CN112836884A - 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 - Google Patents
基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 Download PDFInfo
- Publication number
- CN112836884A CN112836884A CN202110178529.2A CN202110178529A CN112836884A CN 112836884 A CN112836884 A CN 112836884A CN 202110178529 A CN202110178529 A CN 202110178529A CN 112836884 A CN112836884 A CN 112836884A
- Authority
- CN
- China
- Prior art keywords
- copula
- load
- correlation
- neural network
- short term
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 241000039077 Copula Species 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 50
- 238000010219 correlation analysis Methods 0.000 claims abstract description 42
- 230000015654 memory Effects 0.000 claims abstract description 31
- 230000007787 long-term memory Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000006403 short-term memory Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005315 distribution function Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 238000001816 cooling Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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
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)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于Copula‑DBiLSTM的综合能源系统多元负荷精确预测方法,包括步骤:采用Copula相关性分析法对多元负荷以及多种影响因素进行相关性分析,筛选出与多元负荷之间具有较大相关性的影响因素作为深度双向长短期记忆神经网络模型的输入特征集,剔除干扰因素的影响;构建深度双向长短期记忆神经网络DBiLSTM,结合Copula相关性分析法筛选出的输入特征集,运用优化算法对深度双向长短期记忆神经网络进行优化训练,通过优化训练后的深度双向长短期记忆神经网络模型预测得到待预测的多元负荷值。本发明能够考虑了多种影响因素与多元负荷之间的非线性相关性,适应了新形势下IES多元负荷预测的需要。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,特别是基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法。
背景技术
精准的负荷预测有助于实现电网的实时调度,优化系统运行成本。传统的多能系统独立运行,人为割裂了不同能源形式之间的耦合,运行效率不高。综合能源系统(Integrated Energy System,IES)因其具有多方面良好效益,有了广泛应用。其内部耦合多种能源转化设备,大大提高了多能系统的灵活性、经济性。因此,负荷预测时有必要考虑多元负荷之间复杂的耦合关系。
现有负荷预测方法主要分为传统方法和机器学习方法,在机器学习方法上又衍生出性能更为优异的深度学习方法。传统方法如卡尔曼滤波法、差分整合移动平均自回归模型、多元线性回归等,这类传统预测方法只适用于小规模数据且对数据的平稳性要求较高;机器学习方法主要包括支持向量回归、随机森林等。机器学习方法虽然相较于传统方法有了一定的改进,但无法记住长时间序列的信息,预测精度有限。
一些学者提出运用深度学习方法。其中,应用最为广泛的是长短期记忆(Long andShort Term Memory,LSTM)神经网络。一些LSTM神经网络的变体如双向长短期记忆(Bidirectional Long and Short Term Memory,BiLSTM)神经网络也有一些应用。现有研究大多注重于电负荷预测,然而IES内部耦合多种能源形式负荷,如何提升多元负荷联合预测精度至关重要。
目前已有一些研究讨论了负荷与影响因素之间的相关性,常用的分析方法主要为Pearson相关分析法。然而Pearson相关系数法只能分析变量间的线性相关性,无法给出IES内多元负荷之间、多元负荷与影响因素之间的非线性关系。
基于Copula相关性分析与DBiLSTM神经网络的IES多元负荷预测方法首先运用Copula分析各影响因素与多元负荷之间的非线性相关性,能够考虑变量间的非线性相关性,剔除弱相关影响因素,重新构建新的输入特征集;接着构建DBiLSTM神经网络,结合Copula相关性分析法筛选出的输入特征集,运用优化算法对DBiLSTM神经网络进行优化训练,通过优化训练后的DBiLSTM神经网络模型预测得到待预测的多元负荷值,以此构建一个离线训练、在线预测模型。
发明内容
有鉴于此,本发明的目的是提出一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法,考虑了多种影响因素与多元负荷之间的非线性相关性,适应了新形势下IES多元负荷预测的需要。
本发明采用以下方案实现:一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法,具体包括以下步骤:
采用Copula相关性分析法对多元负荷以及多种影响因素进行相关性分析,筛选出与多元负荷之间具有较大相关性的影响因素作为深度双向长短期记忆神经网络模型的输入特征集,剔除干扰因素的影响;
构建深度双向长短期记忆神经网络DBiLSTM,结合Copula相关性分析法筛选出的输入特征集,运用优化算法对深度双向长短期记忆神经网络进行优化训练,通过优化训练后的深度双向长短期记忆神经网络模型预测得到待预测的多元负荷值。
进一步地,所述采用Copula相关性分析法对多元负荷以及多种影响因素进行相关性分析,筛选出与多元负荷之间具有较大相关性的影响因素作为深度双向长短期记忆神经网络模型的输入特征集,剔除干扰因素的影响具体包括以下步骤:
步骤S11:将多元负荷及多种影响因素两两之间采用Coupula相关性分析,得到两个变量之间的相关系数τ;
步骤S12:定义ξ为两两变量间弱相关与强相关之间的分界值,|τ|<ξ表示两变量间呈弱相关关系,|τ|>ξ表示两变量间为强相关关系;选取与多元负荷具有强相关关系的影响因素作为深度双向长短期记忆神经网络模型的输入特征集。
进一步地,步骤S11具体为:
对两个变量间进行相关性分析,设一个原始负荷序列为U,一个影响因素序列为V,其对应原始负荷序列与影响因素序列的边缘分布函数分别为FU(u)和FV(v),对应原始负荷序列与影响因素序列的联合分布函数为F(u,v);其对应原始负荷序列与影响因素序列的边缘密度函数分别为fU(u)和fV(v),对应原始负荷序列与影响因素序列的联合密度函数为f(u,v);
根据Sklar定理,用一个Copula函数C(·),将联合分布函数F(u,v)与对应的边缘分布函数FU(u)、FV(v)进行关联,关联表达式为:
F(u,v)=C(FU(u),FV(v);θ);
式中,θ为Copula函数参数;
对应的Copula密度函数关系式为:
运用Copula函数内Kendall秩相关系数法进行两变量间相关性度量,具体表达式为:
式中,τ表示相关系数值,|τ|越大表明变量之间相关性越强。
进一步地,所述Copula函数C(·)采用Frank-Copula函数,其对应的数学表达式为:
式中,θ为Frank-Copula函数参数。
进一步地,还包括步骤S13:定义各影响因素与多元负荷之间的平均相关系数值为:
式中,Corraver,q为第q个影响因素与多元负荷之间的平均相关系数值,Corri,q表示第q个影响因素与第i种负荷之间的相关系数值,N为多元负荷内负荷种数,Q为多元负荷的影响因素总数。
进一步地,所述构建深度双向长短期记忆神经网络DBiLSTM,结合Copula相关性分析法筛选出的输入特征集,运用优化算法对深度双向长短期记忆神经网络进行优化训练具体包括以下步骤:
步骤S21:构造包含多个隐含层的深度双向长短期记忆神经网络,各隐含层神经元个数分别为[λ1,...,λk],k为深度双向长短期记忆神经网络隐含层数量;
步骤S22:确定每个隐含层中的待优化参数为:
其中k*∈[1,k];
步骤S23:将通过Copula相关性分析法分析得出的与多元负荷之间具有强相关性的所有影响因素组成深度双向长短期记忆神经网络的输入特征集;
步骤S25:结合深度双向长短期记忆神经网络的损失函数,将通过Copula相关性分析法分析得出的与多元负荷之间具有强相关性的所有影响因素组成深度双向长短期记忆神经网络的输入特征集,运用Adam优化算法训练得到优化后的深度双向长短期记忆神经网络模型。
进一步地,所述损失函数为:
本发明还提供了一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当计算机运行该程序指令时,能够实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:
1、本发明在构建DBiLSTM神经网络模型输入特征集时,首先进行了输入特征集的筛选,剔除了弱相关因素的干扰;
2、本发明运用了Copula相关性分析法进行多元负荷与影响因素之间的相关性分析,能够考虑不同因素间的非线性相关性;
3、本发明运用了DBiLSTM神经网络,相比于传统的LSTM神经网络能够更好的学习历史数据包含的有用信息,可进一步提升预测精度;
4、本发明不同于传统单一电负荷预测方法,考虑了IES内多元负荷的耦合特性,进行多元负荷联合预测,进一步提升预测精度。
附图说明
图1为本发明LSTM神经网络内部结构图。
图2为本发明DBiLSTM神经网络结构图。
图3为本发明基于Copula-DBiLSTM神经网络模型总体框架。
图4为本发明冷负荷与温度的散点图。
图5为本发明冷负荷与温度的Copula密度函数图。
图6为本发明不同输入特征集下的结果对比图。
图7为本发明不同模型下的结果对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图3所示,本实施例提供了一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法,具体包括以下步骤:
采用Copula相关性分析法对多元负荷以及多种影响因素进行相关性分析,筛选出与多元负荷之间具有较大相关性的影响因素作为深度双向长短期记忆神经网络模型的输入特征集,剔除干扰因素的影响;
构建深度双向长短期记忆神经网络DBiLSTM,结合Copula相关性分析法筛选出的输入特征集,运用优化算法对深度双向长短期记忆神经网络进行优化训练,通过优化训练后的深度双向长短期记忆神经网络模型预测得到待预测的多元负荷值。
在本实施例中,所述采用Copula相关性分析法对多元负荷以及多种影响因素进行相关性分析,筛选出与多元负荷之间具有较大相关性的影响因素作为深度双向长短期记忆神经网络模型的输入特征集,剔除干扰因素的影响具体包括以下步骤:
步骤S11:将多元负荷及多种影响因素两两之间采用Coupula相关性分析,得到两个变量之间的相关系数τ;
步骤S12:定义ξ为两两变量间弱相关与强相关之间的分界值,|τ|<ξ表示两变量间呈弱相关关系,|τ|>ξ表示两变量间为强相关关系;选取与多元负荷具有强相关关系的影响因素作为深度双向长短期记忆神经网络模型的输入特征集。
在本实施例中,步骤S11具体为:
对两个变量间进行相关性分析,设一个原始负荷序列为U,一个影响因素序列为V,其对应原始负荷序列与影响因素序列的边缘分布函数分别为FU(u)和FV(v),对应原始负荷序列与影响因素序列的联合分布函数为F(u,v);其对应原始负荷序列与影响因素序列的边缘密度函数分别为fU(u)和fV(v),对应原始负荷序列与影响因素序列的联合密度函数为f(u,v);
根据Sklar定理,用一个Copula函数C(·),将联合分布函数F(u,v)与对应的边缘分布函数FU(u)、FV(v)进行关联,关联表达式为:
F(u,v)=C(FU(u),FV(v);θ);
式中,θ为Copula函数参数;
对应的Copula密度函数关系式为:
运用Copula函数内Kendall秩相关系数法进行两变量间相关性度量,具体表达式为:
式中,τ表示相关系数值,|τ|越大表明变量之间相关性越强。
在本实施例中,所述Copula函数C(·)采用Frank-Copula函数,其对应的数学表达式为:
式中,θ为Frank-Copula函数参数。
在本实施例中,还包括步骤S13:定义各影响因素与多元负荷之间的平均相关系数值为:
式中,Corraver,q为第q个影响因素与多元负荷之间的平均相关系数值,Corri,q表示第q个影响因素与第i种负荷之间的相关系数值,N为多元负荷内负荷种数,Q为多元负荷的影响因素总数。
在本实施例中,所述构建深度双向长短期记忆神经网络DBiLSTM,结合Copula相关性分析法筛选出的输入特征集,运用优化算法对深度双向长短期记忆神经网络进行优化训练具体包括以下步骤:
步骤S21:构造包含多个隐含层的深度双向长短期记忆神经网络(如图2所示,其中单个LSTM的结构如图1所示),各隐含层神经元个数分别为[λ1,...,λk],k为深度双向长短期记忆神经网络隐含层数量;
步骤S22:确定每个隐含层中的待优化参数为:
其中k*∈[1,k];
步骤S23:将通过Copula相关性分析法分析得出的与多元负荷之间具有强相关性的所有影响因素组成深度双向长短期记忆神经网络的输入特征集;
步骤S25:结合深度双向长短期记忆神经网络的损失函数,将通过Copula相关性分析法分析得出的与多元负荷之间具有强相关性的所有影响因素组成深度双向长短期记忆神经网络的输入特征集,运用Adam优化算法训练得到优化后的深度双向长短期记忆神经网络模型。
在本实施例中,所述损失函数为:
本实施例还提供了一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当计算机运行该程序指令时,能够实现如上文所述的方法步骤。
进一步地,本实施例以平均绝对百分误差EMAPE和均方根误差ERMSE作为模型预测结果的评价指标,表达式为:
式中,M为参与评价的负荷点数;zor(t)为t时刻负荷真实值;zpr(t)为t时刻负荷预测值。
下面本实施例实验数据来自美国某地IES系统2011年1月-2012年10月数据,时间分辨率为1h,包含电、冷、热负荷,对应的天气数据包括温度、湿度、水平太阳辐射、垂直太阳辐射、风速、露点,可在美国太阳辐射资料库查询。日历规则为月数、周数、天数、小时数及节假日因素。实验数据按8:1:1划分为训练集、验证集、测试集。
通过Copula相关性分析进行筛选,确定合适的输入特征集。附图4所示为冷负荷与温度的散点图,附图5为冷负荷与温度之间概率密度函数图。由附图4散点图可知,图中的点均在45°对角线周围分布,表明冷负荷与温度具有较大的相关性,结合附图5的Copula密度函数图可知,冷负荷与温度的Copula密度函数图呈45°对角线分布,且对角两端为尖峰厚尾型,表明冷负荷与温度的相关性很大。
虽然附图4与附图5能够提供一些图形特征用于判定两个变量之间的相关性,但仍缺乏一定的直观性。因此表1给出运用Copula中的Kendall秩相关系数法计算各影响因素与多元负荷之间的相关性度量结果。
表1各因素之间的相关系数值
影响因素 | 电负荷 | 冷负荷 | 热负荷 | 平均相关系数 |
电负荷 | 1.0000 | 0.3317 | -0.3209 | 0.5509 |
冷负荷 | 0.3317 | 1.0000 | -0.7737 | 0.7018 |
热负荷 | -0.3209 | -0.7737 | 1.0000 | 0.6982 |
温度 | 0.2778 | 0.6694 | -0.7114 | 0.5529 |
风速 | 0.1239 | 0.0591 | -0.1254 | 0.1028 |
湿度 | -0.2451 | -0.2789 | 0.4180 | 0.3140 |
垂直太阳辐射 | 0.3651 | 0.1957 | -0.3521 | 0.3043 |
水平太阳辐射 | 0.3843 | 0.2528 | -0.4098 | 0.3490 |
露点 | 0.0800 | 0.3778 | -0.2717 | 0.2432 |
节假日 | -0.0481 | -0.0261 | 0.0299 | 0.0347 |
月数 | 0.1714 | 0.3348 | -0.2447 | 0.2503 |
周数 | -0.2113 | -0.0295 | 0.0004 | 0.0804 |
天数 | 0.0164 | 0.0303 | -0.0296 | 0.0254 |
小时数 | 0.2823 | 0.1365 | -0.1237 | 0.1808 |
根据表1相关性计算结果可知,风速、节假日、周数、天数四种影响因素与多元负荷之间的平均相关系数均小于0.15,属于弱相关影响因素,将其考虑到多元负荷预测中可能会导致预测精度下降,因此剔除这四类影响因素;余下影响因素与多元负荷之间的相关性均大于0.15,与多元负荷之间具有较大相关性。其中,温度与多元负荷之间的相关性最大,平均相关系数达0.5529,远远高于其他因素。因此,将平均相关系数值大于0.15的影响因素组合,共同构成最终模型的输入特征集。
设置DBiLSTM神经网络的优化算法为Adam优化算法、学习率为0.01、迭代次数150代。DBiLSTM神经网络隐含层层数2层,各隐含层神经元个数分别为50、100个。
为验证本实施例所提的Copula-DBiLSTM预测模型的有效性,以模型的输入特征集考虑对各影响因素进行Copula相关性筛选(模型1)与不进行Copula相关性筛选(模型2)进行对比,选取2012年9月21日预测结果进行展示,结果如附图6和表2所示。
表2不同输入特征集下的误差对比
模型 | E<sub>MAPE</sub>/% | E<sub>RMSE</sub>/(电、冷、热/MW、kTon、mmBTU) |
模型1 | 0.89/1.40/1.06 | 0.179/0.193/0.274 |
模型2 | 1.25/1.95/1.59 | 0.238/0.253/0.423 |
由上可知,考虑运用Copula相关性分析对影响因素进行筛选后的预测结果更好。结合表1相关性分析可知,由于存在风速等弱相关或不相关因素的干扰,将这部分影响因素也作为模型的输入特征集将会使模型的预测性能降低;而运用Copula相关性分析法筛选出与多元负荷相关性较强的影响因素作为模型的输入特征集,能够考虑和多元负荷具有较大相关性的影响因素的同时,去除干扰影响因素的影响,能够改善模型的预测精度。
将本实施例所提模型与几种常用模型进行对比,包括高斯过程回归(GaussianProcess Regression,GPR)、BP神经网络(BPNeural Network,BP-NN)、Copula结合LSTM神经网络(Copula-LSTM),结果如附图7和表3所示。
表3不同模型下的误差对比
模型 | E<sub>MAPE</sub>/% | E<sub>RMSE</sub>/(电、冷、热/MW、kTon、mmBTU) |
Copula-DBiLSTM | 0.89/1.40/1.06 | 0.179/0.193/0.274 |
GPR | 1.78/3.16/4.55 | 0.417/0.366/1.157 |
BP-NN | 1.64/3.59/3.69 | 0.353/0.409/1.087 |
Copula-LSTM | 1.24/2.08/1.86 | 0.233/0.255/0.476 |
结合附图7和表3,从整体上来看,传统预测模型GPR的EMAPE误差指标最差,预测效果最差;而BP-NN模型相较于GPR有一定的提高,但预测精度也有限;而Copula相关性分析法结合深度学习LSTM神经网络相较于上述两种模型预测精度有了较大的提高,电、冷、热负荷的EMAPE误差指标仅分别为GPR的69.7%、65.8%、40.9%;而本发明所提的预测模型效果最好,电、冷、热负荷的EMAPE误差指标仅分别为Copula-LSTM的71.8%、67.3%、57.0%,分别为GPR的50.0%、44.3%、23.3%。
进一步分析可知:GPR传统预测模型只适用于小规模数据且对数据的规律性要求较高,因此预测效果最差;BP-NN的预测结果虽然比GPR更好,但由于无法记住长时间序列的信息,并且由于容易发生梯度消失或梯度爆炸等问题,模型性能也较差;Copula-LSTM模型中,LSTM神经网络改善了传统神经网络梯度消失等问题,且内部结构具备记忆单元,非常适合学习长时间序列,因此相较上述两种模型预测精度有较大的提高。但LSTM神经网络只对历史数据进行单向学习,不能够有效学习到历史数据中包含的更多信息;而本发明所提模型综合考虑各影响因素对多元负荷的影响,通过Copula相关性分析筛选出最优特征集作为模型的输入,并结合DBiLSTM神经网络能够从正、反两方向学习历史数据包含的更多信息,使模型学到更多有用信息,预测精度相较于上述模型有了一定的改善。
为说明多元负荷预测的有效性,进行单一负荷与多元负荷预测对比分析,单一负荷预测时模型输入不考虑其余两种负荷因素,结果如表4所示。
表4单一负荷与多元负荷预测的误差对比
模型 | E<sub>MAPE</sub>/% | 训练时间/s | 预测时间/s |
单一负荷预测 | 1.14/1.96/2.04 | 2105.08 | 26.67 |
多元负荷预测 | 0.89/1.40/1.06 | 706.12 | 9.24 |
由表4可知,单一负荷预测结果相较于多元负荷预测结果更差。结合表1可知,电、冷、热负荷之间具有明显的耦合关系,具有较强的相关性,在预测时将另外两种负荷因素考虑进来,可以使模型学习到更多有用信息,进而提升预测精度。
同时,由于多元负荷预测模型一次就能获得多元负荷的预测结果,相较于单一负荷预测需要构建三个预测模型,所耗费的时间成本更低。因此,在预测精度及时间成本上,多元负荷预测都具有较大的优势。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (9)
1.一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法,其特征在于,包括以下步骤:
采用Copula相关性分析法对多元负荷以及多种影响因素进行相关性分析,筛选出与多元负荷之间具有较大相关性的影响因素作为深度双向长短期记忆神经网络模型的输入特征集,剔除干扰因素的影响;
构建深度双向长短期记忆神经网络DBiLSTM,结合Copula相关性分析法筛选出的输入特征集,运用优化算法对深度双向长短期记忆神经网络进行优化训练,通过优化训练后的深度双向长短期记忆神经网络模型预测得到待预测的多元负荷值。
2.根据权利要求1所述的一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法,其特征在于,所述采用Copula相关性分析法对多元负荷以及多种影响因素进行相关性分析,筛选出与多元负荷之间具有较大相关性的影响因素作为深度双向长短期记忆神经网络模型的输入特征集,剔除干扰因素的影响具体包括以下步骤:
步骤S11:将多元负荷及多种影响因素两两之间采用Coupula相关性分析,得到两个变量之间的相关系数τ;
步骤S12:定义ξ为两两变量间弱相关与强相关之间的分界值,|τ|<ξ表示两变量间呈弱相关关系,|τ|>ξ表示两变量间为强相关关系;选取与多元负荷具有强相关关系的影响因素作为深度双向长短期记忆神经网络模型的输入特征集。
3.根据权利要求2所述的一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法,其特征在于,步骤S11具体为:
对两个变量间进行相关性分析,设一个原始负荷序列为U,一个影响因素序列为V,其对应原始负荷序列与影响因素序列的边缘分布函数分别为FU(u)和FV(v),对应原始负荷序列与影响因素序列的联合分布函数为F(u,v);其对应原始负荷序列与影响因素序列的边缘密度函数分别为fU(u)和fV(v),对应原始负荷序列与影响因素序列的联合密度函数为f(u,v);
根据Sklar定理,用一个Copula函数C(·),将联合分布函数F(u,v)与对应的边缘分布函数FU(u)、FV(v)进行关联,关联表达式为:
F(u,v)=C(FU(u),FV(v);θ);
式中,θ为Copula函数参数;
对应的Copula密度函数关系式为:
运用Copula函数内Kendall秩相关系数法进行两变量间相关性度量,具体表达式为:
式中,τ表示相关系数值,|τ|越大表明变量之间相关性越强。
6.根据权利要求1所述的一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法,其特征在于,所述构建深度双向长短期记忆神经网络DBiLSTM,结合Copula相关性分析法筛选出的输入特征集,运用优化算法对深度双向长短期记忆神经网络进行优化训练具体包括以下步骤:
步骤S21:构造包含多个隐含层的深度双向长短期记忆神经网络,各隐含层神经元个数分别为[λ1,...,λk],k为深度双向长短期记忆神经网络隐含层数量;
步骤S22:确定每个隐含层中的待优化参数为:
其中k*∈[1,k];
步骤S23:将通过Copula相关性分析法分析得出的与多元负荷之间具有强相关性的所有影响因素组成深度双向长短期记忆神经网络的输入特征集;
步骤S25:结合深度双向长短期记忆神经网络的损失函数,将通过Copula相关性分析法分析得出的与多元负荷之间具有强相关性的所有影响因素组成深度双向长短期记忆神经网络的输入特征集,运用Adam优化算法训练得到优化后的深度双向长短期记忆神经网络模型。
8.一种基于Copula-DBiLSTM的综合能源系统多元负荷精确预测系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如权利要求1-7任一项所述的方法步骤。
9.一种计算机可读存储介质,其特征在于,其上存储有能够被处理器运行的计算机程序指令,当计算机运行该程序指令时,能够实现如权利要求1-7任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178529.2A CN112836884A (zh) | 2021-02-07 | 2021-02-07 | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178529.2A CN112836884A (zh) | 2021-02-07 | 2021-02-07 | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836884A true CN112836884A (zh) | 2021-05-25 |
Family
ID=75933250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178529.2A Pending CN112836884A (zh) | 2021-02-07 | 2021-02-07 | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836884A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113595090A (zh) * | 2021-07-30 | 2021-11-02 | 中国电力科学研究院有限公司 | 一种跨安全区的多元负荷数据处理方法及系统 |
CN113762608A (zh) * | 2021-08-26 | 2021-12-07 | 同济大学 | 风电场故障风速传感器风速预测方法、装置及存储介质 |
CN113822481A (zh) * | 2021-09-23 | 2021-12-21 | 国网天津市电力公司 | 基于多任务学习策略和深度学习的综合能源负荷预测方法 |
CN113988363A (zh) * | 2021-09-16 | 2022-01-28 | 广西电网有限责任公司 | 一种预测新能源中长期电量的方法及其设备 |
CN114036838A (zh) * | 2021-11-09 | 2022-02-11 | 云南大学 | 一种基于多层lstm神经网络的垂向水温模拟方法 |
CN115640916A (zh) * | 2022-12-22 | 2023-01-24 | 国网浙江省电力有限公司宁波供电公司 | 分布式电源出力和多能负荷态势感知方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101768A1 (en) * | 2016-10-07 | 2018-04-12 | Nvidia Corporation | Temporal ensembling for semi-supervised learning |
CN110619389A (zh) * | 2019-09-23 | 2019-12-27 | 山东大学 | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 |
CN111445078A (zh) * | 2020-03-31 | 2020-07-24 | 国网河北省电力有限公司 | 基于长短期记忆神经网络的综合能源系统多元负荷预测方法 |
CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
-
2021
- 2021-02-07 CN CN202110178529.2A patent/CN112836884A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180101768A1 (en) * | 2016-10-07 | 2018-04-12 | Nvidia Corporation | Temporal ensembling for semi-supervised learning |
CN110619389A (zh) * | 2019-09-23 | 2019-12-27 | 山东大学 | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 |
CN111445078A (zh) * | 2020-03-31 | 2020-07-24 | 国网河北省电力有限公司 | 基于长短期记忆神经网络的综合能源系统多元负荷预测方法 |
CN112116153A (zh) * | 2020-09-18 | 2020-12-22 | 上海电力大学 | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 |
Non-Patent Citations (2)
Title |
---|
宋帅: "《桥梁系统地震易损性研究》", 31 August 2019 * |
李泽文等: ""基于PCA-DBILSTM的多因素短期负荷预测模型"", 《电力系统及其自动化学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113595090A (zh) * | 2021-07-30 | 2021-11-02 | 中国电力科学研究院有限公司 | 一种跨安全区的多元负荷数据处理方法及系统 |
CN113595090B (zh) * | 2021-07-30 | 2023-08-25 | 中国电力科学研究院有限公司 | 一种跨安全区的多元负荷数据处理方法及系统 |
CN113762608A (zh) * | 2021-08-26 | 2021-12-07 | 同济大学 | 风电场故障风速传感器风速预测方法、装置及存储介质 |
CN113988363A (zh) * | 2021-09-16 | 2022-01-28 | 广西电网有限责任公司 | 一种预测新能源中长期电量的方法及其设备 |
CN113822481A (zh) * | 2021-09-23 | 2021-12-21 | 国网天津市电力公司 | 基于多任务学习策略和深度学习的综合能源负荷预测方法 |
CN114036838A (zh) * | 2021-11-09 | 2022-02-11 | 云南大学 | 一种基于多层lstm神经网络的垂向水温模拟方法 |
CN115640916A (zh) * | 2022-12-22 | 2023-01-24 | 国网浙江省电力有限公司宁波供电公司 | 分布式电源出力和多能负荷态势感知方法及系统 |
CN115640916B (zh) * | 2022-12-22 | 2023-05-23 | 国网浙江省电力有限公司宁波供电公司 | 分布式电源出力和多能负荷态势感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112836884A (zh) | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 | |
CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
CN107694337A (zh) | 基于神经网络预测控制的燃煤机组scr烟气脱硝控制方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN111178616A (zh) | 基于负相关学习和正则化极限学习机集成的风速预测方法 | |
Li et al. | A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN111563615A (zh) | 一种基于特征分析与组合学习的负荷预测方法 | |
CN113591957B (zh) | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
CN110543724B (zh) | 面向总体设计的卫星结构性能预测方法 | |
Lu et al. | A New Power Load Forecasting Model (SIndRNN): independently recurrent neural network based on softmax kernel function | |
CN117828488B (zh) | 一种基于随机森林与稳健回归的太阳辐射度预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210525 |
|
RJ01 | Rejection of invention patent application after publication |