不髙。 因此， 保证发电和用电的平衡仍是提高用电质量及提高经济性的唯一可行手段。 同 时， 为了实现电力系统安全性， 也必须对发(用)电量需求实现准确的预测。 [0003]由于电能在生产和消费环节存在供需矛盾。 一方面， 能源供给不足， 产生的电能满 足不了用户需求， 往往会拉闸限电， 影响了企事业和的居民正常工作和生活的要求； 另一方 面， 供给侧发的电能超过用户的电量需求， 会造成系统安全和能源浪费。 据国家能源统计局 数据显示， 我国每年都会有几十亿度电能浪费。 因此， 寻求一种准确的电能负荷预测方法， 准确预测电能的需求变化趋势， 就可以降低电能对环境造成的不良影响， 同时节约电能。 发 电量需求预测是以历史时间序列数据为数据源， 利用数据挖掘、 深度学习等技术建立发电 量需求预测数学模型， 预测未来时间段的发(用)电量需求， 方便发电企业科学有效地管理 电能生产量， 减少电能浪费。 [0004]对于发电企业来说， 发电量需求预测一般分中长期和 短期预测。 中长期预测一般 主要目的是为燃料采购和存储以及电站的设备检修提供指导。 短期预测一般主要 是为机组 的出力安 排以及调度计划的制定提供指导。 [0005]由于各地经济结构、 发展水平以及气候的差异， 使得发电量需求预测没有一个普 遍适用的模式或预测模型可以通用。 另外， 在同一个地区的用电量会同时也受到多种因素 的影响， 如季节、 节假日和周末效应等， 用电量会呈现复杂的变化特性， 因此对其进行准确 的预测难度较大。 现有发电量负荷预测方法多根据以上单个或组合因素进行线性预报， 其 预报时长短， 精度低， 有的方法需要进行复杂的建模， 占用资源高， 难以面向发电侧企业进 行工程实施和应用推广。 发明内容 [0006]为了克服上述现有技术的缺陷， 本 发明的目的在于提供一种基于LSTM深度学习的 发电量需求预测方法， 根据上一个时段 的发电量和主要影响因子数据， 预测下一时间段 的 发电量需求； 通过引入多个主要影响因子数据的时间序列预测LSTM模型， 提高发电量需求 预测的准确性和实用性， 发电企业可以根据预测的发电量需求， 有效组织煤炭储 备供应， 合 理安排设备检修时间和出力计划， 从而达到稳定地发电量生产供给， 提高发电企业的经济 效益和社会效益。 [0007]为实现上述目的， 本发明的技 术方案为： [0008]一种基于LSTM深度学习的发电量需求预测方法， 其特 征在于， 包括以下步骤：说　明　书 1/5 页 3 CN 114021848 A 3