CN113935513A - 一种基于ceemdan的短期电力负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于CEEMDAN的短期电力负荷预测方法，包括，利用CEEMDAN对原始电负荷序列进行分解，获得若干IMF分量及趋势分量；计算若干IMF分量及趋势分量的样本熵值，并根据样本熵值对所述若干IMF分量、趋势分量进行叠加形成新子序列；结合新子序列和特征注意力机制，构建LSTM预测模型；利用LSTM预测模型对新子序列进行预测，而后将各新子序列的预测结果进行叠加组合获得总的预测输出；本发明通过引入特征注意力机制和时序注意力机制，避免原始负荷数据的随机性和非平稳性对后续预测精度的影响，提高了长时间序列预测效果的稳定性。

Description

一种基于CEEMDAN的短期电力负荷预测方法

技术领域

本发明涉及电力系统负荷预测的技术领域，尤其涉及一种基于CEEMDAN的短期电力负荷预测方法。

背景技术

对电力负荷进行短期精确预测，不仅能够保证供电的可靠性，提高社会经济效益，还能为电网调度、检修计划制定提供重要依据。

寻找稳定、精确的短期电力负荷预测模型一直是国内外研究者关注的焦点。目前存在多种用于短期负荷预测的方法。这些方法可以分为三类：经典方法，智能方法和组合方法。经典方法包括基于卡尔曼滤波器的方法、基于回归的方法、状态空间模型、指数平滑、自回归综合移动平均(ARIMA，Autoregressive Integrated Moving Average)和box-Jenkins模型。经典的统计方法识别并获得电力消耗模式，然后将时间序列方法应用于获得的模式以提供未来的预测。然而，这些方法在线性分析中表现良好，而在非线性时间序列预测中表现很差。为了处理非线性时间序列的负荷预测，提出了基于人工智能的方法。这些方法不需要复杂的数学建模，就可以有效的处理非线性时间序列的负荷预测问题。基于人工智能的方法包括人工神经网络、机器学习模型、深度学习模型和专家系统。然而，基于人工智能方法的单一预测模型存在着收敛速度慢和过拟合等问题。同时，由于原始负荷序列的内在不规则性、不稳定性和噪声性，单一模型的预测性能并不稳定，限制了预测精度的进一步提升。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于CEEMDAN的短期电力负荷预测方法，能够避免原始负荷数据的随机性和非平稳性对后续预测精度的影响，解决目前已有单一预测模型性能不稳定的问题

为解决上述技术问题，本发明提供如下技术方案：包括，利用CEEMDAN对原始电负荷序列进行分解，获得若干IMF分量及趋势分量；计算所述若干IMF分量及趋势分量的样本熵值，并根据所述样本熵值对所述若干IMF分量、趋势分量进行叠加形成新子序列；结合所述新子序列和特征注意力机制，构建LSTM预测模型；利用所述LSTM预测模型对所述新子序列进行预测，而后将各新子序列的预测结果进行叠加组合获得总的预测输出。

作为本发明所述的基于CEEMDAN的短期电力负荷预测方法的一种优选方案，其中：所述分解包括，定义所述原始电负荷序列为X(t)，将所述原始电负荷序列X(t)进行分解：

其中，j表示第j个IMF分量，t为某个时刻，R为所述趋势分量。

作为本发明所述的基于CEEMDAN的短期电力负荷预测方法的一种优选方案，其中：所述样本熵值包括，设时间序列为X＝{x₁，x₂，x₃，…，x_n}，对所述时间序列X进行相空间重构，得到矩阵：

对于重构矩阵的每一行向量，均可得到一组符号序列S(g)：

S(g)＝(j₁，j₂，…j_m)；

计算每种序列出现的概率P_g(g＝1，2，…，l)，其中，

定义将时间序列的样本熵值H_p(m)为：

其中，x_n为时间序列中的第n个负荷点；m为嵌入维数，τ为延迟时间，j＝1，2，···，k；j₁，j₂，···，j_m表示重构向量各个分量所在的列序号；g＝1，2，···，l，且有l≤m！。

作为本发明所述的基于CEEMDAN的短期电力负荷预测方法的一种优选方案，其中：还包括，标准化处理所述样本熵值：

0≤h_p＝H_p(m)/ln(m！)≤1

其中，h_p为H_p标准化后的值，ln(m！)为H_p(m)的最大值。

作为本发明所述的基于CEEMDAN的短期电力负荷预测方法的一种优选方案，其中：所述新子序列包括，将样本熵值相差0.2以内的若干IMF分量、趋势分量进行叠加，形成所述新子序列。

作为本发明所述的基于CEEMDAN的短期电力负荷预测方法的一种优选方案，其中：所述LSTM预测模型包括，在编码时通过所述特征注意机制学习各特征与待预测负荷的相关性；在输出编码侧加入时间注意力机制，保留长时间序列关键点负荷输出的记忆信息。

作为本发明所述的基于CEEMDAN的短期电力负荷预测方法的一种优选方案，其中：还包括，将待预测的负荷信息y_t与相关特征的时序综合信息c_t经单层前馈网络进行融合，得到LSTM预测模型解码器各时刻t的输入

其中，

和

分别为LSTM预测模型前端融合输入的权重和偏置。

作为本发明所述的基于CEEMDAN的短期电力负荷预测方法的一种优选方案，其中：所述预测结果包括，T+1时刻的预测结果

为：

其中，W_y和b_w分别为LSTM预测模型的权重和偏置；V_y和b_y分别为LSTM预测模型在维度变换前的权重和偏置。

本发明的有益效果：本发明为自主挖掘负荷与各气象特征之间的关联关系，引入特征注意力机制实时计算各输入特征的贡献率，并对特征权重进行修正；同时，为挖掘当前时刻负荷与历史时序信息之间的关联关系，引入时序注意力机制自主提取历史关键时刻点信息，提高长时间序列预测效果的稳定性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例所述的基于CEEMDAN的短期电力负荷预测方法的负荷预测流程示意图；

图2为本发明第一个实施例所述的基于CEEMDAN的短期电力负荷预测方法的LSTM预测模型的内部单元结构示意图；

图3为本发明第一个实施例所述的基于CEEMDAN的短期电力负荷预测方法的特征注意力机制示意图；

图4为本发明第一个实施例所述的基于CEEMDAN的短期电力负荷预测方法的时间注意力机制示意图；

图5为本发明第二个实施例所述的基于CEEMDAN的短期电力负荷预测方法的基于CEEMDAN的电负荷时间序列分解结果示意图；

图6为本发明第二个实施例所述的基于CEEMDAN的短期电力负荷预测方法的相似熵值合并新子序列1示意图；

图7为本发明第二个实施例所述的基于CEEMDAN的短期电力负荷预测方法的相似熵值合并新子序列2示意图；

图8为本发明第二个实施例所述的基于CEEMDAN的短期电力负荷预测方法的相似熵值合并新子序列3示意图；

图9为本发明第二个实施例所述的基于CEEMDAN的短期电力负荷预测方法的新子序列1预测结果示意图；

图10为本发明第二个实施例所述的基于CEEMDAN的短期电力负荷预测方法的新子序列2预测结果示意图；

图11为本发明第二个实施例所述的基于CEEMDAN的短期电力负荷预测方法的新子序列3预测结果示意图；

图12为本发明第二个实施例所述的基于CEEMDAN的短期电力负荷预测方法的最终预测结果示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～4，为本发明的第一个实施例，该实施例提供了一种基于CEEMDAN的短期电力负荷预测方法，包括：

S1：利用CEEMDAN对原始电负荷序列进行分解，获得若干IMF分量及趋势分量。

其中需要说明的是，CEEMDAN是一种后验的、自适应的时频分解法，适合将非平稳序列平稳化；不同于小波分解须人为设置小波基，CEEMDAN能够自适应地将序列分解为有限个不同时间尺度的IMF；通过在原始信号中加入符号相反的白噪声，解决了经验模态分解存在的模态混叠现象和集合经验模态分解引入白噪声的问题；

设E_j(·)为第j次EMD分解得到的IMF分量，W_i是添加的第i次高斯白噪声，IMF定义为CEEMDAN分解得到的IMF分量，CEEMDAN具体的分解步骤如下：

(1)定义原始电负荷序列为X(t)，在原始电负荷序列X(t)中添加m次等长度的高斯白噪声W(t)～N(0，1)，得到新信号，其中i＝1，2，3，...，m，ε₀是自适应系数；

通过EMD方法将每个新信号进行分解，得到第一个IMF分量：

(2)当求出第一个IMF分量后，计算出剩余的残余噪声，如下式：

R₁(t)＝X(t)-IMF₁

(3)向残余噪声R₁(t)中添加高斯白噪声ε₁E₁(W_i(t))，使用EMD对添加高斯白噪声的残余噪声进行分解，得到第二个IMF分量和残余噪声，如下式所示。

R₂(t)＝R₁(t)-IMF₂

(4)重复步骤(3)，依次计算出第k个IMF分量及第k个残余噪声，k＝3，…K。

R_k＝R_k-1-IMF_k

(5)在步骤(4)中，当残余噪声的极值点不超过2个时，残余噪声便不能继续分解，则CEEMDAN算法终止，得到K个IMF分量和最终的残余噪声，最终的残余噪声，即趋势分量。

因此，原始电负荷序列X(t)分解为：

其中，j表示第j个IMF分量，t为某个时刻，R为趋势分量。

较佳的是，本实施例将电负荷序列进行模态分解，降低了预测难度。

S2：计算若干IMF分量及趋势分量的样本熵值，并根据样本熵值对若干IMF分量、趋势分量进行叠加形成新子序列。

其中需要说明的是，通过CEEMDAN将原始电负荷序列X(t)分解成多个分量后，需要区分高频含噪较多的分量和低频含噪较少的分量；引入排列熵来衡量各个分量的含噪程度；排列熵(Permutation Entropy，PE)是Bandt等人提出的一种衡量时间序列复杂程序和随机性的平均熵参数，PE具有抗干扰性、计算简单和鲁棒性等特点，适用于分析非线性时间序列；PE的值越大说明时间序列越随机、越复杂，反之则越规律、越简单；而时间序列的有用成分往往是较规律的低频连续信号，噪声成分则是随机的高频离散信号，因此可以使用排列熵来衡量时间序列信号的含噪程度。

具体的，样本熵值(排列熵，PE)的计算过程如下：

(1)设时间序列为X＝{x₁，x₂，x₃，…，x_n}，对时间序列X进行相空间重构，得到矩阵：

(2)对于重构矩阵的每一行向量，均可得到一组符号序列S(g)：

S(g)＝(j₁，j₂，…j_m)；

(3)计算每种序列出现的概率P_g(g＝1，2，…，l)，其中，

(4)定义将时间序列的样本熵值H_p(m)为：

其中，x_n为时间序列中的第n个负荷点；m为嵌入维数，τ为延迟时间，j＝1，2，···，k；j₁，j₂，···，j_m表示重构向量各个分量所在的列序号；g＝1，2，···，l，且有l≤m！。

(5)标准化处理样本熵值：

0≤H_p(m)≤ln(m！)，当P_g＝1/m！时，H_p(m)达到最大值ln(m！)：

0≤h_p＝H_p(m)/ln(m！)≤1

其中，h_p为H_p标准化后的值，ln(m！)为H_p(m)的最大值。

进一步的，由于PE值的计算可以将序列的复杂程度进行量化，通过熵值的大小来对比各自的复杂程度。

本实施例将样本熵值相差0.2以内的若干IMF分量、趋势分量进行叠加，形成新子序列；即得到复杂度差异明显的新子序列，其中，熵值相差超过0.2，可以视为复杂度明显。

S3：结合新子序列和特征注意力机制，构建LSTM预测模型。

其中需要说明的是，LSTM网络是循环神经网络的一种特殊类型，每一隐层不再是单一神经网络，而是由4个相互连接的神经网络(遗忘门、输入门、更新门和输出门)组成，将记忆信息与当前信息进行比较，通过自我衡量、选择忘记的机制进行学习，能够缓解循环神经网络训练过程中梯度消失及爆炸的问题。

(1)输入门的信息由两部分构成，包括t时刻输入值x_t以及t-1时刻隐藏层输出值h_t-1，

通过t时刻输入x_t和t-1时刻隐藏层输出h_t-1计算得到；

①输入门i_t和记忆单元的候选状态

通过以下公式计算：

i_t＝σ(W_i[h_t-1，x_t]+b_i)

其中，w_i为输入门在t时刻的权值矩阵；w_c为候选状态在t时刻的权值矩阵；b_i、b_c表示偏置值；σ表示Sigmoid激活函数；tanh表示tanh激活函数。

②遗忘门由t时刻输入值x_t和t-1时刻隐藏层输出h_t-1共同决定：

f_t＝σ(W_f[h_t-1，x_t]+b_f)

其中，w_f为遗忘门在t时刻的权值矩阵；b_f表示偏置值。

③基于输入门和遗忘门的作用，记忆单元C_t完成自身状态的更新：

其中，C_t-1表示记忆单元上一时刻状态。

④输出门由t时刻输入值x_t和t-1时刻隐藏层输出h_t-1共同决定：

o_t＝σ(W_o[h_t-1，x_t]+b_o)

其中，w_o为输出门o_t在t时刻的权值矩阵；b_o表示偏置值。

⑤隐藏层的输出值通过t时刻输出值以及记忆单元状态值计算得到：

h_t＝o_ttanh(C_t)

通过以上3种门机制的复合运算，LSTM预测模型确定最终的单元状态，并确定最终的输出值。

(2)特征注意力机制：为了解每一种相关特征与待预测负荷的关联关系远近程度，如图3所示，本实施例采用多层感知机的计算方式对特征注意力权重进行量化。

以各相关特征的时间序列

作为特征注意力机制的输入，同时参照编码器前一时刻的隐层状态h_t-1和门控单元状态s_t-1蕴含的历史信息，如下式所示进行当前时刻t各相关特征的注意权重

计算：

其中，V_e∈R^T、W_e∈R^T×(2p)、U_e∈R^T×T和b_e∈R^T为计算注意力权重的多层感知机权重和偏置参数；p为编码最后一层的隐藏层大小。

并用下式的softmax函数进行一化，使所有特征权重和为1，得到在时刻t各特征

对待预测负荷的重要程度

进一步的，将得到的特征权值

与

相乘，对第m种特征进行增强或削弱，如下式：

以加权过的特征表达

作为LSTM预测模型的输入进行时序建模，在时刻t的编码器输出可表达为：

在编码时通过特征注意机制学习各特征与待预测负荷的相关性

对原始特征时序x_t进行自适应的强调和弱化得到加权特征

再通过LSTM预测模型进行时间序列的信息迭代，保证每个时刻t的时序编码隐藏状态h_t都包含关联关系信息。

(3)时序注意力机制：将输入侧的编码信息LSTM解码后得到预测值，预测结果由于时间序列长度的增加而愈加不准确；因此，本实施例在输出编码侧加入时间注意力机制，自适应地选择与之相关的历史时序序列状态信息，获得相应时序序列隐藏状态权重，得到时序状态对当前时刻输出的影响程度，保留长时间序列关键点负荷输出的记忆信息，从而提取了历史关键时刻信息。

以编码器输出的包含关联关系的隐层时间序列

作为时序注意力机制的输入，同时参照解码器LSTM预测模型前一时刻的隐层状态d_t-1和门控单元状态s′_t-1蕴含的历史时序信息，如下式所示，计算当前LSTM迭代时刻t各时刻编码器隐层状态的注意力权重

进一步的，使用下式中的softmax函数对注意力权重进行归一化后，记各时刻编码器隐层状态h_τ对时刻t预测值的重要程度。

其中，V_d∈R^q、W_d∈R^q×(2p)和U_d∈R^p×q为计算注意力权重的多层感知机权重和偏置参数；q为解码器最后一层隐藏层大小。

如下式所示，将得到的时序权值

与进行加权求和，得到中间语义向量c_t∈R^1×p；在LSTM预测模型各时刻迭代过程中c_t相互独立，表征相关特征的综合时序信息，且蕴含有编码器中的特征关联信息。

再进一步的，将待预测的负荷信息y_t与相关特征的时序综合信息c_t经单层前馈网络进行融合，得到LSTM预测模型解码器各时刻t的输入

其中，

和

分别为LSTM预测模型前端融合输入的权重和偏置。

加入时间注意力机制后，考虑了历史关键时刻信息的贡献率，得到t时刻隐层状态h′_t。

则T+1时刻的预测结果

为：

其中，W_y和b_w分别为LSTM预测模型的权重和偏置；V_y和b_y分别为LSTM预测模型在维度变换前的权重和偏置。

记编码器和解码器中所有涉及到的模型参数集合为θ，以最小化下式中的损失函数为训练目标，对编码器和解码器中的各参数进行更新和调整，得到最终的双重注意力机制的LSTM预测模型。

较佳的是，本实施例针对各新子序列构建LSTM预测模型，在输入编码侧引入特征注意力机制，来反映当前各输入特征对待预测信息的重要程度，提高预测模型的学习效果；在输出编码侧引入时间注意力机制，保留长时间序列关键点负荷输出的记忆信息，突出关键时刻输出的比重，帮助模型做出更加准确的预测。

S4：利用LSTM预测模型对新子序列进行预测，而后将各新子序列的预测结果进行叠加组合获得总的预测输出。

实施例2

为了对本方法中采用的技术效果加以验证说明，本实施例选择的不同方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

本实施例采用某学校的七月电负荷数据和气象数据来进行实验分析；首先利用CEEMDAN分解原始电负荷序列，分解结果如图5所示；接着计算各分量序列的排列熵，将熵值在0.2之内的序列进行合并，得到新的子序列，如图6～8所示；将各子序列的前80％的数据作为训练集，后20％的数据作为测试集。建立LSTM-Attention预测模型，得到各子序列的预测结果如图9～11所示；最终，将各子序列的预测结果相加，得到最终的预测结果，如图12所示；

为验证本发明的预测效果，分别将LSTM、SVR作为对比模型，选用MAPE和RMSE作为模型评估的性能指标，MAPE和RMSE越小，模型的预测精度越高。

各模型的性能指标如下表所示。

表1：各模型的性能指标对比。

方法	MAPE	RMSE
			LSTM	5.80	68.05
SVR	6.38	72.80
			本方法	3.28	31.18

由表可知，本方法的RMSE和MAPE均最小，预测效果最佳。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于CEEMDAN的短期电力负荷预测方法，其特征在于：包括，

利用CEEMDAN对原始电负荷序列进行分解，获得若干IMF分量及趋势分量；

计算所述若干IMF分量及趋势分量的样本熵值，并根据所述样本熵值对所述若干IMF分量、趋势分量进行叠加形成新子序列；

结合所述新子序列和特征注意力机制，构建LSTM预测模型；

利用所述LSTM预测模型对所述新子序列进行预测，而后将各新子序列的预测结果进行叠加组合获得总的预测输出。

2.如权利要求1所述的基于CEEMDAN的短期电力负荷预测方法，其特征在于：所述分解包括，

定义所述原始电负荷序列为X(t)，将所述原始电负荷序列X(t)进行分解：

其中，j表示第j个IMF分量，t为某个时刻，R为所述趋势分量。

3.如权利要求2所述的基于CEEMDAN的短期电力负荷预测方法，其特征在于：所述样本熵值包括，

设时间序列为X＝{x₁,x₂,x₃,…,x_n}，对所述时间序列X进行相空间重构，得到矩阵：

对于重构矩阵的每一行向量，均可得到一组符号序列S(g)：

S(g)＝(j₁,j₂,…j_m)；

计算每种序列出现的概率P_g(g＝1,2,…,l)，其中，

定义将时间序列的样本熵值H_p(m)为：

其中，x_n为时间序列中的第n个负荷点；m为嵌入维数，τ为延迟时间，j＝1，2，···，k；j₁，j₂，···，j_m表示重构向量各个分量所在的列序号；g＝1，2，···,l，且有l≤m！。

4.如权利要求3所述的基于CEEMDAN的短期电力负荷预测方法，其特征在于：还包括，

标准化处理所述样本熵值：

0≤h_p＝H_p(m)/ln(m！)≤1

其中，h_p为H_p标准化后的值，ln(m！)为H_p(m)的最大值。

5.如权利要求1、2、4任一所述的基于CEEMDAN的短期电力负荷预测方法，其特征在于：所述新子序列包括，

将样本熵值相差0.2以内的若干IMF分量、趋势分量进行叠加，形成所述新子序列。

6.如权利要求5所述的基于CEEMDAN的短期电力负荷预测方法，其特征在于：所述LSTM预测模型包括，

在编码时通过所述特征注意机制学习各特征与待预测负荷的相关性；

在输出编码侧加入时间注意力机制，保留长时间序列关键点负荷输出的记忆信息。

7.如权利要求6所述的基于CEEMDAN的短期电力负荷预测方法，其特征在于：还包括，

将待预测的负荷信息y_t与相关特征的时序综合信息c_t经单层前馈网络进行融合，得到LSTM预测模型解码器各时刻t的输入

其中，

和

分别为LSTM预测模型前端融合输入的权重和偏置。

8.如权利要求6或7所述的基于CEEMDAN的短期电力负荷预测方法，其特征在于：所述预测结果包括，

T+1时刻的预测结果

为：

其中，W_y和b_w分别为LSTM预测模型的权重和偏置；V_y和b_y分别为LSTM预测模型在维度变换前的权重和偏置。

Images