CN114298408A - 一种基于ceemd-lstm-mlr的短期电力负荷预测方法 - Google Patents

一种基于ceemd-lstm-mlr的短期电力负荷预测方法 Download PDF

Info

Publication number
CN114298408A
CN114298408A CN202111624805.XA CN202111624805A CN114298408A CN 114298408 A CN114298408 A CN 114298408A CN 202111624805 A CN202111624805 A CN 202111624805A CN 114298408 A CN114298408 A CN 114298408A
Authority
CN
China
Prior art keywords
lstm
prediction
ceemd
component
mlr
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
Application number
CN202111624805.XA
Other languages
English (en)
Inventor
王子乐
黄弦超
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111624805.XA priority Critical patent/CN114298408A/zh
Publication of CN114298408A publication Critical patent/CN114298408A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出了一种基于CEEMD‑LSTM‑MLR的短期电力负荷预测方法，步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；步骤2：将输入数据通过CEEMD分解为有限个IMF分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；步骤3：对高频分量应用LSTM神经网络进行预测，并用贝叶斯算法对LSTM网络超参数寻优；步骤4：对低频分量应用MLR进行预测；步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。本发明采用CEEMD分解方法，解决了传统EMD分解方法模态混叠的问题及EEMD重构误差大问题，并基于不同频率分别预测的思想，引入贝叶斯优化算法，使得模型预测精度得到进一步的提升。

Description

一种基于CEEMD-LSTM-MLR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技术领域，具体涉及一种基于CEEMD-LSTM-MLR的短期电力负荷预测方法。
背景技术
随着我国电网不断发展，电力负荷的变化也越来越复杂，电力负荷预测的研究已成为电网管理的重要内容。短期电力负荷预测通常指对未来一天到七天的负荷进行预测，它是调度中心制定发电计划及发电厂报价的依据，也是能量管理系统(EMS)的重要组成部分，对电力系统的运行、控制和计划有着非常重要的影响。提高电力系统短期负荷预测的精度既能增强电力系统运行的安全性，又能改善电力系统运行的经济性。
目前对短期电力负荷预测的方法主要分为两类：传统预测方法和机器学习方法。传统预测方法包括线性回归法、灰色模型法、自回归滑动平均等，这些方法通常采用线性模型，虽结构简单，但存在预测精度低等问题；机器学习方法包括支持向量回归、随机森林、人工神经网络、深度学习法等，在处理非线性问题方面有较大优势，但大都忽略了负荷数据在时序上的相关性。长短时记忆神经网络(LSTM)是一种改进的循环神经网络(RNN)，它成功解决了原始循环神经网络梯度消失与梯度爆炸问题，在处理和预测时间序列方面表现优异，成为当下负荷预测的热点方法之一。
发明内容
针对现有技术的不足，为进一步提高模型的预测速度及精度，兼顾负荷数据的时序性与波动性，本发明提出了一种基于CEEMD-LSTM-MLR的短期电力负荷预测方法，其特征在于，该预测方法包括如下步骤：
步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；
步骤2：将输入数据通过CEEMD分解为有限个IMF分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；
步骤3：对高频分量应用LSTM神经网络进行预测，并用贝叶斯算法对LSTM网络超参数寻优；
步骤4：对低频分量应用MLR进行预测；
步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。
进一步的，步骤1包括如下子步骤：
根据所获取的每间隔15分钟的电力负荷数据，首先对缺失值采用均值法进行填补，再用箱型图法辨别负荷数据中的异常值，将异常值视为缺失值，使用均值法补全，最后为消除量纲影响，将所有数据进行0-1归一化处理，归一化公式为：，其中、分别为处理前后的负荷数据，、分别为原始负荷数据中的最大值和最小值。
进一步的，步骤3中搭建LSTM神经网络模型包括如下子步骤：
在LSTM神经网络模型中设置丢弃层、隐藏层和输出层，损失函数采用MSE， 使用贝叶斯算法对LSTM网络的隐藏层层数、隐藏层单元数、初始化学习率、丢弃率、学习率衰减率、学习率衰减周期进行寻优，得到模型的最佳超参数。
与现有技术相比，本发明的技术方案具有以下特点：
1.原始负荷数据具有一定的波动性与复杂度，若直接进行预测将会带来预测时间长，预测精度低等问题。本发明采用CEEMD分解方法，有效降低了原始负荷序列的波动性与复杂度，并解决了传统EMD分解方法模态混叠的问题及EEMD重构误差大、分解完备性差的问题。
2.本发明引入贝叶斯优化算法，使得模型预测精度得到进一步的提升，并基于不同频率分别预测的思想，提高了预测速度，能得到较为满意的预测效果。
附图说明
为了更清楚地说明本发明的技术方案，下面将对附图作简单地介绍。
图1为本发明提出的CEEMD-LSTM-MLR短期电力负荷预测流程图。
图2为负荷数据经CEEMD分解后各分量的波形图。
图3为模型中贝叶斯优化LSTM的超参数及范围。
图4为预测结果与真实值的对比图。
具体实施方式
下面结合附图对本发明作进一步的说明。
图1中具体包括以下步骤：
步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；
步骤2：将输入数据通过CEEMD分解为有限个IMF分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；
步骤3：对高频分量应用LSTM神经网络进行预测，并用贝叶斯算法对LSTM网络超参数寻优；
步骤4：对低频分量应用MLR进行预测；
步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。
进一步的，步骤1包括如下子步骤：
根据所获取的每间隔15分钟的电力负荷数据，首先对缺失值采用均值法进行填补，再用箱型图法辨别负荷数据中的异常值，将异常值视为缺失值，使用均值法补全，最后为消除量纲影响，将所有数据进行0-1归一化处理，归一化公式为：，其中、分别为处理前后的负荷数据，、分别为原始负荷数据中的最大值和最小值。
进一步的，步骤3中搭建LSTM神经网络模型包括如下子步骤：
在LSTM神经网络模型中设置丢弃层、隐藏层和输出层，损失函数采用MSE， 使用贝叶斯算法对LSTM网络的隐藏层层数、隐藏层单元数、初始化学习率、丢弃率、学习率衰减率、学习率衰减周期进行寻优，得到模型的最佳超参数。
实施例一：
在本实例中，将前七天每15min间隔的负荷数据作为模型输入，下一天每15min间隔的负荷数据作为模型输出，按7:3划分训练集和测试集，预测后七日的负荷值，负荷数据经CEEMD分解后的各分量结果图如图2所示，LSTM模型中待优化的超参数如图3所示，横坐标代表预测日期，模型预测效果如图4所示，可以看出，预测结果与真实负荷曲线高度吻合。

Claims (3)

1.一种基于CEEMD-LSTM-MLR的短期电力负荷预测方法，其特征在于，包括以下步骤：
步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；
步骤2：将输入数据通过CEEMD分解为有限个IMF分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；
步骤3：对高频分量应用LSTM神经网络进行预测，并用贝叶斯算法对LSTM网络超参数寻优；
步骤4：对低频分量应用MLR进行预测；
步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。
2.如权利要求1所述的一种基于CEEMD-LSTM-MLR的短期电力负荷预测方法，其特征在于，步骤1包括如下子步骤：
根据所获取的每间隔15分钟的电力负荷数据，首先对缺失值采用均值法进行填补，再用箱型图法辨别负荷数据中的异常值，将异常值视为缺失值，使用均值法补全，最后为消除量纲影响，将所有数据进行0-1归一化处理，归一化公式为：
Figure FDA0003438543670000011
其中X、Xd分别为处理前后的负荷数据，Xmax、Xmin分别为原始负荷数据中的最大值和最小值。
3.根据权利要求1所述的一种基于CEEMD-LSTM-MLR的短期电力负荷预测方法，其特征在于，步骤3包括如下子步骤：
在LSTM神经网络模型中设置丢弃层、隐藏层和输出层，损失函数采用MSE，使用贝叶斯算法对LSTM网络的隐藏层层数、隐藏层单元数、初始化学习率、丢弃率、学习率衰减率、学习率衰减周期进行寻优，得到模型的最佳超参数。
CN202111624805.XA 2021-12-28 2021-12-28 一种基于ceemd-lstm-mlr的短期电力负荷预测方法 Pending CN114298408A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624805.XA CN114298408A (zh) 2021-12-28 2021-12-28 一种基于ceemd-lstm-mlr的短期电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624805.XA CN114298408A (zh) 2021-12-28 2021-12-28 一种基于ceemd-lstm-mlr的短期电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN114298408A true CN114298408A (zh) 2022-04-08

Family

ID=80971733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624805.XA Pending CN114298408A (zh) 2021-12-28 2021-12-28 一种基于ceemd-lstm-mlr的短期电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN114298408A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204461A (zh) * 2022-06-02 2022-10-18 国网江苏省电力有限公司淮安供电分公司 基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115204461A (zh) * 2022-06-02 2022-10-18 国网江苏省电力有限公司淮安供电分公司 基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法
CN115204461B (zh) * 2022-06-02 2024-05-07 国网江苏省电力有限公司淮安供电分公司 基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法

Similar Documents

Publication Publication Date Title
Ekonomou et al. A short-term load forecasting method using artificial neural networks and wavelet analysis
CN110826791A (zh) 一种基于长短时记忆神经网络的混合风功率预测方法
Yang et al. Ultra-short-term multistep wind power prediction based on improved EMD and reconstruction method using run-length analysis
CN112668611B (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
CN115619025A (zh) 基于meemd与最优组合集成的电力负荷三角模糊预测方法
CN115511657A (zh) 一种基于组合预测模型的风电出力与光伏出力评估的方法
CN116596144A (zh) 融入频率注意力的混合深度学习电力负荷预测方法及系统
CN114298408A (zh) 一种基于ceemd-lstm-mlr的短期电力负荷预测方法
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
Zhou et al. Short-term wind power prediction based on EMD-LSTM
CN116865248A (zh) 一种超短期风电功率预测方法及电子设备
CN115965150A (zh) 一种基于权重分配的电力负荷预测方法
Chen et al. Research of Short-Term Wind Speed Forecasting Based on the Hybrid Model of Optimized Quadratic Decomposition and Improved Monarch Butterfly.
Gong et al. Short-term power prediction of a wind farm based on empirical mode decomposition and mayfly algorithm–back propagation neural network
Liu et al. A wavelet-LSTM model for short-term wind power forecasting using wind farm SCADA data
CN114611829A (zh) 一种基于互补集合经验模态分解的短期电力负荷预测方法
CN114741952A (zh) 一种基于长短期记忆网络的短期负荷预测方法
Zhang et al. Short-Term Prediction of Power Load for Urban Residents Based on VMD-SVR-PSO Model
CN109840629B (zh) 基于小波变换-树突状神经元模型的光伏功率预测方法
Sun et al. Reliability prediction of distribution network based on PCA-GA-BP neural network
Cai et al. Study on Wind Power Prediction Based on EEMD-LSTM
Wei et al. Ultra-short-term wind power forecasting based on deep belief network and wavelet denoising
CN112183848A (zh) 基于dwt-svqr集成的电力负荷概率预测方法
Liu et al. Ultra-short-term forecasting method of wind power based on W-BiLSTM
Zhang et al. An Artificial Intelligent Method of Power Load Forecasting in Short-term

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication