基于双向LSTM模型进行电力需求预测（Matlab代码实现）

荔枝科研社

已于 2022-10-13 22:56:21 修改

阅读量979

点赞数 1

分类专栏：神经网络预测预测与分类文章标签： matlab 电力负荷预测

于 2022-09-15 14:31:16 首次发布

本文链接：https://blog.csdn.net/weixin_46039719/article/details/126730649

版权

神经网络预测预测与分类专栏收录该内容

136 篇文章 57 订阅

订阅专栏

💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

📋📋📋本文目录如下：⛳️⛳️⛳️

目录

1 概述

2 预测模型原理

3 运行结果

4 参考文献

5 Matlab代码实现

1 概述

电力系统负荷预测可对未来一段时间的电力需求进行估计，从而根据负荷预测结果来安排机组组

合计划、发电计划、联络线交换计划，组织电力现货交易。因此，准确的电力负荷预测对于电力系统安全、经济、高效地运行有着重要的意义［1］。短期电力负荷预测主要是指对未来一天、一周甚至几周时间内的用电负荷进行预测，是电网日常运营的重要组成部分。对于短期电力负荷预测的研究方法，大致分为两类，包括传统电力负荷预测方法[2]和机器学习算法模型预测方法。基于当下新型用电环境与影响用电因素复杂多样化的特点，机器学习算法模型成为学者们在电力负荷预测领域研究的焦点。

2 预测模型原理

图1 为 LSTM 的基本单元，LSTM 通过对其遗忘门、输入门、输出门等门控单元进行有效组合可以实现信息的保护和当前状态的更新，更新规则如式 ( 4) 所示。门控单元的实现如下式所示:

$\begin{array}{c} \boldsymbol{f}_{t}=\sigma\left(\boldsymbol{W}_{f} \times\left[\boldsymbol{h}_{t-1}, \boldsymbol{z}_{t}\right]+\boldsymbol{b}_{f}\right) \\ \boldsymbol{i}_{t}=\sigma\left(\boldsymbol{W}_{i} \times\left[\boldsymbol{h}_{t-1}, \boldsymbol{z}_{t}\right]+\boldsymbol{b}_{i}\right) \\ \hat{\boldsymbol{C}}_{t}=\tanh \left(\boldsymbol{W}_{C} \times\left[\boldsymbol{h}_{t-1}, \boldsymbol{z}_{t}\right]+\boldsymbol{b}_{\boldsymbol{C}}\right) \\ \boldsymbol{C}_{t}=\boldsymbol{f}_{t} \times \boldsymbol{C}_{t-1}+\boldsymbol{i}_{t} \times \hat{\boldsymbol{C}}_{t} \\ \boldsymbol{o}_{t}=\sigma\left(\boldsymbol{W}_{\boldsymbol{o}} \times\left[\boldsymbol{h}_{t-1}, \boldsymbol{z}_{t}\right]+\boldsymbol{b}_{\boldsymbol{o}}\right) \\ \boldsymbol{h}_{t}=\boldsymbol{o}_{t} \times \tanh \boldsymbol{C}_{t} \end{array}$

图1 LSTM 结构示意图

3 运行结果

部分代码：

%% 训练
inputSize = 3;
numHiddenUnits = 200;
layers = [ ...
    sequenceInputLayer(inputSize)
    bilstmLayer(numHiddenUnits,'OutputMode','last')
    fullyConnectedLayer(1)
    regressionLayer];
maxEpochs = 10000;
options = trainingOptions('adam', ...
    'MaxEpochs',maxEpochs, ...
    'InitialLearnRate',0.01, ...
    'GradientThreshold',1, ...
    'Shuffle','never', ...
    'Plots','training-progress',...
    'Verbose',0);
net = trainNetwork(X,Y',layers,options);
save('net.mat','net')
trainY=double(predict(net,X));
%% 可视化
figure, ploterrhist(trainY-Y')
figure, plot(trainY,'-o')
hold on
plot(Y,'-^')
title('训练结果')
xlabel('电价')
ylabel('有功功率需求量(MW)');
legend('biLSTM 输出','实际电力需求')