CN111784057A - 一种基于快照反馈机制的短期电力负荷预测组合方法 - Google Patents
一种基于快照反馈机制的短期电力负荷预测组合方法 Download PDFInfo
- Publication number
- CN111784057A CN111784057A CN202010638813.9A CN202010638813A CN111784057A CN 111784057 A CN111784057 A CN 111784057A CN 202010638813 A CN202010638813 A CN 202010638813A CN 111784057 A CN111784057 A CN 111784057A
- Authority
- CN
- China
- Prior art keywords
- model
- optimal
- prediction
- snapshot
- parameter
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008713 feedback mechanism Effects 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (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快照反馈机制的短期电力负荷预测组合方法，该方法首先采集了历史电力负荷数据，并进行了处理，建立了训练样本集和测试样本集，然后对训练样本集建立本发明预测模型(VMDSF‑CSLSTM)。在训练的过程中，使用一种基于快照反馈机制改进的变分模态分解算法分解历史电力负荷数据；将测试样本输入训练好的神经网络中进行短期电力负荷预测，得到负荷预测结果。本发明能获得较高精度的短期电力负荷预测结果。
Description
技术领域
本发明涉及短期电力负荷预测领域，更具体的说是涉及到一种基于快照反馈机制的短期电力负荷预测组合方法。
背景技术
短期电力负荷预测是电力负荷预测的重要组成部分之一，主要指预测未来数小时、一天至数天的电力负荷，是指定日前发电计划的基础，对电网的经济运行有着重大的意义。随着我国经济水平的日益提高以及电力系统改革的不断深入，对短期负荷预测的精度要求也越来越高，借此来提高电力系统的社会效应和经济性。
目前，电力负荷预测方法主要分为3类：第一，基于传统数学统计模型的预测方法；第二，基于机器学习的预测方法，如支持向量机、神经网络法等；第三，组合预测方法。
在这些方法中，基于机器学习的方法能够模拟人脑对数据进行处理。例如，神经网络法具有自主学习、信息记忆等特点。在面对海量数据的情况下，可以自主学习数据之间的相互关系，并进行预测。但这种方法也存在不足，其模型预测结果很大程度上取决于数据的数量及质量，大数量且高质量的数据往往更容易取得更为准确的预测结果。但电力负荷实际工程应用中，负荷数据的噪声干扰及数据空缺会导致机器学习模型难以从数据中建立能够实际有效准确预测的模型。
发明内容
针对目前短期电力负荷预测方法在上述中存在的技术问题，本发明公开了一种基于快照反馈机制的短期电力负荷预测组合方法。
本方法包括如下步骤：
步骤1：数据预处理。对数据缺失值进行前后均值补全，划分训练集、测试集、验证集。
步骤2：负荷信号分解。对训练集进行初次变分模态分解(Variational ModeDecomposition,VMD)，将得到的本征模态函数(Intrinsic Mode Function,IMF)与原负荷信号减去所有IMF生成的残差序列进行0-1归一化处理。
步骤3：构建集成模型。将步骤2得到的IMF与残差序列构建对应长短时记忆网络(Long Short Term Memory Network,LSTM)子模型，使用先验知识设置子模型超参数，连接各子模型的输出索引得到集成模型。
步骤4：寻找最优模式数量(K)值。使用训练集去训练集成模型，然后采用快照反馈机制预测指定长度的负荷点，当循环至指定长度的百分之五时生成模型快照，反馈至模型前端，当满足快照反馈策略的跳出条件时，得到最优K值。
步骤5：寻找网络最优超参数。设定最优K值，然后设置需寻优的超参数及范围，采用网格搜索法寻找网络最优超参数。
步骤6：使用最优K值和网络最优超参数构建VMDSF-CSLSTM模型，完成电力负荷短期预测。
附图说明
图1为本发明的短期电力负荷预测方法流程图；
图2为本发明改进的算法：快照反馈机制改进的变分模态分解算法(VariationalMode Decompositon of Snapshot Feedback，VMDSF)的分解信号示例图；
图3为本发明实施例的预测效果图；
本发明目的的实现、功能特点及优点将结合实施例，参照上述附图做进一步具体说明。
具体实施方式
根据图1对预测方法的实施步骤进行描述：
步骤1：数据预处理。对数据缺失值进行前后均值补全并进行归一化，划分训练集、测试集、验证集。
本发明为消除数据量纲带来的影响，采用0-1归一化，公式如式(1)所示：
步骤2：负荷信号分解。对训练集进行初次变分模态分解(Variational ModeDecomposition,VMD)，将得到的本征模态函数(Intrinsic Mode Function,IMF)与原负荷信号减去所有IMF生成的残差序列进行0-1归一化处理。
步骤3：构建集成模型。将步骤2得到的IMF与残差序列构建对应长短时记忆网络(Long Short Term Memory Network,LSTM)子模型，使用先验知识设置子模型超参数，连接各子模型的输出索引得到集成模型。
步骤4：寻找最优模式数量(K)值。使用训练集去训练集成模型，然后采用快照反馈机制预测指定长度的负荷点，当循环至指定长度的百分之五时生成模型快照，反馈至模型前端，当满足快照反馈策略的跳出条件时，得到最优K值。具体分解方法如步骤4.1-步骤4.5所示。
步骤4.1设定参数，初始化模式数量Kn＝2，中心频率差值Δf＝2fn，xkn(t)＝x(t)。
步骤4.2初始化参数
迭代条件为式(2)至式(4)，然后对xkn(t)进行模态分解，并根据收敛条件判断是否满足，若满足则停止迭代，可得到Kn个模式分量；反之，继续迭代直到满足收敛条件为止，收敛条件如式(5)。
步骤4.3将得到的模式分量和原始信号与所有模式分量相减得到的残差信号输入至预测模型，在模型运算至百分之五时生成模型快照，保存模型权重，并且在测试集上运行预测模型，计算预测结果十次的RMSE均值。
步骤4.4当跳出迭代条件满足时，停止快照反馈和分解，模式数量等于Kn。否则进行步骤5。
步骤4.5令Kn+＝1，重复“步骤4.2”～“步骤4.4”过程。
步骤5：寻找网络最优超参数。设定最优K值，然后设置需寻优的超参数及范围，采用网格搜索法寻找网络最优超参数。
表1模型最优超参数寻优范围
表2模型最优超参数
步骤6：使用最优K值和网络最优超参数构建VMDSF-CSLSTM模型，完成电力负荷短期预测，CSLSTM网络具体方法如步骤6.1-6.4所示。
步骤6.1设置预测长度Length，初始化时间步Step＝1，保存预测结果列表为pre＝[]。
步骤6.2设置LSTM模型超参数，将长度为t的训练集进行模型迭代训练，并根据LSTM内部设计通过最小化RMSE损失函数，使用随机梯度下降法寻找模型最优权重参数，若迭代次数满足预设超参数迭代次数，则得到LSTM预测模型。
步骤6.3将验证集数据传入“步骤2”中得到的LSTM预测模型，对第t+1时刻负荷进行预测，Step＝Step+1，将预测值添加至pre列表，将预测值回填至训练集末端。
步骤6.4当Step＞Length成立时，停止循环和滑窗操作，预测结果为pre列表。否则将训练集滑动一个窗口，保证训练集长度仍然为t，然后重复“步骤6.2”至“步骤6.4”过程。
实验验证：一种基于快照反馈机制的短期电力负荷预测组合方法实验
本实验首先对训练样本建立VMDSF-CSLSTM预测模型进行训练，然后输入测试样本到已经训练好的VMDSF-CSLSTM模型，得到负荷预测结果；并与VMD-CSLSTM、EMD-CSLSTM进行对比。附图2为本发明改进的算法：快照反馈机制改进的变分模态分解算法(VariationalMode Decompositon of Snapshot Feedback，VMDSF)的分解信号示例图；附图3为本发明实施例的预测效果图；
从图3可以看出，本发明预测模型(VMDSF-CSLSTM)的预测精度较其他方法精确。
综上所述，本发明提出了一种基于快照反馈机制的短期电力负荷预测组合方法，该方法首先采集了历史电力负荷数据，并进行了处理，建立了训练样本集和测试样本集，然后对训练样本集建立本发明预测模型(VMDSF-CSLSTM)。同时，在训练模型的过程中在训练的过程中，使用一种基于快照反馈机制改进的变分模态分解算法分解历史电力负荷数据。最后将测试样本输入训练好的神经网络中得到负荷预测结果；为提高短期电力负荷预测的精度提供了一个新方法。
以上所述均为本发明的优选实施例，并非因此限制本发明的专利范围，采用其他预测方法同样能实现负荷预测目的。利用本发明说明书及附图内容所作的等效结构变换，或直接/简介运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (3)
1.一种基于快照反馈机制的短期电力负荷预测组合方法，其特征在于，包括以下步骤：
步骤1：数据预处理。对数据缺失值进行前后均值补全，划分训练集、测试集、验证集；
步骤2：负荷信号分解。对训练集进行初次变分模态分解(Variational ModeDecomposition,VMD)，将得到的本征模态函数(Intrinsic Mode Function,IMF)与原负荷信号减去所有IMF生成的残差序列进行0-1归一化处理；
步骤3：构建集成模型。将步骤2得到的IMF与残差序列构建对应长短时记忆网络(LongShort Term Memory Network,LSTM)子模型，使用先验知识设置子模型超参数，连接各子模型的输出索引得到集成模型；
步骤4：寻找最优模式数量(K)值。使用训练集去训练集成模型，然后采用快照反馈机制预测指定长度的负荷点，当循环至指定长度的百分之五时生成模型快照，反馈至模型前端，当满足快照反馈策略的跳出条件时，得到最优K值；
步骤5：寻找网络最优超参数。设定最优K值，然后设置需寻优的超参数及范围，采用网格搜索法寻找网络最优超参数；
步骤6：使用最优K值和网络最优超参数构建VMDSF-CSLSTM模型，完成电力负荷短期预测。
2.如权利要求1所述的寻找最优模式数量(K)值，其特征在于，所述的步骤4的具体步骤为：
步骤4.1设定参数，初始化模式数量Kn＝2，中心频率差值Δf＝2fn，xkn(t)＝x(t)；
步骤4.2初始化参数
迭代条件为式(2)至式(4)，然后对xkn(t)进行模态分解，并根据收敛条件判断是否满足，若满足则停止迭代，可得到Kn个模式分量；反之，继续迭代直到满足收敛条件为止，收敛条件如式(5)；
步骤4.3将得到的模式分量和原始信号与所有模式分量相减得到的残差信号输入至预测模型，在模型运算至百分之五时生成模型快照，保存模型权重，并且在测试集上运行预测模型，计算预测结果十次的RMSE均值；
步骤4.4当跳出迭代条件满足时，停止快照反馈和分解，模式数量等于Kn。否则进行步骤5；
步骤4.5令Kn+＝1，重复“步骤4.2”～“步骤4.4”过程。
3.如权利要求1所述的使用最优K值和网络最优超参数构建VMDSF-CSLSTM模型，其特征在于，所述的步骤6的具体步骤为：
步骤6.1设置预测长度Length，初始化时间步Step＝1，保存预测结果列表为pre＝[]；
步骤6.2设置LSTM模型超参数，将长度为t的训练集进行模型迭代训练，并根据LSTM内部设计通过最小化RMSE损失函数，使用随机梯度下降法寻找模型最优权重参数，若迭代次数满足预设超参数迭代次数，则得到LSTM预测模型；
步骤6.3将验证集数据传入“步骤2”中得到的LSTM预测模型，对第t+1时刻负荷进行预测，Step＝Step+1，将预测值添加至pre列表，将预测值回填至训练集末端；
步骤6.4当Step＞Length成立时，停止循环和滑窗操作，预测结果为pre列表。否则将训练集滑动一个窗口，保证训练集长度仍然为t，然后重复“步骤6.2”至“步骤6.4”过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010638813.9A CN111784057A (zh) | 2020-07-04 | 2020-07-04 | 一种基于快照反馈机制的短期电力负荷预测组合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010638813.9A CN111784057A (zh) | 2020-07-04 | 2020-07-04 | 一种基于快照反馈机制的短期电力负荷预测组合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111784057A true CN111784057A (zh) | 2020-10-16 |
Family
ID=72759668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010638813.9A Withdrawn CN111784057A (zh) | 2020-07-04 | 2020-07-04 | 一种基于快照反馈机制的短期电力负荷预测组合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111784057A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446593A (zh) * | 2020-11-12 | 2021-03-05 | 广东电网有限责任公司广州供电局 | 一种lstm神经网络的短期负荷预测方法及系统 |
| CN113221458A (zh) * | 2021-05-17 | 2021-08-06 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
| CN113239029A (zh) * | 2021-05-18 | 2021-08-10 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能表缺失日冻结数据的补全方法 |
| CN113837465A (zh) * | 2021-09-18 | 2021-12-24 | 湘潭大学 | 一种多阶段的校园电力短期负荷预测方法 |
| CN117744884A (zh) * | 2023-12-29 | 2024-03-22 | 南方电网调峰调频发电有限公司鲁布革水力发电厂 | 水库水流量预测模型的构建方法和水库水流量预测方法 |
-
2020
- 2020-07-04 CN CN202010638813.9A patent/CN111784057A/zh not_active Withdrawn
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446593A (zh) * | 2020-11-12 | 2021-03-05 | 广东电网有限责任公司广州供电局 | 一种lstm神经网络的短期负荷预测方法及系统 |
| CN113221458A (zh) * | 2021-05-17 | 2021-08-06 | 上海交通大学 | 盾构刀盘扭矩多步预测方法和系统 |
| CN113239029A (zh) * | 2021-05-18 | 2021-08-10 | 国网江苏省电力有限公司镇江供电分公司 | 一种电能表缺失日冻结数据的补全方法 |
| CN113837465A (zh) * | 2021-09-18 | 2021-12-24 | 湘潭大学 | 一种多阶段的校园电力短期负荷预测方法 |
| CN117744884A (zh) * | 2023-12-29 | 2024-03-22 | 南方电网调峰调频发电有限公司鲁布革水力发电厂 | 水库水流量预测模型的构建方法和水库水流量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111784057A (zh) | 一种基于快照反馈机制的短期电力负荷预测组合方法 | |
| Qin et al. | Macroscopic–microscopic attention in LSTM networks based on fusion features for gear remaining life prediction | |
| CN110488202B (zh) | 基于深度神经网络的车辆电池荷电状态估计方法 | |
| CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
| Fan et al. | A novel machine learning method based approach for Li-ion battery prognostic and health management | |
| CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| 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 | |
| CN108879732B (zh) | 电力系统暂态稳定评估方法及装置 | |
| CN112215339B (zh) | 基于生成对抗网络的医疗数据扩充方法 | |
| CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
| CN112270442A (zh) | 一种基于ivmd-acmpso-cslstm组合电力负荷预测方法 | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| Wu et al. | Remaining useful life prediction of Lithium-ion batteries based on PSO-RF algorithm | |
| CN114897144A (zh) | 基于复值神经网络的复值时序信号预测方法 | |
| CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
| CN110988694A (zh) | 针对容量再生的锂离子电池剩余寿命预测方法及系统 | |
| CN116303786B (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN110826184B (zh) | 一种在时变时滞下narx模型结构和参数的变分贝叶斯辨识方法 | |
| CN114492988A (zh) | 一种催化裂化过程的产品收率的预测方法及装置 | |
| Yan et al. | Remaining Useful Life Interval Prediction for Complex System Based on BiGRU Optimized by Log-Norm | |
| Li et al. | Remaining useful life prediction of tool with BiGRU-Attention and improved particle filter |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201016 |
|
| WW01 | Invention patent application withdrawn after publication |