本申请涉及逐时电力负荷预测，尤其是一种基于pso-lstm模型的多特征逐时电力负荷预测方法。
背景技术：
1、电力负荷预测是一种关键过程，旨在预估一定时间内电网的需求；预测分为短期、中期、长期。在可再生能源系统中，电力负荷预测的准确性不仅影响能源的有效利用，还直接关系到电网的整体稳定性。为此，引入机器学习模型来预测电力负荷以及优化电网的运行和管理。机器学习包括时间序列分析技术、自回归整合移动平均模型、季节性分解时间序列预测模型、回归模型以及神经网络；在智能电网环境中，机器学习被用于优化电网的运行和管理。
2、现有的电力负荷预测方法多采用单特征数据进行电力负荷预测，无法达到较高的预测精度，未能利用多特征数据集综合预测逐时电力负荷；并且，现有电力负荷预测对于中期、中长期、长期等方面的研究较少，尤其是加入多特征因素之后，存在着预测精度较低的问题。
技术实现思路
1、本申请的目的是提供一种基于pso-lstm模型的多特征逐时电力负荷预测方法，旨在提升逐时电力负荷的预测精度。
2、本申请实施例提供一种基于pso-lstm模型的多特征逐时电力负荷预测方法，包括：
3、s1：获取目标区域的历史逐时电力负荷数据以及目标区域对应的气象数据；
4、s2：找出所述历史逐时电力负荷数据中的异常值点，并对存在异常的所述历史逐时电力负荷数据进行异常处理；对处理后的所述历史逐时电力负荷数据进行归一化处理，并基于归一化处理的结果构建训练集和测试集；
5、s3：提取出正常的历史逐时电力负荷数据的时间特征数据，并组合所述气象数据构建多特征组合集；
6、s4：采用粒子群优化算法对lstm模型进行优化；将所述多特征组合集和所述训练集输入至优化后的lstm模型进行训练；
7、s5：将所述多特征组合集输入至训练完成的优化后的lstm模型，得到预测逐时电力负荷数据；
8、s6：将所述预测逐时电力负荷数据与所述测试集中的数据进行对比，计算出评价指标，所述评价指标用于评估预测效果。
9、优选的，所述气象数据包括逐时太阳辐射强度、2m高度风速、气温。
10、优选的，通过箱线图找出所述历史逐时电力负荷数据中的异常值点；异常处理包括：取所述异常值点前后时刻的数据值的平均值重新赋值异常值点的值。
11、优选的，归一化处理包括：
12、
13、其中，表示归一化处理后的结果；xi表示第i时刻的电力负荷数据；xmax表示逐时电力负荷数据中的最大值；xmin表示逐时电力负荷数据中的最小值。
14、优选的，将所述归一化处理的结果按照8∶2的比例分为训练集和测试集。
15、优选的，通过时间戳提取法分别提取出正常的历史逐时电力负荷数据的时间特征数据，所述特征包括工作日、周末以及公共假日的历史逐时电力负荷数据。
16、优选的，所述采用粒子群优化算法对lstm模型进行优化包括：
17、步骤1：以lstm模型中的隐藏层单元数目、批处理大小、初始学习率以及时间步长为优化对象，初始化粒子群优化算法；
18、步骤2：以每个参数作为粒子，根据粒子群构建出新的lstm模型并进行训练与预测，以基于预测结果计算出的决定系数为负作为优化目标；
19、步骤3：通过为负的决定系数确定群体最佳粒子位置和历史最佳粒子位置，并更新普通粒子和局部最优粒子的速度、位置；
20、步骤4：重复步骤2-3，直至达到决定系数达到最佳分数，得到最优超参数组合；
21、将所述多特征组合集和所述训练集输入至优化后的lstm模型，并基于所述最优超参数组合对优化后的lstm模型进行训练。
22、优选的，lstm模型的超参数组合包括：输入层时间步数为24，输入层维数为1，隐藏层数目为1，隐藏层单元数为50，输出层变量维数为1，训练批次为32，训练轮次为5；
23、所述最优超参数组合包括：输入层时间步数为720，输入层维数为1，隐藏层数目为1，隐藏层单元数为100，输出层变量维数为1，训练批次为32，训练轮次为5。
24、优选的，还包括：
25、将所述多特征组合集输入至训练完成的lstm模型，得到第二预测逐时电力负荷数据；
26、将所述第二预测逐时电力负荷数据与所述测试集中的数据进行对比，计算出第二评价指标；
27、将所述评价指标与所述第二评价指标进行对比分析，得到对比分析表，所述对比分析表用于体现预测效果。
28、优选的，所述评价指标包括：均方根误差、平均绝对误差以及决定系数；
29、均方根误差的计算公式为：
30、
31、其中，ermse表示均方根误差；m为逐时电力负荷数据的数量；yi表示测试集中第i个数据的实际值；表示第i个预测逐时电力负荷数据的值；
32、平均绝对误差的计算公式为：
33、
34、其中，emae表示平均绝对误差；
35、决定系数的计算公式为：
36、
37、其中，r2表示决定系数；表示实际值的平均值。
38、本申请的有益效果：该方法针对单特征逐时电力负荷预测具有不稳定和精度低的问题，通过获取目标区域的历史逐时电力负荷数据以及目标区域对应的气象数据；找出历史逐时电力负荷数据中的异常值点，并对存在异常的历史逐时电力负荷数据进行异常处理；对处理后的历史逐时电力负荷数据进行归一化处理，并基于归一化处理的结果构建训练集和测试集；提取出正常的历史逐时电力负荷数据的时间特征数据，并组合气象数据构建多特征组合集；采用粒子群优化算法对lstm模型进行优化；将多特征组合集和训练集输入至优化后的lstm模型进行训练；将多特征组合集输入至训练完成的优化后的lstm模型，最终得到预测逐时电力负荷数据，提升了逐时电力负荷的预测精度。
1.一种基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，包括：
2.根据权利要求1所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，所述气象数据包括逐时太阳辐射强度、2m高度风速、气温。
3.根据权利要求1所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，通过箱线图找出所述历史逐时电力负荷数据中的异常值点；异常处理包括：取所述异常值点前后时刻的数据值的平均值重新赋值异常值点的值。
4.根据权利要求1所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，归一化处理包括：
5.根据权利要求4所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，将所述归一化处理的结果按照8:2的比例分为训练集和测试集。
6.根据权利要求1所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，通过时间戳提取法分别提取出正常的历史逐时电力负荷数据的时间特征数据，所述特征包括工作日、周末以及公共假日的历史逐时电力负荷数据。
7.根据权利要求1所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，所述采用粒子群优化算法对lstm模型进行优化包括：
8.根据权利要求7所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，lstm模型的超参数组合包括：输入层时间步数为24，输入层维数为1，隐藏层数目为1，隐藏层单元数为50，输出层变量维数为1，训练批次为32，训练轮次为5；
9.根据权利要求8所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，还包括：
10.根据权利要求1所述的基于pso-lstm模型的多特征逐时电力负荷预测方法，其特征在于，所述评价指标包括：均方根误差、平均绝对误差以及决定系数；
