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 PDFInfo
- 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
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
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。
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。
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)
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 |
-
2021
- 2021-12-28 CN CN202111624805.XA patent/CN114298408A/zh active Pending
Cited By (2)
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 |