CN108256697B - 一种用于电力系统短期负荷的预测方法 - Google Patents
一种用于电力系统短期负荷的预测方法 Download PDFInfo
- Publication number
- CN108256697B CN108256697B CN201810253491.9A CN201810253491A CN108256697B CN 108256697 B CN108256697 B CN 108256697B CN 201810253491 A CN201810253491 A CN 201810253491A CN 108256697 B CN108256697 B CN 108256697B
- Authority
- CN
- China
- Prior art keywords
- load
- model
- data
- components
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种用于电力系统短期负荷的预测方法,以负荷数据的有功功率为数据基础,通过将数据分解频率由高到低的各个稳定频率分量,再分别使用多元线性回归与LSTM神经网络对其低频分量与中高频分量进行预测,最后叠加所预测的结果,从而得到完整的预测结果;这样解决了传统负荷预测方法对于高频局部特征难以进行有效预测的缺点,同时也能够准确预测出负荷的变化趋势,提高了复杂情况下的预测有效性。
Description
技术领域
本发明属于电力负荷预测技术领域,更为具体地讲,涉及一种用于电力系统短期负荷的预测方法。
背景技术
随着电力市场的发展以及用户需求的逐步提升,电网的安全及经济运行变得至关重要。对电力负荷进行准确的短期预测,可以有效保障电网安全运行,降低发电成本,满足用户需求,提高社会经济效益。由于电力能源的生产、输送、分配和供应消费几乎同时完成,电能作为一种较为特殊的能源,难以大量存储,这就使得电力系统发电出力应该与系统负荷的变化随时保持一致,达到动态平衡,满足供需关系,否则轻则影响供电质量,重则危机整个电力系统的安全与稳定。由于电力系统负荷具有明显的周期特性(天,周,月,年),同时影响的因素复杂(天气、经济、节假日、观测误差等等),电力系统负荷呈现出较强的随机性和非周期成分,为短期预测带来较大难度。
文献“Zheng J,Xu C,Zhang Z,et al.Electric load forecasting in smartgrids using Long-Short-Term-Memory based Recurrent Neural Network[C]//Information Sciences and Systems.IEEE,2017.”使用LSTM对电力负荷进行了短期预测,并将LSTM与其他常见算法进行了对比,结果表明LSTM的预测误差要优于其他算法。同时,文中指出季节性差分自回归滑动平均模型(SARIMA)对于非平稳非季节性的电力负荷系统预测难以发挥作用。
但是,其文中给出结果并没有对负荷的高频局部特征进行准确的预测,预测曲线仅拟合了负荷的基本变化趋势。在负荷随机波动情况较大的时候方法具有局限性。
在实际应用中,负荷数据往往包含较多的噪音干扰,大大降低了负荷预测精度,另一方面,由于通信延迟等多方面原因,数据存在大量空缺,且空缺位置与长度通常无规律可循,空缺长度过长使得传统的插值法难以合理的填充空缺,而简单直接的填充固定值或历史值,很可能破坏时间序列的周期性、规律性。因此,在有限长度的电力负荷数据中,如何充分挖掘数据包含的信息,是预测模型建立的关键。传统数学模型为充分挖掘数据信息、提高预测精度,常使用增加数据维度或将数据进行细分的方法,在一定条件下能够实现快速准确的预测,但是当数据维度较低、数据量较小的时候,对于复杂多变的电力负荷,由于其随机性和非周期性的影响,传统数学模型难以获得有效预测精度。而基于人工智能的算法虽然能够相比之下取得更高的预测精度,但往往存在超参数难以确立,资源耗费较多,计算速度相对较慢的缺点,且对于低维度时间序列数据,由于其各局部特征之间相互影响,使得模型难以从数据中清晰的找出规律建立规则。
发明内容
本发明的目的在于克服现有技术的不足,提供一种用于电力系统短期负荷的预测方法,通过将电力负荷数据进行分解,使得局部特征与变化趋势分离,最后将预测结果进行叠加,得到精确的预测结果。
为实现上述发明目的,本发明一种用于电力系统短期负荷的预测方法,其特征在于,包括以下步骤:
(1)、从智能电表端提取用户侧负荷数据
(1.1)、从各个智能电表端采集每个用户的用电负荷数据;
(1.2)、将每个用户的用电负荷数据进行叠加,得到接近于发电侧的区域负荷数据;
(1.3)、对区域负荷数据进行层次聚类,得到N类负荷数据,再以层次聚类得到的类别数N为基准,进行K均值聚类,得到代表用户侧负荷的N类用电负荷数据;
(2)、利用集合经验模态分解算法EEMD对每一类用电负荷数据进行分解;
(2.1)、从N类用电负荷数据中随机抽取一类用电负荷数据作为测试数据,并在测试数据中加入白噪声,标记为s(n);
(2.2)、对s(n)进行EMD分解,计算出若干本征模函数IMF分量;
(2.2.1)、找出s(n)的所有极值点,再使用三次样条插值函数分别求出上下包络曲线emax(n)和emin(n),然后计算其均值m(n);
(2.2.2)、计算s(n)与m(n)的差值d(n);
d(n)=s(n)-m(n)
其中,n=0,1,…,M,M表示该类用电负荷数据的序列长度;i=1,2,…,k表示第i次筛分,k表示筛分总次数,当i=1时,d0(n)等于s(n);
若SD小于则令cj(n)=d(n),即得到本次分解后的一个IMF分量cj(n),j=1,2,…,h,h表示IMF分量总个数,一次完整的筛分过程结束,跳转到步骤(2.2.4);否则以d(n)作为输入信号,即d(n)=s(n),再返回步骤(2.2.1)进行下一轮的筛分,直到经过多轮筛分后满足SD小于
(2.2.4)、令s(n)=s(n)-cj(n),判断s(n)是否满足继续分解的条件,如果不满足分解条件,则令残余r(n)=s(n),且本次分解结束,得到本次分解后的一组IMF分量cj(n)及残余;否则,以所得到的s(n)返回步骤(2.2.1)继续下一轮分解,从而计算出下一个IMF分量cj+1(n),然后依次类推,最终将原信号s(n)分解为了h个本征模函数IMF分量[c1(n),c2(n),…,ch(n)]以及残余r(n);
(2.3)、将步骤(2.1)中抽取的测试数据按照步骤(2.1)和(2.2)所述方法重复P次,且每次添加不同的白噪声;
(2.4)、将P次分别得到的IMF分量求均值,得到IMF均值集合,即得到h个频率从高到低不等的频率负荷分量;
(3)、在IMF均值集合中,将前τ个频率负荷分量划分为中高频负荷分量,剩余h-τ个频率负荷分量划分为低频负荷分量;
(4)、利用多元线性回归MLR模型和长短期记忆神经网络LSTM模型进行负荷预测
(4.1)、利用利用MLR模型对低频负荷分量进行预测
(4.1.1)、利用滑动窗口按照相等步长对低频负荷分量进行滑动,建立起不同时刻下的若干长度一定的子序列;
(4.1.2)、建立MLR模型表达式:
Y=X×β+μ
展开表示为:
其中,yi表示电力负荷值;xij表示影响负荷的因素;β0表示常数项,βi表示回归系数,i=1,2...,n;μi表示随机扰动;
(4.1.3)、采用最小二乘法估计回归系数;
(4.1.4)、将回归系数代入MLR模型中得到标准的MLR模型,再将当前时刻时的子序列代入到MLR模型中估计出下一刻的负荷值,然后将所得负荷预测值添加到当前时刻子序列中,重新带入到模型,继续向下一时刻预测,这样重复Q次后,得到长度为Q的负荷预测值序列;
(4.2)、利用LSTM模型对中高频负荷分量进行预测
(4.2.1)、利用滑动窗口按照相等步长对中高频负荷分量进行滑动,建立起不同时刻下的若干长度一定的子序列;
(4.2.2)、将子序列作为LSTM模型的输入,前向计算出LSTM模型中每个神经元的状态参数与输出值;
(4.2.3)、通过均方误差公式反向计算出LSTM模型中每个神经元的误差项MSE;
其中,Preal表示t时刻负荷真实值,Ppredict(t)表示t时刻LSTM输出值,n表示数据长度;
(4.2.4)、以误差项MSE为目标函数,使用Adam优化算法调整每个神经元的权重,优化误差项,然后再返回步骤(4.2.2),直到误差项MSE不再减小时结束,得到标准的LSTM模型;
(4.2.5)、将当前时刻时的子序列代入到LSTM模型中估计出下一刻的负荷值,然后将所得负荷预测值添加到当前时刻子序列中,重新带入模型,继续向下一时刻预测,这样重复Q次后,得到长度为Q的负荷预测值序列;
(4.3)、将MLR模型所得预测结果与LSTM模型所得预测结果相叠加,得到完整预测结果;
(5)、当该一类用电负荷数据得到完整预测结果后,按照步骤(2)-(4)所述方法继续预测剩余N-1类用电负荷数据,最终得到电力系统短期负荷预测结果。
本发明的发明目的是这样实现的:
本发明一种用于电力系统短期负荷的预测方法,以负荷数据的有功功率为数据基础,通过将数据分解频率由高到低的各个稳定频率分量,再分别使用多元线性回归与LSTM神经网络对其低频分量与中高频分量进行预测,最后叠加所预测的结果,从而得到完整的预测结果;这样解决了传统负荷预测方法对于高频局部特征难以进行有效预测的缺点,同时也能够准确预测出负荷的变化趋势,提高了复杂情况下的预测有效性。
同时,本发明一种用于电力系统短期负荷预测的方法还具有以下有益效果:
(1)、本发明即可以准确的预测负荷的变化趋势,又能够一定程度的预测随机性很强的局部特征;
(2)、通过多元线性回归与LSTM神经网络方法的结合,有效的避免了过于繁琐的神经网络训练以及参数设定,提高了模型整体的简洁性与快速性;
(3)、相比于传统负荷预测方法,本发明有效提高了预测的精确度。
附图说明
图1是本发明一种用于电力系统短期负荷的预测方法流程图;
图2是某用户侧监测点2017年4月8日至4月28日的负荷数据;
图3是该监测点负荷经过EEMD分解后的各个分量;
图4是将各个分量的预测值依次叠加后最后五个部分的示意图;
图5是负荷真实值与EEMD-LSTM-MLR模型预测值、LSTM模型预测值、EEMD-SVR-MLR模型预测值的对比。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种用于电力系统短期负荷的预测方法流程图。
在本实施例中,如图1所示,本发明一种用于电力系统短期负荷的预测方法,包括以下步骤:
S1、从智能电表端提取用户侧负荷数据
S1.1、从各个智能电表端采集每个用户的用电负荷数据,在本实施例中,选取有功功率为采集的负荷数据;
S1.2、将每个用户的用电负荷数据进行叠加,得到接近于发电侧的区域负荷数据;
在本实施例中,提取某用户侧监测点在2017年4月8日至4月28日的负荷数据,其中,采样间隔为15分钟,一天96个点,总计2016个点,将2016个点连接得到一条某用户的负荷曲线如图2所示;
S1.3、对区域负荷数据进行层次聚类,得到N类负荷数据,再以层次聚类得到的类别数N为基准,进行K均值聚类,得到代表用户侧负荷的N类用电负荷数据;
S2、利用集合经验模态分解算法EEMD对每一类用电负荷数据进行分解;
S2.1、下面我们以其中任意一类用电负荷数据进行分解说明;首先从N类用电负荷数据中随机抽取一类用电负荷数据作为测试数据,并在测试数据中加入白噪声,标记为s(n);
S2.2、对s(n)进行EMD分解,计算出若干本征模函数IMF分量;
S2.2.1、找出s(n)的所有极值点,再使用三次样条插值函数分别求出上下包络曲线emax(n)和emin(n),然后计算其均值m(n);
S2.2.2、计算s(n)与m(n)的差值d(n);
d(n)=s(n)-m(n)
其中,n=0,1,…,M,M表示该类用电负荷数据的序列长度;i=1,2,…,k表示第i次筛分,k表示筛分总次数,当i=1时,d0(n)等于s(n);
若SD小于则令cj(n)=d(n),即得到本次分解后的一个IMF分量cj(n),j=1,2,…,h,h表示IMF分量总个数,一次完整的筛分过程结束,跳转到步骤S2.2.4;否则以d(n)作为输入信号,即d(n)=s(n),再返回步骤S2.2.1进行下一轮的筛分,直到经过多轮筛分后满足SD小于
S2.2.4、令s(n)=s(n)-cj(n),判断s(n)是否满足继续分解的条件,其继续分解的条件为:s(n)为单调函数,或者s(n)或cj(n)小于等于给定的阈值;
如果不满足分解条件,则令残余r(n)=s(n),且本次分解结束,得到本次分解后的一组IMF分量cj(n)及残余;否则,以所得到的s(n)返回步骤S2.2.1继续下一轮分解,从而计算出下一个IMF分量cj+1(n),然后依次类推,最终将原信号s(n)分解为了h个本征模函数IMF分量[c1(n),c2(n),…,ch(n)]以及残余r(n),用公式表示为:
S2.3、为了保证分解所得分量具有稳定的频率,抑制模态混叠情况的发生,本实施例中对步骤S2.1中抽取的测试数据按照步骤S2.1和S2.2所述方法重复多次,且每次添加不同的白噪声,在此处具体选择重复100次;
S2.4、将100次分别得到的IMF分量求均值,得到IMF均值集合,即得到h个频率从高到低不等的频率负荷分量,如图3所示,IMF1即为每次分解所得到的c1(n)的均值,并依次类推,IMF h即为ch(n)的均值,最终得到了10个负荷分量序列及一个残余序列,每个分量具有较为稳定的频率,且表现出一定的周期特性,便于预测。
S3、在IMF均值集合中,将前τ个频率负荷分量划分为中高频负荷分量,剩余h-τ个频率负荷分量划分为低频负荷分量;
S4、利用多元线性回归MLR模型和长短期记忆神经网络LSTM模型进行负荷预测
S4.1、利用利用MLR模型对低频负荷分量进行预测
S4.1.1、利用滑动窗口按照相等步长对低频负荷分量进行滑动,建立起不同时刻下的若干长度一定的子序列;
S4.1.2、建立MLR模型表达式:
Y=X×β+μ
展开表示为:
其中,yi表示电力负荷值;xij表示影响负荷的因素;β0表示常数项,βi表示回归系数,i=1,2...,n;μi表示随机扰动;
S4.1.3、采用最小二乘法估计回归系数;
S4.1.4、将回归系数代入MLR模型中得到标准的MLR模型,再将当前时刻时的子序列代入到MLR模型中估计出下一刻的负荷值,然后将所得负荷预测值添加到当前时刻子序列中,重新带入到模型,继续向下一时刻预测,这样重复Q次后,得到长度为Q的负荷预测值序列;
S4.2、利用LSTM模型对中高频负荷分量进行预测
S4.2.1、利用滑动窗口按照相等步长对中高频负荷分量进行滑动,建立起不同时刻下的若干长度一定的子序列;
S4.2.2、将子序列作为LSTM模型的输入,前向计算出LSTM模型中每个神经元的状态参数与输出值;
根据数据特征适当选取神经网络隐藏层数量,以及每一层的神经元个数,本例中使用两个个隐藏层,其神经元数量分别为96和64,神经网络输入层神经元个数等于子序列长度,输出层神经元个数为1;下面我们对一个LSTM神经元的内部计算过程进行详细说明,具体如下:
1)、在t时刻,LSTM神经元的输入包括当前时刻的输入值xt(即子序列)、上一时刻LSTM的输出值ht-1、以及上一时刻的单元状态ct-1;LSTM的输出又为当前时刻LSTM输出值ht和当前时刻的单元状态ct。
2)、将[ht-1,xt]两个向量作连接,分别计算LSTM结构中负责是否将继续保持上一时刻长期状态的遗忘门的输出:
ft=σ(Wf·[ht-1,xt]+bf)
负责把即时状态输入到长期状态的输入门的输出:
it=σ(Wi·[ht-1,xt]+bi)
当前输入的单元状态:
ct′=tanh(Wc·[ht-1,xt]+bc)
当前时刻单元状态:
负责是否将长期状态作为输出的输出门:
ot=σ(Wo·[ht-1,xt]+bo)
其中,Wf,Wi,Wc,Wo分别表示遗忘门、输入门、输入单元状态、输出门的权重矩阵,bf,bi,bc,bo分别表示对应的偏置项,σ表示sigmoid函数,[ht-1,xt]表示将两个向量作连接,符号ο表示按元素相乘。
3)、LSTM最终输出:
S4.2.3、通过均方误差公式反向计算出LSTM神经网络模型中输出层每个神经元的误差项MSE;
其中,Preal表示负荷真实值,Ppredict表示LSTM神经网络预测值,n表示预测序列数据长度,本例中长度为1;
S4.2.4、以误差项MSE为目标函数,使用Adam优化算法调整每个神经元的权重,优化误差项,然后再返回步骤S4.2.2,直到误差项MSE不在减小时结束,得到训练好的LSTM神经网络模型;
S4.2.5、将当前时刻时的子序列代入到LSTM模型中估计出下一刻的负荷值,然后将所得负荷预测值添加到当前时刻子序列中,重新带入到模型,继续向下一时刻预测,这样重复Q次后,得到长度为Q的负荷预测值序列;在本实施例中,向后预测了96个时刻的负荷值,由于采样间隔为15分钟,因此即为预测了一整天的负荷曲线;
S4.3、将MLR模型所得预测结果与LSTM模型所得预测结果相叠加,得到完整预测结果;
如图4所示,从低频预测值到高频预测值逐步叠加的最后四个过程,Pre5-11即是指IMF5至IMF10及残余Residual的叠加,Pre1-11即为完整的负荷曲线。可以看到从整体趋势到负荷的局部细节的逐渐丰富,表明该方法能够一定程度上预测负荷的局部细节。
在本实施例中,以某地某用户侧监测点2017年4月8日至4月28日的实际负荷数据为测试对象,通过本发明所述方法,对负荷数据进行了预测,并与与LSTM、EEMD-SVR-MLR方法预测值进行对比,从图5可以看出,使用EEMD分解后的方法其曲线整体趋势还原度明显优于单独使用LSTM神经网络所得结果,而EEMD-LSTM-MLR方法在细节上又优于EEMD-SVR-MLR方法,从前18个点可以看出,本发明提出的EEMD-LSTM-MLR方法具有最好的准确率。本发明所设计方法无论从整体趋势还是局部细节都取得了较好的效果。
S5、当该一类用电负荷数据得到完整预测结果后,按照步骤S2-S4所述方法继续预测剩余N-1类用电负荷数据,最终得到电力系统短期负荷预测结果。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种用于电力系统短期负荷的预测方法,其特征在于,包括以下步骤:
(1)、从智能电表端提取用户侧负荷数据;
(1.1)、从各个智能电表端采集每个用户的用电负荷数据;
(1.2)、将每个用户的用电负荷数据进行叠加,得到发电侧的区域负荷数据;
(1.3)、对区域负荷数据进行层次聚类,得到N类负荷数据,再以层次聚类得到的类别数N为基准,进行K均值聚类,得到代表用户侧负荷的N类用电负荷数据;
(2)、利用集合经验模态分解算法EEMD对每一类用电负荷数据进行分解;
(2.1)、从N类用电负荷数据中随机抽取一类用电负荷数据作为测试数据,并在测试数据中加入白噪声,标记为s(n);
(2.2)、对s(n)进行EMD分解,计算出若干本征模函数IMF分量;
(2.2.1)、找出s(n)的所有极值点,再使用三次样条插值函数分别求出上下包络曲线emax(n)和emin(n),然后计算其均值m(n);
(2.2.2)、计算s(n)与m(n)的差值d(n);
d(n)=s(n)-m(n)
其中,n=0,1,…,M,M表示该类用电负荷数据的序列长度;i=1,2,…,k表示第i次筛分,k表示筛分总次数,当i=1时,d0(n)等于s(n);
若SD小于则令cj(n)=d(n),即得到本次分解后的一个IMF分量cj(n),j=1,2,…,h,h表示IMF分量总个数,一次完整的筛分过程结束,跳转到步骤(2.2.4);否则以d(n)作为输入信号,即d(n)=s(n),再返回步骤(2.2.1)进行下一轮的筛分,直到经过多轮筛分后满足SD小于
(2.2.4)、令s(n)=s(n)-cj(n),判断s(n)是否满足继续分解的条件,如果不满足分解条件,则令残余r(n)=s(n),且本次分解结束,得到本次分解后的一组IMF分量cj(n)及残余r(n);否则,以所得到的s(n)返回步骤(2.2.1)继续下一轮分解,从而计算出下一个IMF分量cj+1(n),然后依次类推,最终将原信号s(n)分解为了h个本征模函数IMF分量[c1(n),c2(n),…,ch(n)]以及残余r(n);
(2.3)、将步骤(2.1)中抽取的测试数据按照步骤(2.1)和(2.2)所述方法重复P次,且每次添加不同的白噪声;
(2.4)、将P次分别得到的IMF分量求均值,得到IMF均值集合,即得到h个频率从高到低不等的频率负荷分量;
(3)、在IMF均值集合中,将前τ个频率负荷分量划分为中高频负荷分量,剩余h-τ个频率负荷分量划分为低频负荷分量;
(4)、利用多元线性回归MLR模型和长短期记忆神经网络LSTM模型进行负荷预测;
(4.1)、利用MLR模型对低频负荷分量进行预测;
(4.1.1)、利用滑动窗口按照相等步长对低频负荷分量进行滑动,建立起不同时刻下的若干长度一定的子序列;
(4.1.2)、建立MLR模型表达式:
Y=X×β+μ
展开表示为:
其中,yi表示电力负荷值;xij表示影响负荷的因素;β0表示常数项,βi表示回归系数,i=1,2...,n;μi表示随机扰动;
(4.1.3)、采用最小二乘法估计回归系数;
(4.1.4)、将回归系数代入MLR模型中得到标准的MLR模型,再将当前时刻的子序列代入到MLR模型中估计出下一刻的负荷值,然后将所得负荷预测值添加到当前时刻子序列中,重新带入到模型,继续向下一时刻预测,这样重复Q次后,得到长度为Q的负荷预测值序列;
(4.2)、利用LSTM模型对中高频负荷分量进行预测;
(4.2.1)、利用滑动窗口按照相等步长对中高频负荷分量进行滑动,建立起不同时刻下的若干长度一定的子序列;
(4.2.2)、将子序列作为LSTM模型的输入,前向计算出LSTM模型中每个神经元的状态参数与输出值;
(4.2.3)、通过均方误差公式反向计算出LSTM模型中每个神经元的误差项MSE;
其中,Preal表示t时刻负荷真实值,Ppredict(t)表示t时刻LSTM输出值,n表示数据长度;
(4.2.4)、以误差项MSE为目标函数,使用Adam优化算法调整每个神经元的权重,优化误差项,然后再返回步骤(4.2.2),直到误差项MSE不再减小时结束,得到标准的LSTM模型;
(4.2.5)、将当前时刻的子序列代入到LSTM模型中估计出下一刻的负荷值,然后将所得负荷预测值添加到当前时刻子序列中,重新带入模型,继续向下一时刻预测,这样重复Q次后,得到长度为Q的负荷预测值序列;
(4.3)、将MLR模型所得预测结果与LSTM模型所得预测结果相叠加,得到完整预测结果;
(5)、当该一类用电负荷数据得到完整预测结果后,按照步骤(2)-(4)所述方法继续预测剩余N-1类用电负荷数据,最终得到电力系统短期负荷预测结果。
2.根据权利要求1所述的一种用于电力系统短期负荷的预测方法,其特征在于,所述(2.2.4)中,当s(n)=s(n)-cj(n)时,判断s(n)是否满足继续分解的条件为:s(n)为单调函数,或者s(n)或cj(n)小于等于给定的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253491.9A CN108256697B (zh) | 2018-03-26 | 2018-03-26 | 一种用于电力系统短期负荷的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253491.9A CN108256697B (zh) | 2018-03-26 | 2018-03-26 | 一种用于电力系统短期负荷的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256697A CN108256697A (zh) | 2018-07-06 |
CN108256697B true CN108256697B (zh) | 2021-07-13 |
Family
ID=62747717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810253491.9A Active CN108256697B (zh) | 2018-03-26 | 2018-03-26 | 一种用于电力系统短期负荷的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256697B (zh) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
CN109242169B (zh) * | 2018-08-28 | 2021-11-02 | 贵州电网有限责任公司 | 一种面向电力大客户的短期负荷预测方法 |
CN109002942A (zh) * | 2018-09-28 | 2018-12-14 | 河南理工大学 | 一种基于随机神经网络的短期负荷预测方法 |
CN109255505B (zh) * | 2018-11-20 | 2021-09-24 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
CN110059844B (zh) * | 2019-02-01 | 2021-10-08 | 东华大学 | 基于集合经验模态分解和lstm的储能装置控制方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN109886498B (zh) * | 2019-03-01 | 2022-03-22 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN109993368A (zh) * | 2019-04-08 | 2019-07-09 | 福州大学 | 基于奇异谱分解和长短期记忆网络的功率预测方法 |
CN110135637A (zh) * | 2019-05-13 | 2019-08-16 | 武汉科技大学 | 基于长短期记忆与自适应提升的微电网短期负荷预测方法 |
CN110568359B (zh) * | 2019-09-04 | 2021-11-23 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN110617927B (zh) * | 2019-09-20 | 2022-04-05 | 长安大学 | 一种基于emd-svr-wnn的结构沉降变形预测方法 |
CN110659442B (zh) * | 2019-09-23 | 2023-09-08 | 珠海格力电器股份有限公司 | 系统及其数据短期预测方法和装置、存储介质 |
CN110740063B (zh) * | 2019-10-25 | 2021-07-06 | 电子科技大学 | 基于信号分解和周期特性的网络流量特征指标预测方法 |
CN111008726B (zh) * | 2019-10-28 | 2023-08-29 | 武汉理工大学 | 一种电力负荷预测中类图片转换方法 |
CN111210049B (zh) * | 2019-12-05 | 2023-01-31 | 云南电网有限责任公司玉溪供电局 | 基于lstm的变电站铅酸阀控蓄电池退化趋势预测方法 |
CN111401667B (zh) * | 2020-06-03 | 2021-01-08 | 广东电网有限责任公司东莞供电局 | 一种工厂的用电调度方法、装置、计算机设备和存储介质 |
CN111709585A (zh) * | 2020-06-19 | 2020-09-25 | 国网上海市电力公司 | 一种空调负荷预测方法、装置及存储介质 |
CN111784068A (zh) * | 2020-07-09 | 2020-10-16 | 北京理工大学 | 基于eemd的电力负荷组合预测方法及装置 |
CN111582610A (zh) * | 2020-07-13 | 2020-08-25 | 清华四川能源互联网研究院 | 基于卷积神经网络对家庭能量分解的预测方法 |
CN111985692B (zh) * | 2020-07-22 | 2022-04-15 | 河海大学 | 一种基于ceemdan的用电负荷预测方法 |
CN112163710A (zh) * | 2020-10-09 | 2021-01-01 | 武汉理工大学 | 基于集合经验模态的短期无功负荷预测方法及装置 |
CN112508244B (zh) * | 2020-11-25 | 2024-03-12 | 武汉大学 | 一种用户级综合能源系统多元负荷预测方法 |
CN112613641B (zh) * | 2020-12-07 | 2022-04-15 | 河北工业大学 | 一种基于特征分解的短期电负荷组合预测方法 |
CN112561186A (zh) * | 2020-12-22 | 2021-03-26 | 上海电机学院 | 一种短期电力负荷的预测方法 |
CN112766573A (zh) * | 2021-01-20 | 2021-05-07 | 国网安徽省电力有限公司电力科学研究院 | 一种发电数据的预测方法、装置及电子设备 |
CN112883649B (zh) * | 2021-02-26 | 2023-08-11 | 华润数字科技有限公司 | 一种电力负荷预测方法、系统、计算机设备及存储介质 |
CN113537556A (zh) * | 2021-06-03 | 2021-10-22 | 杭州电子科技大学 | 一种基于状态频率记忆网络的家庭短期负荷预测方法 |
CN113659565B (zh) * | 2021-07-19 | 2023-06-13 | 华北电力大学 | 一种新能源电力系统频率态势的在线预测方法 |
CN115438833A (zh) * | 2022-07-29 | 2022-12-06 | 国网浙江省电力有限公司 | 一种短期电力负荷混合预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160140584A1 (en) * | 2014-11-17 | 2016-05-19 | Ebay Inc. | EMD-Spectral Prediction (ESP) |
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
CN106095729B (zh) * | 2016-06-16 | 2018-05-25 | 广东工业大学 | 基于深度学习的光栅尺测量误差动态补偿方法 |
CN106875041A (zh) * | 2017-01-16 | 2017-06-20 | 广东电网有限责任公司揭阳供电局 | 一种短期风速预测方法 |
-
2018
- 2018-03-26 CN CN201810253491.9A patent/CN108256697B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108256697A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256697B (zh) | 一种用于电力系统短期负荷的预测方法 | |
Tian et al. | A prediction approach using ensemble empirical mode decomposition‐permutation entropy and regularized extreme learning machine for short‐term wind speed | |
Zhang et al. | Short-term wind speed prediction model based on GA-ANN improved by VMD | |
Karakuş et al. | One‐day ahead wind speed/power prediction based on polynomial autoregressive model | |
Ouyang et al. | A combined multivariate model for wind power prediction | |
Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
Han et al. | Non-parametric hybrid models for wind speed forecasting | |
CN111260030B (zh) | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 | |
CN111815065B (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN110956312B (zh) | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN111553510A (zh) | 一种短期风速预测方法 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN116258269A (zh) | 一种基于负荷特征分解的超短期负荷动态预测方法 | |
Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
CN115860232A (zh) | 一种蒸汽负荷预测方法、系统、电子设备及介质 | |
CN114741952A (zh) | 一种基于长短期记忆网络的短期负荷预测方法 | |
Srivastava et al. | Weather Prediction Using LSTM Neural Networks | |
Tong et al. | A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks | |
CN112183814A (zh) | 一种短期风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |