CN109886498A - 一种基于特征选择的emd-gru短期电力负荷预测方法 - Google Patents

Abstract

本发明实例提供了一种基于特征选择的EMD‑GRU短期电力负荷预测方法，包括：使用经验模态分解方法(EMD)将原始负荷序列分解成多个时序分量，并将所有的时序分量作为初始特征集合，由其构成预测模型的潜在输入变量；通过皮尔逊相关系数法对初始特征进行相关性分析，选出其中与原始负荷序列相关性较大的时序分量作为预测模型的输入特征；将被选择的时序分量结合原始负荷序列一起输入到门控循环单元网络(GRU)预测模型中，执行最终的负荷预测。根据本发明实施例提供的技术方案，可以提高短期电力负荷预测的准确率。

Description

一种基于特征选择的EMD-GRU短期电力负荷预测方法

【技术领域】

本发明涉及一种基于特征选择的EMD-GRU短期电力负荷预测方法，属于机器学习领域的短期负荷预测方法。

【背景技术】

在短期电力负荷预测领域中，预测方法主要分为基于统计学的传统方法、基于机器学习的人工智能方法以及组合预测法。传统方法包括多元线性回归法、时间序列法、指数平滑法等，这些方法一般都需要一个明确的数学模型，给出负载和输入因子之间的关系，所构建的预测模型一般较为简单，对负荷序列的平稳性要求较高，不能准确反映负荷数据的非线性特点。机器学习方法包括人工神经网络(ANN)、支持向量机(SVM)、随机森林(RF)等，这些方法虽然已经取得了不错的效果，可以较好捕获负荷序列中的非线性关系，但仍有一些缺陷，即对于序列时序特征处理能力较差，需要人工筛选时序特征。深度学习的发展提供了解决这一问题的新方法，其中循环神经网络(RNN)凭借自身独特的结构对处理时间序列数据有着显著优势，然而，RNN神经网络被证明存在梯度爆炸与梯度消失问题。GRU神经网络在RNN神经网络的基础之上，通过添加门结构控制之前时刻的影响程度，解决了RNN的梯度爆炸和消失的缺陷，使其能够更好的处理和分析时间序列类型的数据。组合预测法包括预测机理上的模型结合及预测结果上的加权组合，通过集中各种方法的优势，形成适应性更强的方法，其中利用信号分解方法将不同的负荷成分从原始负荷序列中分解出来进行分析建模可以有效提高预测精度，但是直接对分解所得的多个时序分量分别建模预测会引入多重随机误差并产生较大的预测工作量，考虑引入皮尔逊相关系数法对分解完的时序分量进行特征选择，选出与原始负荷序列相关性较大的时序分量结合原始负荷序列一起输入到GRU预测模型中，执行最终的负荷预测。

【发明内容】

有鉴于此，本发明实施例提供了一种基于特征选择的EMD-GRU短期电力负荷预测方法，一方面可以避免多重预测误差的出现，提高预测精度；另一方面可以减少预测工作量，降低模型复杂度。

本发明实施例提出的一种基于特征选择的EMD-GRU短期电力负荷预测方法，包括：

使用经验模态分解方法将原始负荷序列分解成多个时序分量，并将所有的时序分量作为初始特征集合，由其构成预测模型的潜在输入变量；

通过皮尔逊相关系数法对初始特征进行相关性分析，选出其中与原始负荷序列相关性较大的时序分量作为预测模型的输入特征；

将被选择的时序分量结合原始负荷序列一起输入到GRU预测模型中，执行最终的负荷预测。

上述方法中，使用经验模态分解方法将原始负荷序列分解成多个时序分量，并将所有的时序分量作为初始特征集合，由其构成预测模型的潜在输入变量的方法为：

对于原始负荷序列，通过EMD方法将其分解成一系列的时序分量，包括若干本征模函数(IMF)和代表趋势项的残差(RES)，其中IMF需要满足两个基本条件：函数的局部极值点和过零点的数目必须相等，或最多相差一个；在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)平均值必须为零，EMD的分解步骤如下：

(1)将原始负荷序列看作是原始信号X(t)，找出信号X(t)的所有极大值和极小值点，采用三次样条插值得到上下包络曲线e_max(t)和e_min(t)，计算上下包络的均值m(t)，即m(t)＝(e_max(t)+e_min(t))/2；

(2)计算X(t)与均值m(t)的差值h(t)，即h(t)＝X(t)-m(t)；

(3)判断h(t)是否满足IMF的两个条件，如果满足，则h(t)为第一个IMF，记为imf₁(t)；如果不满足，则把h(t)作为原始信号，返回步骤1；

(4)将imf₁(t)从原始信号X(t)中分离出来，即r(t)＝X(t)-imf₁(t),如果r(t)是一个单调函数，则把r(t)作为残差，停止迭代；否则将r(t)作为原始信号返回步骤1；

这样原始负荷序列可被表示为若干IMF和一个残差的和：

其中m是分解出的时序分量总个数；将经过EMD分解之后得到的时序分量组成初始的特征集合，其输入表示如下：

X＝{imf₁,imf₂,....,imf_m-1,res}

其中X代表了初始的特征集合，imf₁为分解得到的第一个IMF分量，imf₂为分解得到的第二个IMF分量，imf_m-1为分解得到的最后一个IMF分量，res为分解得到的残差。

上述方法中，通过皮尔逊相关系数法对初始特征进行相关性分析，选出其中与原始负荷序列相关性较大的时序分量作为预测模型的输入特征的方法为：

对于分解得到的初始特征集X，采用皮尔逊相关系数法来对初始特征集X进行特征选择，其公式如下：

其中r为相关系数，x_i、y_i为样本点，为样本均值，n为样本个数；皮尔逊相关系数法使用相关性指标对各个特征进行评分，计算每个分量与原始负荷序列的相关性，其中相关性系数r的取值范围在[-1,+1]之间，接近0的变量被认为无相关性，接近1或者-1被称为具有强相关性，选择和原始负荷序列相关性较大的分量作为预测模型的输入特征使用，本方法中选取和原始负荷序列相关性大于0.3的时序分量作为预测模型的输入特征。

上述方法中，将被选择的时序分量结合原始负荷序列一起输入到GRU预测模型中，执行最终的负荷预测的方法为：

首先将被选择的分量结合原始负荷序列组成预测模型的输入，其输入表示如下：

Data_input＝{X_e,X_f}

其中Data_input代表预测模型的输入，X_e表示历史负荷数据，X_f表示通过特征选择选出的分量组成的特征集；然后将Data_input划分为训练集和测试集分批次送入GRU模型训练和测试；GRU模型的公式表示如下：

z_t＝σ(W^(z)x_t+U^(z)h_t-1)

r_t＝σ(W^(r)x_t+U^(r)h_t-1)

其中，x_t为第t时刻该层隐藏层的输入，h_t为第t时刻当前层的输出，h_t-1为第t-1时刻的输出，z_t和r_t分别为更新门和重置门，是输入x_t和前一时刻输出h_t-1的汇总，σ和tanh为激活函数，分别为Sigmoid函数和双曲正切函数，U^(z)和W^(z)为更新门中的训练参数矩阵，U^(r)和W^(r)为重置门中的训练参数矩阵，U和W为求取过程中的训练参数矩阵，”*”代表矩阵乘法。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明提出的基于特征选择的EMD-GRU短期电力负荷预测方法的流程示意图；

图2是GRU网络的结构图；

图3是本发明提出的基于特征选择的EMD-GRU方法结构图；

图4是本发明实例使用的模型与对比模型的预测结果对比图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的发明实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明实施例给出一种基于特征选择的EMD-GRU预测方法，参考图1，其为本发明实施例中提出的基于特征选择的EMD-GRU预测方法的流程示意图，如图1所示，该方法包括以下步骤：

步骤101，使用经验模态分解方法将原始负荷序列分解成多个时序分量，并将所有的时序分量作为初始特征集合，由其构成预测模型的潜在输入变量。

具体的，对于原始负荷序列，通过EMD方法将其分解成一系列的时序分量，包括若干本征模函数(IMF)和代表趋势项的残差(RES)，其中IMF需要满足两个基本条件：函数的局部极值点和过零点的数目必须相等，或最多相差一个；在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)平均值必须为零，EMD的分解步骤如下：

(1)将原始负荷序列看作是原始信号X(t)，找出信号X(t)的所有极大值和极小值点，采用三次样条插值得到上下包络曲线e_max(t)和e_min(t)，计算上下包络的均值m(t)，即m(t)＝(e_max(t)+e_min(t))/2；

(2)计算X(t)与均值m(t)的差值h(t)，即h(t)＝X(t)-m(t)；

(3)判断h(t)是否满足IMF的两个条件，如果满足，则h(t)为第一个IMF，记为imf₁(t)；如果不满足，则把h(t)作为原始信号，返回步骤1；

(4)将imf₁(t)从原始信号X(t)中分离出来，即r(t)＝X(t)-imf₁(t),如果r(t)是一个单调函数，则把r(t)作为残差，停止迭代；否则将r(t)作为原始信号返回步骤1；

这样原始负荷序列可被表示为若干IMF和一个残差的和：

其中m是分解出的时序分量总个数；将经过EMD分解之后得到的时序分量组成初始的特征集合，其输入表示如下：

X＝{imf₁,imf₂,....,imf_m-1,res}

其中X代表了初始的特征集合，imf₁为分解得到的第一个IMF分量，imf₂为分解得到的第二个IMF分量，imf_m-1为分解得到的最后一个IMF分量，res为分解得到的残差。

步骤102，通过皮尔逊相关系数法对初始特征进行相关性分析，选出其中与原始负荷序列相关性较大的时序分量作为预测模型的输入特征。

具体的，对于分解得到的初始特征集X，采用皮尔逊相关系数法来对初始特征集X进行特征选择，其公式如下：

其中r为相关系数，x_i、y_i为样本点，为样本均值，n为样本个数；皮尔逊相关系数法使用相关性指标对各个特征进行评分，计算每个分量与原始负荷序列的相关性，其中相关性系数r的取值范围在[-1,+1]之间，接近0的变量被认为无相关性，接近1或者-1被称为具有强相关性，选择和原始负荷序列相关性较大的分量作为预测模型的输入特征使用，本方法中选取和原始负荷序列相关性大于0.3的时序分量作为预测模型的输入特征，其应用于3个美国公共事业部门的公开数据集和1个中国西北某地区的负荷数据集的特征选取结果如表一：

表一

步骤103，将被选择的时序分量结合原始负荷序列一起输入到GRU预测模型中，执行最终的负荷预测。

具体的，首先将被选择的分量结合原始负荷序列组成预测模型的输入，其输入表示如下：

Data_input＝{X_e,X_f}

其中Data_input代表预测模型的输入，X_e表示历史负荷数据，X_f表示通过特征选择选出的分量组成的特征集；然后将Data_input划分为训练集和测试集分批次送入GRU模型训练和测试；GRU网络的结构图如图2，GRU模型的公式表示如下：

z_t＝σ(W^(z)x_t+U^(z)h_t-1)

r_t＝σ(W^(r)x_t+U^(r)h_t-1)

其中，x_t为第t时刻该层隐藏层的输入，h_t为第t时刻当前层的输出，h_t-1为第t-1时刻的输出，z_t和r_t分别为更新门和重置门，是输入x_t和前一时刻输出h_t-1的汇总，σ和tanh为激活函数，分别为Sigmoid函数和双曲正切函数，U^(z)和W^(z)为更新门中的训练参数矩阵，U^(r)和W^(r)为重置门中的训练参数矩阵，U和W为求取过程中的训练参数矩阵，”*”代表矩阵乘法。

图3是本发明实例提出的基于特征选择的EMD-GRU方法结构图，首先通过EMD方法将原始负荷序列分解成若干个IMF和一个RES，然后使用皮尔逊相关系数法对分解得到的IMF和RES进行相关性分析，选出其中和原始负荷序列相关性较大的分量作为预测模型的输入特征，结合原始负荷序列一起输入到GRU模型中进行最终的负荷预测。

算法1为本发明实例所提出的基于特征选择的EMD-GRU短期电力负荷预测方法的伪代码：

图4是本发明实例应用于中国西北某地区实际日负荷数据时，所提模型与对比模型的预测结果对比图。在具体实施例中，采用中国西北某地区19个月的日负荷数据，每隔半个小时采集一次，时间从2016年1月1日0点至2017年7月31日24点。通过将负载数据分解和特征选择获得模型的输入数据，然后将其划分为训练集和测试集，其中前18个月作为训练集，最后1个月作为测试集。

为验证所提方法的有效性，本发明实例提出的模型与6种模型进行对比，其中3个单一模型包括：GRU、支持向量回归(SVR)、随机森林(RF)，另外3个为基于EMD的混合模型包括：EMD-GRU、EMD-SVR、EMD-RF。模型的参数设置情况如下：GRU网络的隐藏层节点数和学习率通过网格搜索方法进行确定，使模型达到最优的效果，其范围分别设定为[40，100]，[10^-3,10^-1]；对SVR模型，使用网格搜索方法对其惩罚参数c和核参数g进行确定，c的范围是[10^-4，10⁴]，g的范围是[2^-4，2⁴]；对RF模型，其最大决策树个数使用网格搜索进行调优，其范围设定为[10,100]。对2017年7月22日全天48个时间点的负荷进行预测，采用平均绝对百分误差MAPE和均方根误差RMSE作为评价各个模型预测精度的评价标准，预测结果的对比如表二：

表二

由表二可以得出以下结论，本发明所提方法FS-EMD-GRU相比于其他6种方法，具有最小的MAPE和RMSE，分别为2.86％和26143.36，相比于其它6种方法中最小的MAPE和RMSE，分别降低了0.33％和347.07。图4给出了各模型的负荷预测值和实际值的对比曲线，可以看出，所提方法能够更好的捕获负荷的变化趋势，对于负荷序列具有较高的拟合效果。

综上所述，本发明实施例具有以下有益效果：

本发明实施的技术方案中，通过引入皮尔逊相关系数法，对EMD分解得到的时序分量进行相关性分析，选出与原始负荷序列相关性较大的分量结合原始负荷序列一起输入到GRU预测模型当中，一方面避免了直接对分解得到得每个分量建立预测模型而引入的多重随机误差，提高预测精度，另一方面，由于最终的预测模型只有一个，减少了预测工作量，降低了整体的模型复杂度。根据本发明实施例提供的技术方案，采用该混合模型对短期电力负荷进行预测，可以取得较高的准确率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (4)

1.一种基于特征选择的EMD-GRU短期电力负荷预测方法，其特征在于，所述方法步骤包括：

使用经验模态分解方法将原始负荷序列分解成多个时序分量，并将所有的时序分量作为初始特征集合，由其构成预测模型的潜在输入变量；

通过皮尔逊相关系数法对初始特征进行相关性分析，选出其中与原始负荷序列相关性较大的时序分量作为预测模型的输入特征；

将被选择的时序分量结合原始负荷序列一起输入到GRU预测模型中，执行最终的负荷预测。

2.根据权利要求1所述的方法，其特征在于，使用经验模态分解方法将原始负荷序列分解成多个时序分量，并将所有的时序分量作为初始特征集合，由其构成预测模型的潜在输入变量，具体说明如下：

对于原始负荷序列，通过EMD方法将其分解成一系列的时序分量，包括若干本征模函数(IMF)和代表趋势项的残差(RES)，其中IMF需要满足两个基本条件：函数的局部极值点和过零点的数目必须相等，或最多相差一个；在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)平均值必须为零，EMD的分解步骤如下：

(1)将原始负荷序列看作是原始信号X(t)，找出信号X(t)的所有极大值和极小值点，采用三次样条插值得到上下包络曲线e_max(t)和e_min(t)，计算上下包络的均值m(t)，即m(t)＝(e_max(t)+e_min(t))/2；

(2)计算X(t)与均值m(t)的差值h(t)，即h(t)＝X(t)-m(t)；

(3)判断h(t)是否满足IMF的两个条件，如果满足，则h(t)为第一个IMF，记为imf₁(t)；如果不满足，则把h(t)作为原始信号，返回步骤1；

(4)将imf₁(t)从原始信号X(t)中分离出来，即r(t)＝X(t)-imf₁(t),如果r(t)是一个单调函数，则把r(t)作为残差，停止迭代；否则将r(t)作为原始信号返回步骤1；

这样原始负荷序列可被表示为若干IMF和一个残差的和：

其中m是分解出的时序分量总个数；将经过EMD分解之后得到的时序分量组成初始的特征集合，其输入表示如下：

X＝{imf₁,imf₂,....,imf_m-1,res}

其中X代表了初始的特征集合，imf₁为分解得到的第一个IMF分量，imf₂为分解得到的第二个IMF分量，imf_m-1为分解得到的最后一个IMF分量，res为分解得到的残差。

3.根据权利要求1所述的方法，其特征在于，通过皮尔逊相关系数法对初始特征进行相关性分析，选出其中与原始负荷序列相关性较大的时序分量作为预测模型的输入特征，具体说明如下：

对于分解得到的初始特征集X，采用皮尔逊相关系数法来对初始特征集X进行特征选择，其公式如下：

其中r为相关系数，x_i、y_i为样本点，为样本均值，n为样本个数；皮尔逊相关系数法使用相关性指标对各个特征进行评分，计算每个分量与原始负荷序列的相关性，其中相关性系数r的取值范围在[-1,+1]之间，接近0的变量被认为无相关性，接近1或者-1被称为具有强相关性，选择和原始负荷序列相关性较大的分量作为预测模型的输入特征使用，本方法中选取和原始负荷序列相关性大于0.3的时序分量作为预测模型的输入特征。

4.根据权利要求1所述的方法，其特征在于，将被选择的时序分量结合原始负荷序列一起输入到GRU预测模型中，执行最终的负荷预测，具体说明如下：

首先将被选择的分量结合原始负荷序列组成预测模型的输入，其输入表示如下：

Data_input＝{X_e,X_f}

其中Data_input代表预测模型的输入，X_e表示历史负荷数据，X_f表示通过特征选择选出的分量组成的特征集；然后将Data_input划分为训练集和测试集分批次送入GRU模型训练和测试；GRU模型的公式表示如下：

z_t＝σ(W^(z)x_t+U^(z)h_t-1)

r_t＝σ(W^(r)x_t+U^(r)h_t-1)

其中，x_t为第t时刻该层隐藏层的输入，h_t为第t时刻当前层的输出，h_t-1为第t-1时刻的输出，z_t和r_t分别为更新门和重置门，是输入x_t和前一时刻输出h_t-1的汇总，σ和tanh为激活函数，分别为Sigmoid函数和双曲正切函数，U^(z)和W^(z)为更新门中的训练参数矩阵，U^(r)和W^(r)为重置门中的训练参数矩阵，U和W为求取过程中的训练参数矩阵，”*”代表矩阵乘法。