CN109978217B - 基于奇异谱分析和记忆网络的电力负荷预测方法 - Google Patents

基于奇异谱分析和记忆网络的电力负荷预测方法 Download PDF

Info

Publication number
CN109978217B
CN109978217B CN201811334280.4A CN201811334280A CN109978217B CN 109978217 B CN109978217 B CN 109978217B CN 201811334280 A CN201811334280 A CN 201811334280A CN 109978217 B CN109978217 B CN 109978217B
Authority
CN
China
Prior art keywords
power load
spectrum analysis
singular spectrum
memory network
prediction
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
Application number
CN201811334280.4A
Other languages
English (en)
Other versions
CN109978217A (zh
Inventor
陈锡祥
刘理峰
郑伟民
朗建
孙可
何德
郑朝明
王蕾
王华慧
孙洲
张禄亮
郑杰辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
South China University of Technology SCUT
Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT, Shaoxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical South China University of Technology SCUT
Priority to CN201811334280.4A priority Critical patent/CN109978217B/zh
Publication of CN109978217A publication Critical patent/CN109978217A/zh
Application granted granted Critical
Publication of CN109978217B publication Critical patent/CN109978217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于奇异谱分析和记忆网络的电力系统负荷预测方法。首先采用奇异谱分析对电力负荷历史数据时间序列进行分解，然后将特征值和对应的特征向量进行分组，重构得到多个重构分量。然后分别为每一个分量构建长短时记忆网络预测模型。最后将每一分量的预测结果相加，得到总的负荷预测结果。本发明利用奇异谱分析作为预处理工具，能可将电力负荷分解和重构为反应电力负荷不同的波动特性且更易于预测的分量，从而能够实现较高的预测精度。

Description

基于奇异谱分析和记忆网络的电力负荷预测方法
技术领域
本发明涉及电力负荷预测的技术领域，尤其是基于奇异谱分析和记忆网络的电力负荷预测方法。
背景技术
准确的电力负荷预测有助于合理安排发电，保证电力系统稳定运行，有效降低发电成本。反之，不准确的负荷预测不仅会增加供电企业的成本，而且会给不能合理调整用电的消费者带来严重的后果。电力负荷预测是指利用数学建模方法，以统计学、人工智能等学科为基础，根据观测对象的特点，对未来某一时刻的负荷值进行预测，从而达到一定的预测精度。
发明内容
本发明的目的，是为了解决上述现有技术的缺陷，提出基于奇异谱分析和记忆网络的电力负荷预测方法。
本发明的目的可以通过采取如下技术方案达到：
基于奇异谱分析和记忆网络的电力负荷预测方法，包括以下步骤：
1)输入电力负荷的历史数据；
2)采用奇异谱分析对电力负荷时间序列进行分解；
3)将特征值和对应的特征向量进行分组重构，得到多个重构分量；
4)分别为每一个重构分量构建和训练长短时记忆循环神经网络预测模型；
5)采用训练好的模型预测每一个重构分量未来的负荷值，并将预测结果相加得到总的电力负荷预测结果。
可选的，在进行奇异谱分析时，采用延时嵌入的方法将一维时间序列转换为多维矩阵进行分解，延时的选取根据数据的周期特征确定，以周期的整数倍为宜。
可选的，得到奇异值和特征向量后，根据贡献率的大小对其进行分组和重构，得到多个重构分量。
可选的，分别为每一个重构分量建立长短时记忆网络预测模型，设定包括输入和输出向量的维度、隐层神经元数在内的参数，对重构分量进行归一化处理，对预测模型进行训练。
本发明相对于现有技术具有如下的有益效果：
1、本发明方法通过奇异谱分析将原始负荷历史数据进行分解和重构，得到的重构分量反映了电力负荷的不同波动特性，具有更好的可预测性。
2、为每个重构分量构建和训练长时间记忆网络预测模型，可实现更精准的预测。
3、使用长短时记忆递归神经网络模型进行电力负荷预测，该模型具有长时记忆历史数据的优点，对不同的预测时间间隔有很好的扩展性。
附图说明
图1为本发明方法的流程图。
图2(A)为实施例中主趋势下的电力负荷历史数据及重构分量；
图2(B)为实施例中频率R1下的电力负荷历史数据及重构分量；
图2(C)为实施例中频率R2下的电力负荷历史数据及重构分量；
图2(D)为实施例中频率R3下的电力负荷历史数据及重构分量；
图2(E)为实施例中频率R4下的电力负荷历史数据及重构分量；
图3(A)为实施例中的电力负荷预测值与观测值对比图一；
图3(B)为实施例中的电力负荷预测值与观测值对比图二；
具体实施方式
下面结合具体实施例对本发明方法进一步说明：
基于奇异谱分析和记忆网络的电力负荷预测方法，包括以下步骤：
1)输入电力负荷的历史数据；
2)采用奇异谱分析对电力负荷时间序列进行分解
3)将特征值和对应的特征向量进行分组重构，得到多个重构分量。
4)分别为每一个重构分量构建和训练长短时记忆循环神经网络预测模型。
5)采用训练好的模型预测每一个重构分量未来的负荷值，并将预测结果相加得到总的电力负荷预测结果。
步骤1)中，获取长度为N的电力负荷历史数据，记为{X(t):t＝1,2,…,N}。
步骤2)中，首先通过设置延时，将一维的电力负荷历史数据时间序列，分割为多个片段，构造如下的多维数据矩阵：
Figure GDA0002014968290000031
其中，M为设置的延时，即矩阵的每一行比前一行滞后M个时刻点，L＝N-M+1。
然后，通过奇异值分解计算特征值{λk,k＝1,2,…,M}和相应的特征向量Ek。将时间序列投影到每个Ek得到相应的时间主成分Ak
Figure GDA0002014968290000032
步骤3)中，根据贡献率大小，对特征向量和时间主成分进行分组和重构，得到重构分量RK：
Figure GDA0002014968290000033
其中，K是一个分组所包含的特征向量和时间主成分的编号的集合。Mt、Lt和Ut分别为归一化因子、求和下界和上界。
步骤4)中，分别对每一个重构分量进行归一化处理，
Figure GDA0002014968290000034
其中，RK为待归一化处理的重构分量，
Figure GDA0002014968290000035
为归一化处理后数据，
Figure GDA0002014968290000036
为期望值，σ为标准差。
建立长短时记忆网络预测模型，设定包括输入和输出向量的维度、隐层神经元数在内的参数。将
Figure GDA0002014968290000037
划分为训练样本和测试样本，并采用训练样本对预测模型进行训练。
在步骤5)中，分别使用每一个重构分量的测试样本作为对应的长短时记忆网络的输入数据，预测未来一定时间间隔的负荷值，将所有重构分量的预测结果进行相加，得到总的负荷的预测值。
如图1所示，基于奇异谱分析和记忆网络的电力负荷预测方法，包括以下步骤：
1)本实施例采集了208个电力用户的总负荷数据，每半小时取样一次电力负荷。因此，每天24小时获得48个样本。共采集了92天，电力负荷的时间序列包含了4416个样本。
2)在步骤2中，通过设置延时M＝336，即为一个星期内的电力负荷采样点数，将一维的电力负荷历史数据时间序列，分割为多个片段，构造多维数据矩阵。用奇异谱分析对矩阵进行分解，得到特征值和特征向量。
3)在步骤3)中，根据贡献率的大小，将特征值和特征向量分为4组重构，得到4个重构分量。在图2(A)、图2(B)、图2(C)、图2(D)、图2(E)分别为一段持续时间为2周内主趋势、R1、R2、R3、R4不同情况下时间序列和得到的重构分量。可以看出，R1～R4分别代表了主趋势、不同频率的振荡和不规则变化分量。
4)在步骤4)中，根据负荷数据的特点，构建长短时记忆网络的预测模型，参数设置如下:输入和输出向量维度均为1，共有336个隐藏单元。选择求解器“adam”，训练迭代次数为250。为了防止梯度爆炸，将梯度阈值设置为1。初始学习率0.005，在乘以125次迭代后乘以因子0.2，将学习率降低。对重构分量进行归一化，并
Figure GDA0002014968290000042
将前3072个采样值划分为训练样本，对模型进行训练。
5)分别将
Figure GDA0002014968290000043
剩余1344个采样点作为对应的长短时记忆网络预测模型的输入数据，预测未来每个小时的负荷值
Figure GDA0002014968290000041
在图3(A)和图3(B)中，蓝色线所示为其中一天的负荷数据，黄色线为采用本发明方法得到的预测结果(SSA_LSTM)。在四个星期内，1344个预测值和采样值的均方根误差为4.99％。
为了便于比较，建立了直接采用原始负荷数据进行预测的长短时记忆网络的预测模型(LSTM)。在图3(A)和图3(B)中，对未来每小时电力负荷预测结果如橙色线所示。在四个星期内，1344个预测值和采样值的均方根误差为5.98％。可以看出，对于大多数采样点，本发明提出的方法的误差小于直接采用长短时记忆网络进行预测的方法的误差。因此，通过引入奇异谱分析对电力负荷数据进行分解和重构，本发明方法比传统方法的预测准确度提高了16.56％。
以上所述，仅为本发明专利优选的实施例，但本发明专利的保护范围并不局限于此，本发明专利同样适用于其他领域的时间序列的预测，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (4)

1.基于奇异谱分析和记忆网络的电力负荷预测方法，其特征在于：包括以下步骤：
1)输入电力负荷的历史数据；
2)采用奇异谱分析对电力负荷时间序列进行分解；
3)将特征值和对应的特征向量进行分组重构，得到多个重构分量；
4)分别为每一个重构分量构建和训练长短时记忆循环神经网络预测模型；
5)采用训练好的模型预测每一个重构分量未来的负荷值，并将预测结果相加得到总的电力负荷预测结果。
2.根据权利要求1所述的基于奇异谱分析和记忆网络的电力负荷预测方法，其特征在于：在进行奇异谱分析时，采用延时嵌入的方法将一维时间序列转换为多维矩阵进行分解，延时的选取根据数据的周期特征确定。
3.根据权利要求1所述的基于奇异谱分析和记忆网络的电力负荷预测方法，其特征在于：得到奇异值和特征向量后，根据贡献率的大小对其进行分组和重构，得到多个重构分量。
4.根据权利要求1所述的基于奇异谱分析和记忆网络的电力负荷预测方法，其特征在于：分别为每一个重构分量建立长短时记忆网络预测模型，设定包括输入和输出向量的维度、隐层神经元数在内的参数，对重构分量进行归一化处理，对预测模型进行训练。
CN201811334280.4A 2018-11-09 2018-11-09 基于奇异谱分析和记忆网络的电力负荷预测方法 Active CN109978217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811334280.4A CN109978217B (zh) 2018-11-09 2018-11-09 基于奇异谱分析和记忆网络的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811334280.4A CN109978217B (zh) 2018-11-09 2018-11-09 基于奇异谱分析和记忆网络的电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN109978217A CN109978217A (zh) 2019-07-05
CN109978217B true CN109978217B (zh) 2023-04-11

Family

ID=67076060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811334280.4A Active CN109978217B (zh) 2018-11-09 2018-11-09 基于奇异谱分析和记忆网络的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN109978217B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110260925B (zh) * 2019-07-12 2021-06-25 重庆赛迪奇智人工智能科技有限公司 司机停车技术优劣的检测方法及其系统、智能推荐方法、电子设备
CN110390436A (zh) * 2019-07-25 2019-10-29 上海电力大学 一种基于ssa与lstm深度学习的电厂存煤量短期预测方法
CN113537649B (zh) * 2021-09-16 2022-02-22 南通华豪巨电子科技有限公司 基于神经网络与动态模式分解的电网负荷预测方法及系统
CN113807605A (zh) * 2021-10-09 2021-12-17 杭州经纬信息技术股份有限公司 电力消耗预测模型训练方法、预测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295075B (zh) * 2013-04-01 2016-09-28 沈阳航空航天大学 一种超短期电力负荷预测与预警方法
CN104008427A (zh) * 2014-05-16 2014-08-27 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN106952181A (zh) * 2017-03-08 2017-07-14 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测系统
CN108647824A (zh) * 2018-05-10 2018-10-12 广东工业大学 一种电价超短期预测方法

Also Published As

Publication number Publication date
CN109978217A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109978217B (zh) 基于奇异谱分析和记忆网络的电力负荷预测方法
CN110674604B (zh) 基于多维时序帧卷积lstm的变压器dga数据预测方法
Fiot et al. Electricity demand forecasting by multi-task learning
CN109597967B (zh) 一种电力系统配变电站负荷数据异常检测与修复方法
CN107563565B (zh) 一种考虑气象因素变化的短期光伏分解预测方法
Pretis et al. Detecting volcanic eruptions in temperature reconstructions by designed break‐indicator saturation
CN110059845B (zh) 基于时序演化基因模型的计量装置时钟误差趋势预测方法
CN114091766B (zh) 基于ceemdan-lstm的空间负荷预测方法
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
Yang et al. Monitoring data factorization of high renewable energy penetrated grids for probabilistic static voltage stability assessment
CN115438576A (zh) 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法
CN114498619A (zh) 一种风电功率预测方法及装置
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN106952077B (zh) 一种工单处理策略的生成方法及装置
CN109447512B (zh) 基于均匀设计的大电网可靠性评估方法
Hashemipour et al. Optimal singular value decomposition based big data compression approach in smart grids
CN113434493A (zh) 一种基于Transformer的非侵入式负荷分解方法
Huang et al. A decomposition‐based multi‐time dimension long short‐term memory model for short‐term electric load forecasting
CN115713044B (zh) 一种多工况切换下的机电设备剩余寿命分析方法和装置
CN117494545A (zh) 一种基于混合学习方法的断路器老化故障率预测方法
Wang et al. Modeling continuous time series with many zeros and an application to earthquakes
CN113705885B (zh) 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统
CN113919600A (zh) 一种居民负荷超短期预测方法
CN114925931A (zh) 台区负荷预测方法及系统
Chen et al. Fitting your favorite mixed models with PROC MCMC

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