科创中国
基于长短期记忆网络的短期负荷预测方法、系统及终端
发布时间: 2025-05-06
基本信息
合作方式：
技术咨询
成果类型：
发明专利
行业领域：
新一代信息技术产业,新能源产业,人工智能,智能电网产业
成果介绍
本成果提出了一种基于长短期记忆网络（LSTM）的短期负荷预测方法、系统及终端，旨在解决电力负荷预测中数据时序变化复杂、受多种非线性因素影响的问题。该方法通过从变电设备中获取原始电力数据集，利用频繁模式树（FP树）挖掘影响负荷的关键因素，并结合LSTM网络算法进行预测。具体步骤包括：获取原始电力数据集并创建FP树，基于FP树和预设节点阈值筛选样本数据集，将样本数据集划分为测试集和训练集，通过LSTM网络算法训练模型并获取预测结果。该系统包括创建模块、获得模块和获取模块，分别负责数据处理、样本筛选和预测结果生成。终端设备则通过处理器和存储器实现上述方法的自动化运行。本成果通过数据挖掘和深度学习技术的结合，有效提高了短期负荷预测的准确性和效率，为电力系统的优化调度和资源合理配置提供了科学依据。
成果亮点
本成果的核心亮点在于创新性地结合了频繁模式树（FP树）和长短期记忆网络（LSTM）算法，解决了传统负荷预测方法难以处理的时序数据复杂性和非线性问题。首先，通过从变电设备获取原始电力数据集并创建FP树，能够高效挖掘影响负荷的关键因素，筛选出高频次数据作为样本数据集。其次，利用LSTM网络算法对样本数据集进行训练和预测，能够有效处理时序数据的长期依赖关系，提高预测精度。与传统方法相比，本成果不仅提高了预测的准确性和效率，还通过数据挖掘技术筛选出更具代表性的样本数据，进一步优化了模型性能。此外，系统和终端的实现为该方法的自动化应用提供了支持，使其能够快速适应电力系统中的实际需求，为电力负荷预测提供了科学有效的方法，具有较高的应用价值。
团队介绍
本成果的研发团队在电力系统、数据挖掘、深度学习等领域拥有深厚的专业背景和丰富的实践经验。团队成员紧密合作，充分发挥各自的专业优势，攻克了电力负荷预测中的多项技术难题，包括数据处理、特征挖掘和模型优化等。该团队不仅具备强大的技术研发能力，还具备将前沿技术与实际应用相结合的能力，成功将FP树和LSTM算法应用于短期负荷预测领域，显著提高了预测的准确性和效率。通过创新性的技术设计和优化，团队为推动电力系统智能化运维和资源合理配置的发展做出了重要贡献，为电力负荷预测提供了科学有效的方法。
成果资料
下载app