CN113541143B - 一种基于elm-lstm的谐波预测方法 - Google Patents

一种基于elm-lstm的谐波预测方法 Download PDF

Info

Publication number
CN113541143B
CN113541143B CN202110727196.4A CN202110727196A CN113541143B CN 113541143 B CN113541143 B CN 113541143B CN 202110727196 A CN202110727196 A CN 202110727196A CN 113541143 B CN113541143 B CN 113541143B
Authority
CN
China
Prior art keywords
lstm
prediction
harmonic
elm
layer
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
CN202110727196.4A
Other languages
English (en)
Other versions
CN113541143A (zh
Inventor
李树鹏
吴彬
李振斌
满玉岩
刘亚丽
刘云
邢楠楠
于光耀
胡晓辉
杨国朝
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin 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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110727196.4A priority Critical patent/CN113541143B/zh
Publication of CN113541143A publication Critical patent/CN113541143A/zh
Application granted granted Critical
Publication of CN113541143B publication Critical patent/CN113541143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H02J3/01—Arrangements for reducing harmonics or ripples
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (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)

Abstract

本发明涉及一种基于ELM‑LSTM的谐波预测方法，包括以下步骤：步骤1、建立ELT‑LSTM的谐波预测模型，将所选择的数据输入至ELT‑LSTM的谐波预测模型；步骤2、由LSTM学习时间序列的长时记忆关系的预测方法，其预测过程中选择性遗忘部分信息，选择其认为重要的信息接入到下一层，最终完成预测；步骤3、将LSTM输入层及所有隐藏层分别作为某个ELM的输入，所有ELM的输入再输出到一个综合ELM中；步骤4、输出结果，将LSTM的输出Hlast与综合ELM的输出y(x)做平均获得最终预测结果。本发明可以显著提高谐波数据预测准确性。

Description

一种基于ELM-LSTM的谐波预测方法
技术领域
本发明属于谐波数据预测技术领域，涉及一种谐波预测方法，尤其是一种基于ELM-LSTM的谐波预测方法。
背景技术
随着电网负载中大量的非线性负载及新能源发电并网大量使用电力电子器件，电网谐波含有率显著增加，甚至超标；而谐波对电网危害巨大，需要准确获取谐波数据才能开展相应分析和治理工作。
目前主流的方法是通过谐波监测装置获得谐波数据，但存在诸多问题，一方面谐波监测装置成本高，难以像电能表等装置大面积覆盖；另一方面，即便安装了谐波监测装置，但低压配网和用户侧数据传输困难。
发明内容
本发明的目的在于克服现有技术的不足，提出一种设计合理、预测成本低且预测结果准确的基于ELM-LSTM的谐波预测方法。
本发明解决其现实问题是采取以下技术方案实现的：
一种基于ELM-LSTM的谐波预测方法，包括以下步骤：
步骤1、建立ELT-LSTM的谐波预测模型，将所选择的数据输入至ELT-LSTM的谐波预测模型；
步骤2、由LSTM学习时间序列的长时记忆关系的预测方法，其预测过程中选择性遗忘部分信息，选择其认为重要的信息接入到下一层，最终完成预测；
步骤3、ELM的使用，通过ELM可弥补LSTM可能不当遗忘信息导致预测不准确的问题，具体的将LSTM输入层及所有隐藏层分别作为某个ELM的输入，所有ELM的输入再输出到一个综合ELM中；
步骤4、输出结果，将LSTM的输出Hlast与综合ELM的输出y(x)做平均获得最终预测结果。
而且，所述步骤1的具体步骤包括：
(1)搭建ELT-LSTM的谐波预测模型及训练停止条件，所搭建的ELT-LSTM的谐波预测模型，为深度神经网络模型，由一个LSTM、多个第一级ELT、一个综合ELT组成；
停止条件其中一种设置方法为：当式(1)迭代精度优于0.01％或达到2000次时训练停止：
式中：n为训练序列数；总有N个样本序列；Zn、Z'n分别为模型输出值和实际值；
(2)将所选择的数据输入至该ELT-LSTM的谐波预测模型；
所选择的数据包括：历史谐波数据、预测对象的用电设备特性和所属行业发展情况指标；
而且，所述步骤2的由LSTM学习时间序列的长时记忆关系的预测方法的具体方法为：
ft＝σ(wf[ht-1,xt]+bf) (2)
it＝σ(wi[ht-1,xt]+bf) (3)
ot＝σ(wo[ht-1,xt]+bo) (6)
ht＝ot*tanh(ct) (7)
其中，式(2)ft代表LSTM的“遗忘”操作，即被丢弃的信息，其中σ()是激励函数，wf为权重而bf则是偏置；式(3)代表LSTM的隐藏层的“输入”，it是选择作为下一层输入的有效信息，该函数定义和式(2)一致；式(4)也是隐藏层的“输入”的输入，通过三角函数tan()对上一层和本层数据进行变换，系数wh为权重而bh则也是偏置；式(5)ct代表LSTM的“更新”，即基于式(3)和式(4)输入进行加权处理；式(6)的Ot为隐藏输出，其他定义与式(2)相同；式(7)的ht为当前隐藏层的输出，即三角正切函数tan()对(5)和式(6)进行变换。
而且，所述步骤3的具体方法为：
所述ELM包含n个隐藏层和一个输出层。对于输出层x＝[x1,x2...xm]，输出层y的结果如式(8)所示：
其中，g()为激励函数，aj，bj是连接输入层和隐藏层的权重；βj则是连接隐藏层与输出的权重。
而且，所述步骤4的最终预测结果的计算公式为：
Z＝(Hlast+y(x))/2 (9)
本发明的优点和有益效果：
1、本发明适用于电网谐波数据预测，所设计的预测模型结合ELM和LSTM的两种模型优点，并互相补充不足，通过将LSTM的输入层和隐藏层分别输入至ELM后，再将所有的ELM的输出作为综合ELM的输入，最终将LSTM和综合ELM的输出做平均作为最终结果，进而可以显著提高谐波数据预测准确性。
2、本发明提出一种基于ELM-LSTM(极限学习机-长短期记忆神经网络)的谐波预测方法中，输入除了时间特性的历史谐波数据外，还使用了预测对象行业情况指标，如行业增长率等，选择输入项作为LSTM的输入，然后为了有效利用LSTM隐藏层的数据，将各隐藏分别输入至ELM中做二次处理，最终将ELM的整体输出与LSTM输出做加权平均获得预测值，可以显著提高谐波数据预测准确性。
附图说明
图1为本发明的基于ELT-LSTM的谐波预测模型示意图；
图2为为本发明的LSTM结构图；
图3为为本发明的ELM结构图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种基于ELM-LSTM的谐波预测方法，包括以下步骤：
步骤1、建立ELT-LSTM的谐波预测模型，将所选择的数据输入至ELT-LSTM的谐波预测模型；
如图1所示，所述步骤1的具体步骤包括：
(2)搭建ELT-LSTM的谐波预测模型及训练停止条件，所搭建的ELT-LSTM的谐波预测模型，为深度神经网络模型，由一个LSTM、多个第一级ELT、一个综合ELT组成，具体为图1。
停止条件其中一种设置方法为：当式(1)迭代精度优于0.01％或达到2000次时训练停止：
式中：n为训练序列数；总有N个样本序列；Zn、Z'n分别为模型输出值和实际值。
(2)将所选择的数据输入至该ELT-LSTM的谐波预测模型；
所选择的数据包括：历史谐波数据、预测对象的用电设备特性和所属行业发展情况指标等；
步骤2、由LSTM学习时间序列的长时记忆关系的预测方法，其预测过程中选择性遗忘部分信息，选择其认为重要的信息接入到下一层，最终完成预测；
如图2所示，LSTM关键过程分为三个阶段：
1)忘记阶段该阶段主要是对上一个节点传进来的输入进行选择性忘记。简单来说就是会“忘记不重要的，记住重要的”；指图中ct-1；
2)选择记忆阶段此阶段将这个阶段的输入有选择性地进行“记忆”。主要是会对输入，重要则着重记录，不重要则少记，分布对应式(5)的两部分，记忆结果则为ct；
3)输出阶段。这个阶段将决定哪些将会被当成当前状态的输出，即式(6)
所述步骤2的由LSTM学习时间序列的长时记忆关系的预测方法的具体方法为：
ft＝σ(wf[ht-1,xt]+bf) (2)
it＝σ(wi[ht-1,xt]+bf) (3)
ot＝σ(wo[ht-1,xt]+bo) (6)
ht＝ot*tanh(ct) (7)
其中，式(2)ft代表LSTM的“遗忘”操作，即被丢弃的信息，其中σ()是激励函数，wf为权重而bf则是偏置；式(3)代表LSTM的隐藏层的“输入”，it是选择作为下一层输入的有效信息，该函数定义和式(2)一致；式(4)也是隐藏层的“输入”的输入，通过三角函数tan()对上一层和本层数据进行变换，系数wh为权重而bh则也是偏置；式(5)ct代表LSTM的“更新”，即基于式(3)和式(4)输入进行加权处理；式(6)的Ot为隐藏输出，其他定义与式(2)相同；式(7)的ht为当前隐藏层的输出，即三角正切函数tan()对(5)和式(6)进行变换。
通过引入以上操作，LSTM能够学习到时间序列的长时记忆关系。
在本实施例中，图2是LSTM的结构图，图中：ct-1为序列前一时刻隐藏层节点的状态；ht-1为序列前一时刻隐藏层节点的输出；at为序列当前时刻隐藏层节点的输入；ct为序列当前时刻隐藏层节点的状态；ht为序列当前时刻隐藏层节点的输出；过程量ft、it、ot以及权重参数w和偏置参数b的关系如式(1)至式(6)所示。
步骤3、ELM的使用，通过ELM可弥补LSTM可能不当遗忘信息导致预测不准确的问题，具体的将LSTM输入层及所有隐藏层分别作为某个ELM的输入，所有ELM的输入再输出到一个综合ELM中；
如图3所示，简单来说，ELM模型的网络结构与单隐层前馈神经网络一样，只不过在训练阶段不再采用传统基于梯度的算法(后向传播)，而是随机的输入层权值和偏差。当所有网络节点上的权值和偏差得到后ELM的训练就完成，一旦收到测试数据时利用刚刚求得的输出层权重便可计算出网络输出完成数据的预测。
所述步骤3的具体方法为：
所述ELM包含n个隐藏层和一个输出层。对于输出层x＝[x1,x2...xm]，输出层y的结果如式(8)所示：
其中，g()为激励函数，aj，bj是连接输入层和隐藏层的权重；βj则是连接隐藏层与输出的权重。
步骤4、输出结果，将LSTM的输出Hlast与综合ELM的输出y(x)做平均获得最终预测结果Z；
Z＝(Hlast+y(x))/2 (9)
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (2)

1.一种基于ELM-LSTM的谐波预测方法，其特征在于：包括以下步骤：
步骤1、建立ELT-LSTM的谐波预测模型，将所选择的数据输入至ELT-LSTM的谐波预测模型；
步骤2、由LSTM学习时间序列的长时记忆关系的预测方法，其预测过程中选择性遗忘部分信息，选择其认为重要的信息接入到下一层，最终完成预测；
步骤3、将LSTM输入层及所有隐藏层分别作为某个ELM的输入，所有ELM的输入再输出到一个综合ELM中；
步骤4、输出结果，将LSTM的输出Hlast与综合ELM的输出y(x)做平均获得最终预测结果；
所述步骤1的具体步骤包括：
(1)搭建ELT-LSTM的谐波预测模型及训练停止条件，所搭建的ELT-LSTM的谐波预测模型，为深度神经网络模型，由一个LSTM、多个第一级ELT、一个综合ELT组成；
停止条件其中一种设置方法为：当式(1)迭代精度优于0.01％或达到2000次时训练停止：
式中：n为训练序列数；总有N个样本序列；Zn、Z'n分别为模型输出值和实际值；
(2)将所选择的数据输入至该ELT-LSTM的谐波预测模型；
所选择的数据包括：历史谐波数据、预测对象的用电设备特性和所属行业发展情况指标；
所述步骤3的具体方法为：
所述ELM包含n个隐藏层和一个输出层；对于输出层x＝[x1,x2...xm]，输出层y的结果如式(8)所示：
其中，g()为激励函数，aj，bj是连接输入层和隐藏层的权重；βj则是连接隐藏层与输出的权重；
所述步骤4的最终预测结果的计算公式为：
Z＝(Hlast+y(x))/2 (9)。
2.根据权利要求1所述的一种基于ELM-LSTM的谐波预测方法，其特征在于：所述步骤2的由LSTM学习时间序列的长时记忆关系的预测方法的具体方法为：
ft＝σ(wf[ht-1,xt]+bf) (2)
it＝σ(wi[ht-1,xt]+bf) (3)
ot＝σ(wo[ht-1,xt]+bo) (6)
ht＝ot*tanh(ct) (7)
其中，式(2)ft代表LSTM的“遗忘”操作，即被丢弃的信息，其中σ()是激励函数，wf为权重而bf则是偏置；式(3)代表LSTM的隐藏层的“输入”，it是选择作为下一层输入的有效信息，该函数定义和式(2)一致；式(4)也是隐藏层的“输入”的输入，通过三角函数tan()对上一层和本层数据进行变换，系数wh为权重而bh则也是偏置；式(5)ct代表LSTM的“更新”，即基于式(3)和式(4)输入进行加权处理；式(6)的Ot为隐藏输出，其他定义与式(2)相同；式(7)的ht为当前隐藏层的输出，即三角正切函数tan()对(5)和式(6)进行变换。
CN202110727196.4A 2021-06-29 2021-06-29 一种基于elm-lstm的谐波预测方法 Active CN113541143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110727196.4A CN113541143B (zh) 2021-06-29 2021-06-29 一种基于elm-lstm的谐波预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110727196.4A CN113541143B (zh) 2021-06-29 2021-06-29 一种基于elm-lstm的谐波预测方法

Publications (2)

Publication Number Publication Date
CN113541143A CN113541143A (zh) 2021-10-22
CN113541143B true CN113541143B (zh) 2024-07-23

Family

ID=78097116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110727196.4A Active CN113541143B (zh) 2021-06-29 2021-06-29 一种基于elm-lstm的谐波预测方法

Country Status (1)

Country Link
CN (1) CN113541143B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197736A (zh) * 2017-12-29 2018-06-22 北京工业大学 一种基于变分自编码器和极限学习机的空气质量预测方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电系统短期出力的预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3346427B1 (en) * 2017-01-04 2023-12-20 STMicroelectronics S.r.l. Configurable accelerator framework, system and method
CN109034054B (zh) * 2018-07-24 2021-06-25 华北电力大学 基于lstm的谐波多标签分类方法
CN109492667A (zh) * 2018-10-08 2019-03-19 国网天津市电力公司电力科学研究院 一种用于非侵入式电力负荷监测的特征选择辨识方法
US11501159B2 (en) * 2019-03-26 2022-11-15 Alibaba Group Holding Limited Methods and systems for text sequence style transfer by two encoder decoders
CN111324990A (zh) * 2020-03-19 2020-06-23 长江大学 基于多层长短期记忆神经网络模型的孔隙度预测方法
CN112257338B (zh) * 2020-10-15 2022-11-04 河海大学常州校区 有源滤波器的自反馈递归模糊神经网络预测控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108197736A (zh) * 2017-12-29 2018-06-22 北京工业大学 一种基于变分自编码器和极限学习机的空气质量预测方法
CN111008728A (zh) * 2019-11-01 2020-04-14 深圳供电局有限公司 一种用于分布式光伏发电系统短期出力的预测方法

Also Published As

Publication number Publication date
CN113541143A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN103117546B (zh) 一种超短期风电功率滑动预测方法
Xie et al. Interval grey number sequence prediction by using non-homogenous exponential discrete grey forecasting model
CN101232180A (zh) 一种配电系统负荷模糊建模装置及方法
CN104239982A (zh) 一种基于时间序列和神经网络的建筑节假日能耗预测方法
CN105184027B (zh) 一种基于交互式多模型算法的电力负荷建模方法
Xu et al. A water level prediction model based on ARIMA-RNN
CN109102155B (zh) 一种超短期节点边际电价概率预测方法及系统
CN115758290A (zh) 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法
Li et al. A k-nearest neighbor locally weighted regression method for short-term traffic flow forecasting
CN111612262A (zh) 一种基于分位数回归的风电功率概率预测方法
CN112508279A (zh) 基于空间相关性的区域分布式光伏预测方法及系统
CN105449667A (zh) 一种发输电系统可靠性预测方法
CN110571788A (zh) 基于动态等值电路的静态电压稳定域边界系数的计算方法
Xu et al. Short-term wind speed prediction based on GRU
He et al. Similar day selecting based neural network model and its application in short-term load forecasting
CN110807508A (zh) 计及复杂气象影响的母线峰值负荷预测方法
CN113541143B (zh) 一种基于elm-lstm的谐波预测方法
CN116452041A (zh) 一种基于交叉熵重要抽样的配电网可靠性评估方法
CN115577856A (zh) 一种变电工程造价预测与结余控制方法及系统
CN109376957A (zh) 一种火电厂负荷的预测方法
Dang et al. Differential Equation-Informed Neural Networks for State of Charge Estimation
CN113962431A (zh) 一种两阶段特征处理的母线负荷预测方法
Shen et al. An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed
CN110321650A (zh) 基于新型试验设计与权重响应面的结构可靠性分析方法
Tian et al. Fusion modeling for wind power forecasting based on redundant method elimination

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