CN111815065B - 基于长短时记忆神经网络的短期电力负荷预测方法 - Google Patents
基于长短时记忆神经网络的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN111815065B CN111815065B CN202010705130.0A CN202010705130A CN111815065B CN 111815065 B CN111815065 B CN 111815065B CN 202010705130 A CN202010705130 A CN 202010705130A CN 111815065 B CN111815065 B CN 111815065B
- Authority
- CN
- China
- Prior art keywords
- power load
- component
- value
- short
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000015654 memory Effects 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012706 support-vector machine Methods 0.000 description 7
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 101100311330 Schizosaccharomyces pombe (strain 972 / ATCC 24843) uap56 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 101150018444 sub2 gene Proteins 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于长短时记忆神经网络的短期电力负荷预测方法,包括1)采集电力负荷历史数据和气象历史数据,构建历史数据集;2)采用集成经验模态分解法,对电力负荷历史序列进行分解;3)计算每个分量的样本熵值并进行分组;4)构建每个分组的最优预测模型;5)确定预测模型的输入;6)累加各个最优预测模型的预测值得到最终的电力负荷预测值。本发明结合集成经验模态分解和长短时记忆神经网络模型对短期电力负荷进行预测,可以实现准确、实时、可靠的预测效果,具有很好的适用性和有效性,可以被广泛地应用在短期电力负荷预测中。
Description
技术领域
本发明涉及电力预测技术领域,具体涉及一种基于长短时记忆神经网络的短期电力负荷预测方法。
背景技术
电力系统的任务是为用户提供安全、可靠、稳定的电能,以满足各类负荷的需求。在电力系统中,发电、输电、配电和用电是同步进行的,且要求系统的发电量与负荷保持动态平衡。如果高估未来的电力负荷,则会启动额外的发电机组,增加储备和运营成本;此外,如果低估未来的电力负荷,则会导致系统无法为用户提供所需的电力,电力系统可能会面临崩溃的风险。因此提高电力负荷预测的准确性是十分必要的。
目前电力负荷预测模型主要分为三类:传统的统计学模型、人工智能模型、以及混合模型。传统模型主要包括回归分析法、时间序列法以及卡尔曼滤波法等。这些方法虽然具有简单、速度快的优点,但是没有考虑到负荷数据的非线性特点。人工智能模型主要包括专家系统、模糊神经网络、支持向量机、人工神经网络、贝叶斯网络等。这些方法虽然考虑了负荷数据的非线性特性,但忽略了负荷数据序列的时序性,需要人为地添加与时间有关的特征。混合模型主要分为两类,一类是基于权重的组合方法,即采用不同的模型分别对电力负荷进行预测,然后根据预测精度为每种预测方法分配一个加权系数,最后合并加权得到最终的预测结果;这些组合模型综合了单个模型的优点,提高了预测结果的精度,但是由于没有降低原始数据的复杂性,限制了预测的精度;另一类是采用数据预处理的方法,将电力负荷序列分解为更有规律、更平稳的分量,然后对各个分量分别建立合适的预测模型,最终的结果是各分量预测结果之和。各种多尺度分解方法都应用到了电力负荷预测中,如小波分解(WT),经验模态分解(EMD)等。小波分解虽然可以将原始序列分解为更有规律的分量,但是小波基函数和分解级数需要人为地确定,不能保证信号的最优分解;EMD虽然能够自动地确定分解个数,但是EMD分解得到的IMFs可能会出现模态混叠的现象。
发明内容
针对现有技术的不足,本发明提出一种基于长短时记忆神经网络的短期电力负荷预测方法,包括如下步骤:
步骤1:统计电力负荷历史数据和气象历史数据,构建历史数据集,所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t),以及t时刻当天的日最高温度值Tmax(t)、日最低温度值Tmin(t),定义n个电力负荷值构成的集合为电力负荷历史序列X,记为X={x(1),x(2),…,x(t),…,x(n)},t=1,2,…n;
步骤2:采用集成经验模态分解法,将电力负荷历史序列X分解为M组分量集,每组分量集包括不同频率的本征模函数分量和一个残差分量,通过计算M组分量集中相同时刻电力负荷的平均值,得到一组平均值分量集;
步骤3:计算平均值分量集中每个平均值分量的样本熵值,并根据样本熵值进行分组;
步骤4:构建每个分组Fb的最优长短时记忆神经网络模型,得到f个最优长短时记忆神经网络模型;
步骤5:预测当天Tt时刻的电力负荷时,记录当天Tt时刻的温度值,以及当天的最高温度值、最低温度值;同时统计过去h天内每天的Tt时刻所对应的电力负荷历史值;
步骤6:将当天的最高温度值、最低温度值、Tt时刻的温度值以及过去h天内的h个电力负荷值,分别输入到f个最优长短时记忆神经网络模型中,通过每个最优长短时记忆神经网络模型输出一个电力负荷的预测值,累加各个电力负荷的预测值得到最终的电力负荷预测值。
所述步骤2包括:
步骤2.1:在电力负荷历史序列X中添加随机高斯白噪声序列,构成一个新的电力负荷历史序列Xu;
步骤2.2:利用经验模态分解法将新的电力负荷历史序列Xu,分解为一组包含不同频率本征模函数分量和一个残差分量的分量集;
步骤2.3:重复步骤2.1~步骤2.2,添加不同的高斯白噪声序列得到M组分量集,定义第u组分量集为Xu={Xu,1,Xu,2,…,Xu,v,…,Xu,w,Xu,w+1},其中v=1,2,…,w,w表示不同频率本征模函数分量的个数,Xu,v表示第u组分量集中的第v个频率所对应的本征模函数分量,即分量Xu,v表示为{xu,v(1),xu,v(2),…,xu,v(t),…,xu,v(n)},Xu,w+1表示第u组分量集中的残差分量,即分量Xu,w+1表示为{xu,w+1(1),xu,w+1(2),…,xu,w+1(t),…,xu,w+1(n)},u=1,2,…,M;
步骤2.4:计算M组分量中相同时刻的电力负荷平均值,得到一组平均值分量集,包括:
步骤2.4.1:利用公式(1)计算第v个频率下的本征模函数分量中t时刻的电力负荷平均值
令公式(1)中的t=1,2,…,n,得到第v个频率下的本征模函数分量对应的平均值分量
步骤2.4.2:利用公式(2)计算M个残差分量中t时刻的电力负荷平均值;
令公式(2)中的t=1,2,…,n,得到残差分量对应的平均值分量
步骤2.4.3:根据步骤2.4.1~步骤2.4.2,得到一组平均值分量集其中s=1,2,…,w+1。
所述步骤3包括:
步骤3.1:计算平均值分量的标准差SD;
步骤3.2:初始化嵌入维数m和相似度公差r,其中r取值范围为0.1SD~0.25SD;
步骤3.3:将平均值分量重构为(n-m+1)个m维向量,分别记为其中/>
步骤3.4:利用公式(3)计算向量与/>的距离/>其中
步骤3.5:统计中满足/>的元素的个数,记为/>利用公式(4)计算/>与n-m的比值/>
步骤3.6:利用公式(5)计算的平均值,记为Bm(r);
步骤3.7:令χ=m+1,重复步骤3.3~步骤3.6,计算和Bχ(r)的值;
步骤3.8:利用公式(6)计算向量与/>的样本熵值SEs(m,r);
步骤3.9:令s'=s+1,s=1,2,…,w+1,重复步骤3.1~步骤3.8,依次计算平均值分量集中每个平均值分量的样本熵值,分别记为SE1(m,r),SE2(m,r),…,SEs(m,r),…,SEw+1(m,r),当任意两个样本熵值的比值/>时,将SEs(m,r)、SEp(m,r)所对应的分量划分为同一个分组Fb中;当时,将SEs(m,r)、SEp(m,r)所对应的分量划分为不同的分组中;其中max{SEs(m,r),SEp(m,r)}表示{SEs(m,r),SEp(m,r)}二者中取较大者,min{SEs(m,r),SEp(m,r)}表示{SEs(m,r),SEp(m,r)}二者中取较小者,SEp(m,r)∈{SE1(m,r),SE2(m,r),…,SEs(m,r),…,SEw+1(m,r)},δ表示预设阈值,b=1,2,…,f,f表示不同分组数。
所述步骤4包括:
步骤4.1:将同一个分组Fb中所有分量所对应的电力负荷值、温度值、日最高温度值、日最低温度值分为训练集和测试集/>
步骤4.2:采用长短时记忆神经网络模型对分组Fb中的训练集进行训练,当达到预设训练次数d时,取平均绝对百分误差最小的输出值/>所对应的模型作为最优长短时神经网络模型Tb;通过分组Fb中的测试集/>对模型Tb进行测试;
步骤4.3:令b'=b+1,b=1,2,…,f,重复步骤4.1~步骤4.2,得到各个分组所对应的最优长短时神经网络记忆模型。
本发明的有益效果是:
本发明提出了一种基于长短时记忆神经网络的短期电力负荷预测方法,1)负荷序列分解常用的方法多为WT和EMD,本发明采用集成经验模态分解EEMD的方法对负荷序列进行分解,不仅可以克服WT人为地选择小波基函数等问题,而且可以解决EMD频率混叠的问题;
2)引入样本熵SE计算每个分量的相似度,将相似度相近的分量分为一组,减少了预测模型的个数,提高了预测效率;
3)采用具有长时间记忆能力的长短时记忆神经网络LSTM建立负荷预测模型,充分考虑了负荷数据的时序性,可以更准确地预测负荷。
附图说明
图1为本发明中基于长短时记忆神经网络的短期电力负荷预测方法流程图。
图2为本发明实施例中采集的电力负荷数据集。
图3为本发明实施例中经过EEMD分解后的电力负荷分量。
图4为本发明实施例中每个分量的SE值。
图5为本发明实施例中每周电力负荷数据。
图6为本发明实施例中每日电力负荷数据。
具体实施方式
下面结合附图和具体实施实例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的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他实施例,都属于本发明保护的范围。
如图1所示,一种基于长短时记忆神经网络的短期电力负荷预测方法,包括如下步骤:
步骤1:统计电力负荷历史数据和气象历史数据,构建历史数据集,所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t),以及t时刻当天的日最高温度值Tmax(t)、日最低温度值Tmin(t),定义n个电力负荷值构成的集合为电力负荷历史序列X,记为X={x(1),x(2),,x(t),,x(n)},t=1,2,n;本实施例中统计了连续三个月的电力负荷值,电力负荷值的时间间隔为1小时,三个月内共采集了2136个小时所对应的电力负荷值,2136个小时所对应的温度值,以及三个月内90天所对应的日最高温度值,日最低温度值;其中2136个小时的电力负荷值构成的电力负荷历史序列图如图2所示;
步骤2:采用集成经验模态分解EEMD,将电力负荷历史序列X分解为M组分量集,每组分量集包括不同频率的本征模函数IMF分量和一个残差Re分量,通过计算M组分量集中相同时刻电力负荷的平均值,得到一组平均值分量集;具体表述为:
步骤2.1:在电力负荷历史序列X中添加随机高斯白噪声序列,构成一个新的电力负荷历史序列Xu;
步骤2.2:利用经验模态分解法将新的电力负荷历史序列Xu,分解为一组包含不同频率本征模函数分量和一个残差分量的分量集;
步骤2.3:重复步骤2.1~步骤2.2,添加不同的高斯白噪声序列得到M组分量集,定义第u组分量集为Xu={Xu,1,Xu,2,…,Xu,v,…,Xu,w,Xu,w+1},其中v=1,2,…,w,w表示不同频率本征模函数分量的个数,Xu,v表示第u组分量集中的第v个频率所对应的本征模函数分量,即分量Xu,v表示为{xu,v(1),xu,v(2),…,xu,v(t),…,xu,v(n)},Xu,w+1表示第u组分量集中的残差分量,即分量Xu,w+1表示为{xu,w+1(1),xu,w+1(2),…,xu,w+1(t),…,xu,w+1(n)},u=1,2,…,M;
步骤2.4:计算M组分量中相同时刻的电力负荷平均值,得到一组平均值分量集,包括:
步骤2.4.1:利用公式(1)计算第v个频率下的本征模函数分量中t时刻的电力负荷平均值
令公式(1)中的t=1,2,…,n,得到第v个频率下的本征模函数分量对应的平均值分量
步骤2.4.2:利用公式(2)计算M个残差分量中t时刻的电力负荷平均值;
令公式(2)中的t=1,2,…,n,得到残差分量对应的平均值分量
步骤2.4.3:根据步骤2.4.1~步骤2.4.2,得到一组平均值分量集其中s=1,2,…,w+1。
本实施例将2136个小时的电力负荷值构成的电力负荷历史序列,采用EEMD进行分解,共分解得到9个IMF分量和一个Re分量,即{IMF1、IMF2、IMF3、IMF4、IMF5、IMF6、IMF7、IMF8、IMF9、Re},其分解结果如图3所示,从图3中可以看出,每个分量序列的频率都不相同,分解后的分量突出了原始电力负荷历史序列的局部特征,能更明显的看出原始电力负荷历史序列的周期项、随机项和趋势项,能够更清楚地把握数据变化的规律性;
步骤3:计算平均值分量集X中每个平均值分量的样本熵SE值,并根据样本熵值进行分组;具体表述为:
步骤3.1:计算平均值分量的标准差SD;
步骤3.2:初始化嵌入维数m和相似度公差r,通过m设置为2,其中r取值范围为0.1SD~0.25SD;
步骤3.3:将平均值分量重构为(n-m+1)个m维向量,分别记为其中/>
步骤3.4:利用公式(3)计算向量与/>的距离/>其中
步骤3.5:统计中满足/>的元素的个数,记为/>利用公式(4)计算/>与n-m的比值/>
步骤3.6:利用公式(5)计算的平均值,记为Bm(r);
步骤3.7:令χ=m+1,重复步骤3.3~步骤3.6,计算和Bχ(r)的值;
步骤3.8:利用公式(6)计算向量与/>的样本熵值SEs(m,r);
步骤3.9:令s'=s+1,s=1,2,…,w+1,从s=1开始迭代计算,重复步骤3.1~步骤3.8,依次计算平均值分量集中每个平均值分量的样本熵值,分别记为SE1(m,r),SE2(m,r),…,SEs(m,r),…,SEw+1(m,r),当任意两个样本熵值的比值时,将SEs(m,r)、SEp(m,r)所对应的分量划分为同一个分组Fb中;当/>时,将SEs(m,r)、SEp(m,r)所对应的分量划分为不同的分组中;其中max{SEs(m,r),SEp(m,r)}表示{SEs(m,r),SEp(m,r)}二者中取较大者,min{SEs(m,r),SEp(m,r)}表示{SEs(m,r),SEp(m,r)}二者中取较小者,SEp(m,r)∈{SE1(m,r),SE2(m,r),…,SEs(m,r),…,SEw+1(m,r)},δ表示预设阈值,b=1,2,…,f,f表示不同分组数。
为了提高预测效率和保证预测精度,本实施例中的预设阈值δ=1.8,每个分量的SE值如图4所示;从图4中可以看出,第3、4个频率所对应的本征模函数分量IMF3、IMF4的SE值相近;第6、7个频率所对应的本征模函数分量IMF6和IMF7的SE值相近;第8、9个频率所对应的本征模函数分量IMF8、IMF的SE值,以及残差分量Re的SE值相近。这说明他们的序列复杂度相似,变化趋势接近,可以放到一组中采用相同的长短时记忆神经网络模型进行预测;因此最后将EEMD分解后的10个分量分为6组,分别为Sub1(IMF1),Sub2(IMF2),Sub3(IMF3,IMF4),Sub4(IMF5),Sub5(IMF6,IMF7),Sub6(IMF8,IMF9,Re)。
步骤4:构建每个分组Fb的最优长短时记忆神经网络模型,得到f个最优长短时记忆神经网络模型;包括:
步骤4.1:将同一个分组Fb中所有分量所对应的电力负荷值、温度值、日最高温度值、日最低温度值分为训练集和测试集/>将每个分组中的前两个月的数据作为训练集,第三个月的数据作为测试集;
步骤4.2:采用长短时记忆神经网络模型对分组Fb中的训练集进行训练,当达到预设训练次数d时,取平均绝对百分误差最小的输出值/>所对应的模型作为最优长短时神经网络模型Tb;通过分组Fb中的测试集/>对模型Tb进行测试;
步骤4.3:令b'=b+1,b=1,2,…,f,从b=1开始迭代计算,重复步骤4.1~步骤4.2,得到各个分组所对应的最优长短时神经网络记忆模型。
步骤5:预测当天Tt时刻的电力负荷时,记录当天Tt时刻的温度值,以及当天的日最高温度值、日最低温度值;同时统计过去h天内每天的Tt时刻所对应的电力负荷历史值;
步骤6:将当天的日最高温度值、日最低温度值、Tt时刻的温度值以及过去h天内的h个电力负荷值,分别输入到f个最优长短时记忆神经网络模型中,通过每个最优长短时记忆神经网络模型输出一个电力负荷的预测值,累加各个电力负荷的预测值得到最终的电力负荷预测值。
如图5所示为各周的电力负荷值构成的曲线图,从图5中可以看出每周的电力负荷值构成的电力负荷历史序列变化趋势相似,即每个星期的同一天内的电力负荷历史序列变化趋势是相似的。这说明电力负荷历史数据具有周周期特性。如图6所示为一星期内每天的电力负荷值构成的曲线图,从图6中可以看出每日电力负荷值构成的电力负荷历史序列变化趋势相似,每日相同时间点的电力负荷值是相差不多的,即电力负荷历史数据具有日周期特性,根据上述分析可以得出电力负荷历史序列具有周周期特性和日周期特性。
再者,电力负荷预测与当天的温度有关,选择温度作为未来天气状况的唯一因素,一个原因是温度与电力负荷具有很强的相关性,比如在夏季时温度的升高和冬季时温度的降低,都会使空调的使用量增加,从而用电量也会相应的上升;另一个原因是其他的天气状况数据无法从公开的数据中获取。
最优长短时记忆神经网络模型的输入:因为电力负荷历史数据具有周周期特性和日周期特性,所以将预测时刻Tt的前14天内每天Tt时刻的负荷值作为预测模型的负荷输入;选择的温度输入是预测当天的最高温度Ttmax(t),最低温度Ttmin(t)以及预测时刻Tt的温度Tt(t)。即输入为每间隔24个小时(也就是每天的同一时刻)采集的电力负荷值x(Tt-336),x(Tt-312),x(Tt-288),x(Tt-264),x(Tt-240),x(Tt-216),x(Tt-192),x(Tt-168),x(Tt-144),x(Tt-120),x(Tt-96),x(Tt-72),x(Tt-48),x(Tt-24),以及Tt(t),Ttmax(t),Ttmin(t)。
为了选择最佳的单个预测模型,首先利用支持向量机(SVR)、广义回归神经网络(GRNN)、BP神经网络、Elman神经网络、长短时记忆神经网络LSTM5种预测模型对未经分解的原始负荷数据进行预测。其中支持向量机(SVR)、广义回归神经网络(GRNN)、BP神经网络均采用MATLAB编程实现,长短时记忆神经网络LSTM采用Python编程实现,表1为上述5个模型的误差指标即平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)。从表1中可以看出LSTM是预测电力负荷最佳的单个预测模型。
表1 未经EEMD分解和SE分组处理的各个模型的误差指标
平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE),定义如下:
式中,x(t)为负荷的真实值,为负荷的预测值。
在经过集成经验模态分解EEMD分解和样本熵SE计算再分组后,也采用上述5种预测模型对Sub1~Sub7进行预测,定义EEMD-SVR表示经过集成经验模态分解EEMD分解和样本熵SE计算再分组后采用SVR进行预测,定义EEMD-GRNN表示经过集成经验模态分解EEMD分解和样本熵SE计算再分组后采用GRNN进行预测,定义EEMD-BP表示经过集成经验模态分解EEMD分解和样本熵SE计算再分组后采用BP进行预测,定义EEMD-Elman表示经过集成经验模态分解EEMD分解和样本熵SE计算再分组后采用Elman进行预测,定义EEMD-LSTM表示经过集成经验模态分解EEMD分解和样本熵SE计算再分组后采用LSTM进行预测,其中EEMD-LSTM即本发明提供的预测方法,,最后的预测结果为Sub1~Sub7之和。表2为上述5个模型的预测误差对比结果。从表2中可以看出:在这5个模型中,EEMD-LSTM的预测效果最好,即本发明提供的预测方法(简称EEMD-LSTM)的预测效果最好。
表2 经EEMD分解和SE分组处理后的各个模型的误差指标
为了验证EEMD分解过程的有效性,在表3中分别给出了上述5种模型在原电力负荷历史序列、经过EEMD分解和SE分组后的电力负荷历史序列中的评价指标MAE、MAPE、RMSE的对比结果。可以看出EEMD-SVR、EEMD-GRNN、EEMD-BP、EEMD-Elman和EEMD-LSTM的MAE、MAPE、RMSE的值都小于对应没有经过EEMD分解的模型SVR、GRNN、BP、Elman和LSTM的值。
表3 经过处理、未经过处理的各个模型的误差指标
通过本发明提供的预测方法与其它9种方法相对比,可以看出:EEMD可以有效地分解电力负荷序列,减少原负荷序列噪声所带来的影响;LSTM能够在捕捉电力负荷波动的长期和短期记忆特性方面具有很好的性能。本发明所提预测方法的MAE、MAPE、RMSE均最小,性能优于其他方法,该方法具有很好的适用性和有效性,可以被广泛地应用在短期电力负荷预测中。
Claims (1)
1.一种基于长短时记忆神经网络的短期电力负荷预测方法,其特征在于,包括如下步骤:
步骤1:统计电力负荷历史数据和气象历史数据,构建历史数据集,所述历史数据集包括t时刻的电力负荷值x(t)、t时刻的温度值T(t),以及t时刻当天的日最高温度值Tmax(t)、日最低温度值Tmin(t),定义n个电力负荷值构成的集合为电力负荷历史序列X,记为X={x(1),x(2),…,x(t),…,x(n)},t=1,2,…n;
步骤2:采用集成经验模态分解法,将电力负荷历史序列X分解为M组分量集,每组分量集包括不同频率的本征模函数分量和一个残差分量,通过计算M组分量集中相同时刻电力负荷的平均值,得到一组平均值分量集;
步骤2.1:在电力负荷历史序列X中添加随机高斯白噪声序列,构成一个新的电力负荷历史序列Xu;
步骤2.2:利用经验模态分解法将新的电力负荷历史序列Xu,分解为一组包含不同频率本征模函数分量和一个残差分量的分量集;
步骤2.3:重复步骤2.1~步骤2.2,添加不同的高斯白噪声序列得到M组分量集,定义第u组分量集为Xu={Xu,1,Xu,2,…,Xu,v,…,Xu,w,Xu,w+1},其中v=1,2,…,w,w表示不同频率本征模函数分量的个数,Xu,v表示第u组分量集中的第v个频率所对应的本征模函数分量,即分量Xu,v表示为{xu,v(1),xu,v(2),…,xu,v(t),…,xu,v(n)},Xu,w+1表示第u组分量集中的残差分量,即分量Xu,w+1表示为{xu,w+1(1),xu,w+1(2),…,xu,w+1(t),…,xu,w+1(n)},u=1,2,…,M;
步骤2.4:计算M组分量中相同时刻的电力负荷平均值,得到一组平均值分量集,包括:
步骤2.4.1:利用公式(1)计算第v个频率下的本征模函数分量中t时刻的电力负荷平均值xv(t);
令公式(1)中的t=1,2,…,n,得到第v个频率下的本征模函数分量对应的平均值分量
步骤2.4.2:利用公式(2)计算M个残差分量中t时刻的电力负荷平均值;
令公式(2)中的t=1,2,…,n,得到残差分量对应的平均值分量
步骤2.4.3:根据步骤2.4.1~步骤2.4.2,得到一组平均值分量集其中s=1,2,…,w+1;
步骤3:计算平均值分量集中每个平均值分量的样本熵值,并根据样本熵值进行分组;
步骤3.1:计算平均值分量的标准差SD;
步骤3.2:初始化嵌入维数m和相似度公差r,其中r取值范围为0.1SD~0.25SD;
步骤3.3:将平均值分量重构为(n-m+1)个m维向量,分别记为其中/>
步骤3.4:利用公式(3)计算向量与/>的距离/>其中
步骤3.5:统计中满足/>的元素的个数,记为/>利用公式(4)计算/>与n-m的比值/>
步骤3.6:利用公式(5)计算的平均值,记为Bm(r);
步骤3.7:令χ=m+1,重复步骤3.3~步骤3.6,计算和Bχ(r)的值;
步骤3.8:利用公式(6)计算向量与/>的样本熵值SEs(m,r);
步骤3.9:令s'=s+1,s=1,2,…,w+1,重复步骤3.1~步骤3.8,依次计算平均值分量集中每个平均值分量的样本熵值,分别记为SE1(m,r),SE2(m,r),…,SEs(m,r),…,SEw+1(m,r),当任意两个样本熵值的比值/>时,将SEs(m,r)、SEp(m,r)所对应的分量划分为同一个分组Fb中;当/>时,将SEs(m,r)、SEp(m,r)所对应的分量划分为不同的分组中;其中max{SEs(m,r),SEp(m,r)}表示{SEs(m,r),SEp(m,r)}二者中取较大者,min{SEs(m,r),SEp(m,r)}表示{SEs(m,r),SEp(m,r)}二者中取较小者,SEp(m,r)∈{SE1(m,r),SE2(m,r),…,SEs(m,r),…,SEw+1(m,r)},δ表示预设阈值,b=1,2,…,f,f表示不同分组数;
步骤4:构建每个分组Fb的最优长短时记忆神经网络模型,得到f个最优长短时记忆神经网络模型;
步骤4.1:将同一个分组Fb中所有分量所对应的电力负荷值、温度值、日最高温度值、日最低温度值分为训练集和测试集/>
步骤4.2:采用长短时记忆神经网络模型对分组Fb中的训练集进行训练,当达到预设训练次数d时,取平均绝对百分误差最小的输出值/>所对应的模型作为最优长短时神经网络模型Tb;通过分组Fb中的测试集/>对模型Tb进行测试;
步骤4.3:令b'=b+1,b=1,2,…,f,重复步骤4.1~步骤4.2,得到各个分组所对应的最优长短时神经网络记忆模型;
步骤5:预测当天Tt时刻的电力负荷时,记录当天Tt时刻的温度值,以及当天的最高温度值、最低温度值;同时统计过去h天内每天的Tt时刻所对应的电力负荷历史值;
步骤6:将当天的最高温度值、最低温度值、Tt时刻的温度值以及过去h天内的h个电力负荷值,分别输入到f个最优长短时记忆神经网络模型中,通过每个最优长短时记忆神经网络模型输出一个电力负荷的预测值,累加各个电力负荷的预测值得到最终的电力负荷预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010705130.0A CN111815065B (zh) | 2020-07-21 | 2020-07-21 | 基于长短时记忆神经网络的短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010705130.0A CN111815065B (zh) | 2020-07-21 | 2020-07-21 | 基于长短时记忆神经网络的短期电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815065A CN111815065A (zh) | 2020-10-23 |
CN111815065B true CN111815065B (zh) | 2023-08-29 |
Family
ID=72861082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010705130.0A Active CN111815065B (zh) | 2020-07-21 | 2020-07-21 | 基于长短时记忆神经网络的短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815065B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112910288B (zh) * | 2020-12-08 | 2022-08-09 | 上海交通大学 | 一种基于逆变器散热器温度预测的过温预警方法 |
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 |
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 |
CN115860277B (zh) * | 2023-02-27 | 2023-05-09 | 西安骏硕通信技术有限公司 | 一种数据中心能耗预测方法及系统 |
CN116205382B (zh) * | 2023-05-05 | 2023-08-22 | 南方电网科学研究院有限责任公司 | 用电量的预测方法、预测装置、电子装置和电子设备 |
CN116544931B (zh) * | 2023-06-27 | 2023-12-01 | 北京理工大学 | 基于集成片段变换和时间卷积网络的电力负荷分布预测方法 |
Citations (5)
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 |
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 |
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
CN110555515A (zh) * | 2019-08-22 | 2019-12-10 | 南京信大气象科学技术研究院有限公司 | 一种基于eemd和lstm的短期风速预测方法 |
CN111105321A (zh) * | 2019-12-03 | 2020-05-05 | 湘潭大学 | 一种基于eemd二次分解的电力负荷预测方法 |
-
2020
- 2020-07-21 CN CN202010705130.0A patent/CN111815065B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019179340A1 (zh) * | 2018-03-19 | 2019-09-26 | 河北工业大学 | 基于eemd和msb的滚动轴承故障特征提取方法 |
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 |
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 |
CN110555515A (zh) * | 2019-08-22 | 2019-12-10 | 南京信大气象科学技术研究院有限公司 | 一种基于eemd和lstm的短期风速预测方法 |
CN111105321A (zh) * | 2019-12-03 | 2020-05-05 | 湘潭大学 | 一种基于eemd二次分解的电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
基于EEMD-LSTM 的区域能源短期负荷预测;马梦冬等;《浙江电力》;第39卷(第4期);第29-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815065A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815065B (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
CN108256697B (zh) | 一种用于电力系统短期负荷的预测方法 | |
Han et al. | Multi‐step wind power forecast based on VMD‐LSTM | |
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
Catalao et al. | Hybrid wavelet-PSO-ANFIS approach for short-term wind power forecasting in Portugal | |
Prema et al. | Time series decomposition model for accurate wind speed forecast | |
Peng et al. | Short-term load forecasting at different aggregation levels with predictability analysis | |
Al-Hamadi et al. | Fuzzy short-term electric load forecasting using Kalman filter | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN109193630B (zh) | 一种柔性负荷可调区间预测方法及装置 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN115983448B (zh) | 一种基于时空图神经网络的多能源负荷预测方法 | |
CN110084403B (zh) | 架空导线载流量的多时段联合概率密度预测方法及系统 | |
Čurčić et al. | Gaining insights into dwelling characteristics using machine learning for policy making on nearly zero-energy buildings with the use of smart meter and weather data | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
Wu et al. | SOH prediction for lithium-ion battery based on improved support vector regression | |
Chen et al. | A hybrid model for electricity price forecasting based on least square support vector machines with combined kernel | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
Souhe et al. | Forecasting of electrical energy consumption of households in a smart grid | |
Zhang et al. | Hybrid Model for Renewable Energy and Load Forecasting Based on Data Mining and EWT | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
Wang et al. | Prediction of user behavior in smart home based on improved arima model | |
CN115935212A (zh) | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 |
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 |