(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 202111561942.3 (22)申请日 2021.12.17 (71)申请人 中国矿业大 学 （北京） 地址 100083 北京市海淀区学院路丁1 1号 (72)发明人 赵宇波　郭妮　田子建　 (51)Int.Cl. H02J 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种基于双向长短时记忆神经网络的电力 负荷预测方法 (57)摘要 本发明公开一种基于双向长短时记忆神经 网络的电力负荷预测方法， 该方法采用双向长短 时记忆神经网络和岭回归算法相结合的双层模 型架构， 对电力负荷进行未来p小时的预测， 首先 从不同的输入时间尺度组合中筛选出最佳的输 入时间尺度组合和岭回归系数α， 再训练双向长 短时记忆神经网络作为预测模型， 对 预测日期 进 行未来p小时的电力负荷预测。 本发明提供了筛 选最佳输入时间尺度组合的方法， 根据最佳的输 入时间尺度组合建立双向长短时记忆神经网络， 解决了无法确定输入时间尺度组合的问题； 通过 岭回归模型对预测日期前一日的预测值与实际 值建立映射 关系并对预测日期进行预测， 大大提 高了电力负荷的预测精度。 权利要求书2页 说明书6页 附图1页 CN 114243695 A 2022.03.25 CN 114243695 A 1.一种基于双向长短时记忆神经网络的电力负荷预测方法， 其特征在于， 采用 双向长 短时记忆神经网络和岭回归算法相结合的双层模型架构， 对电力负荷进行未来p小时的预 测， 首先从不同的输入时间尺度组合中筛选出最佳的输入时间尺度组合和岭回归系数α， 再 将双向长短时记 忆神经网络作为预测模型， 对预测日期进行 未来p小时的电力负荷预测。 2.根据权利要求1所述的一种基于双向长短时记忆神经网络的电力负荷预测方法， 其 特征在于， 所述方法包括如下步骤: 步骤S1： 采用双 向长短时记忆神经网络和岭回归算法相结合的双层模型架构， 首先需 确定第一层 双向长短时记 忆神经网络模型的最佳输入时间尺度组合和岭回归系数α； 步骤S2： 将待预测日期D的历史数据根据最佳输入时间尺度组合进行重构得到第一样 本集， 将第一样 本集划分训练集和测试集， 并将训练集输入双向长 短时记忆神经网络模型， 将得到的预测值组合作为第二样本集的测试集； 将日期D ‑1的历史数据根据最佳输入时间 尺度组合进行重构得到第一样本集， 将第一样本集划分训练集和测试集， 并将训练集输入 双向神经网络模型， 得到日期D ‑1的预测值， 将日期D ‑1的预测值和实际值作为第二样本集 的训练集； 步骤S3： 根据步骤S2得到的第二样本集的训练集对岭回归模型进行训练， 得到日期D ‑1 对应的预测值与实际值的映射关系， 将步骤S2得到的第二样本集测试集输入训练好的岭回 归进行预测， 得到日期 D的最终预测值； 3.根据权利要求2所述的一种基于双向长短时记忆神经网络的电力负荷预测方法， 其 特征在于， 所述 步骤S1的具体方法为： 步骤S1.1： 首先将采集的历史电力负荷数据作为样本数据集， 确定m个不同的输入时间尺 度， 确定输出步数为p,根据输出步数p和m个不同的输入时间尺度对样本数据集进行重构， 共 生成m个不同的样本数据集； 将m个不同的重构样本数据集作为第一样本集并划分训练集和测 试集， 用m个训练集分别训练双向长短时记忆神经网络， 共得到m个预测模型。 将日期T作为预 测对象， 将日期T之前的第一样本集进行训练集和测试集的划分， 将日期T对应的测试集分 别输入预测模型， 日期T共得到m组不同的预测值， 每组预测值代表从对应的输入时间尺度 中提取的信息特征； 将m组不同的预测值进行充分组合， 共得到 种组合， 并将其作为第二样本集的测试集； 步骤S1.2： 将日期T ‑1之前的第一样本集划分训练集和测试集， 将日期T ‑1对应的测试 集分别输入步骤S1.1得到的m个预测模型， 得到日期T ‑1的m个不同的预测值； 步骤S1.3： 已知日期T ‑1的实际值， 将日期T ‑1的实际值作为因变量， 将步骤S1.2得到的 日期T‑1的m个不同预测值进行充分组合， 共得到 组自变量， 即不 同输入时间尺度的组合类型， 组合后每组自变量均对应相同的因变量， 将每组自变量和因 变量作为第二样 本集的训练集对岭回归进 行训练， 并将步骤S1.1得到的第二样本集的测试 集输入训练好的岭回归 模型， 将输出值作为日期T对应的最终预测值； 步骤S1.4： 将步骤S1.3得到的日期T的最终预测值与实际值进行准确度评估， 将拟合度 R2和均方根误差RMSE作为评估指标， 通过网格搜索方法确定最优的岭回归系数α， 拟合度R2 最高时对应的岭回归系 数α确定为最终的岭回归系 数； 拟合度R2最高时对应的自变量组合 将作为最佳的输入时间尺度组合， 并在预测模型中应用这一输入时间尺度组合和最优的岭权　利　要　求　书 1/2 页 2 CN 114243695 A 2回归系数α， 由此确定了第一层双向长短时记忆神经网络模型的最佳输入时间尺度组合和 岭回归系数α 。权　利　要　求　书 2/2 页 3 CN 114243695 A 3