CN114548586A - 一种基于混合模型的短期电力负荷预测方法及系统 - Google Patents
一种基于混合模型的短期电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN114548586A CN114548586A CN202210195940.5A CN202210195940A CN114548586A CN 114548586 A CN114548586 A CN 114548586A CN 202210195940 A CN202210195940 A CN 202210195940A CN 114548586 A CN114548586 A CN 114548586A
- Authority
- CN
- China
- Prior art keywords
- power load
- load data
- prediction
- prediction model
- frequency component
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 45
- 238000010606 normalization Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 23
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013277 forecasting method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 40
- 238000004590 computer program Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于混合模型的短期电力负荷预测方法及系统。本发明通过LSTM预测模型提取高频分量子序列的时序特征,配合CATBOOST预测模型和第一ELM预测模型组成的ELM‑CATBOOST混合预测模型对短期电力负荷进行预测,利用CEEMDAN分解算法把原始电力负荷数据分解成若干个固有模态函数分量,降低了模型预测难度,提高了预测准确度;另外,利用LSTM预测模型提取高频分量子序列的时序特征,结合高频分量子序列的历史电力负荷数据和原始电力负荷数据共同作为ELM‑CATBOOST混合预测模型的输入特征极大的丰富了输入特征维度信息,通过使用ELM‑CATBOOST混合预测模型集成了单一模型优势,拥有更高的鲁棒性和准确性,针对高、低频分量子序列采取不同的输入特征和预测模型能够降低模型复杂度。
Description
技术领域
本发明涉及电力系统技术领域,尤其是涉及一种基于混合模型的短期电力负荷预测方法及系统。
背景技术
短期负荷预测(STLF)是预测一小时至一周的电力负荷,对电力系统的规划、管理和稳定运行有着重要作用。研究表明,10GW电力公司的预测误差减少1%,每年可节省160万美元。因此,准确的短期负荷预测对电力公司减少电力浪费,保持供需平衡,降低生产成本,提高经济收益,以及调度管理和用电需求规划具有重要作用。
多年来许多国内外学者在负荷预测领域里不断探索研究,主要采用如下几种方法:统计学方法、机器学习方法和混合方法。由于电力负荷数据的主要特点是高度非线性和非平稳性,受天气、电价、节假日等诸多因素影响,预测难度也会随之加大。
其中,统计学方法内部结构简单,收敛速度快,能够很好的处理线性预测问题,但处理非线性问题精度不足;支持向量机(SVM)、极限学习机(ELM)的机器学习方法能够很好拟合非线性负荷数据,但不能提取时序数据中的时态特征;长短期记忆神经网络(LSTM)的机器学习方法能够很好处理时序数据,但存在单一模型预测精度局限性问题;混合方法则在负荷预测方面相对于单一方法有一定的优越性,但现有的混合方法对电力负荷数据经过分解后的子序列使用相同的模型,而不同的子序列往往拥有不同的特征信息,不利于特征信息提取和提升负荷预测性能。
故而亟需提出一种短期电力负荷预测方法来解决所提出的问题。
发明内容
基于此,有必要针对现有技术的不足,提供一种基于混合模型的短期电力负荷预测方法及系统,针对不同子序列设计出不同输入特征和模型,可以极大的丰富输入特征信息维度,降低模型复杂度,提高预测精度。
为解决上述技术问题,本发明所采用的技术方案是:
第一方面,提供了一种基于混合模型的短期电力负荷预测方法,其包括如下步骤:
采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;
通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;
将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;
通过LSTM预测模型提取高频分量子序列的时序特征;
将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;其中,所述ELM-CATBOOST混合预测模型包括第一ELM预测模型及CATBOOST预测模型;
通过第二ELM预测模型获取低频分量子序列的预测结果;
将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;
将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
第二方面,提供了一种基于混合模型的短期电力负荷预测系统,其包括
采集模块,用于采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;
分解模块,用于通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;
分量分类模块,用于将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;
时序特征提取模块,用于通过LSTM预测模型提取高频分量子序列的时序特征;
高频分量子序列预测模块,用于将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;其中,所述ELM-CATBOOST混合预测模型包括第一ELM预测模型及CATBOOST预测模型;
低频分量子序列预测模块,用于通过第二ELM预测模型获取低频分量子序列的预测结果;
叠加模块,用于将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;
反归一化模块,用于将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
综上所述,本发明基于混合模型的短期电力负荷预测方法及系统通过LSTM 预测模型提取高频分量子序列的时序特征,配合CATBOOST预测模型和第一 ELM预测模型组成的ELM-CATBOOST混合预测模型对短期电力负荷进行预测,利用CEEMDAN分解算法把非平稳非线性的原始电力负荷数据分解成若干个不同频率且相对平稳的固有模态函数分量,降低了模型预测难度,提高了预测准确度;另外,利用LSTM预测模型提取高频分量子序列的时序特征,结合高频分量子序列的历史电力负荷数据和原始电力负荷数据共同作为 ELM-CATBOOST混合预测模型的输入特征极大的丰富了输入特征维度信息,通过使用ELM-CATBOOST混合预测模型集成了单一模型优势,拥有更高的鲁棒性和准确性,针对高、低频分量子序列采取不同的输入特征和预测模型能够降低模型复杂度,节省计算开销和提高模型预测性能。
附图说明
图1是本发明实施例提供的第一种基于混合模型的短期电力负荷预测方法的流程示意图;
图2是本发明实施例提供的第二种基于混合模型的短期电力负荷预测方法的流程示意图;
图3是本发明实施例提供的第一种基于混合模型的短期电力负荷预测系统的结构框图;
图4是本发明实施例提供的第二种基于混合模型的短期电力负荷预测系统的结构框图;
图5是本发明实施例提供的一种电子设备的内部结构框图;
图6是本发明实施例提供的ELM-CATBOOST混合预测模型的工作原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,示例性地,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1是本发明实施例提供的第一种基于混合模型的短期电力负荷预测方法的流程示意图,如图1所示,该基于混合模型的短期电力负荷预测方法,包括步骤S110-步骤S160,具体如下:
步骤S110、采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;其中,采集的电力负荷数据为短期电力负荷历史数据。
所述步骤S110、采集电力负荷数据,组成电力负荷数据集,对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据的方法,具体操作为:
通过公式将电力负荷数据集中的各个电力负荷数据分别映射到 [0,1],获取归一化处理后的电力负荷数据x*;其中,x*为归一化处理后的电力负荷数据,即原始电力负荷数据;xmin、xmax分别为电力负荷数据集中对应的最小值、最大值的电力负荷数据,x为电力负荷数据集中的电力负荷数据。
步骤S120、通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量。
所述步骤S120的方法,具体包括如下步骤:
步骤S121、在原始电力负荷数据中依次添加服从正态分布的不同幅值白噪声,构建待处理负荷序列xi(t)=x(t)+β0ωi(t);
其中,xi(t)为原始电力负荷数据加入第i次白噪声后的待处理电力负荷数据,记为待处理负荷序列,x(t)为原始电力负荷数据中第t个样本数据,β0为噪声系数,ωi(t)为第i次处理对应的白噪声的幅值,1≤i≤P,P为原始电力负荷数据加入白噪声后对应的待处理负荷序列的总数;
步骤S123、定义Ej(·)为待处理电力负荷数据通过EMD分解方法分解后获得的第j个固有模态函数IMF分量,通过EMD分解方法对新的负荷序列 r1(t)+ε1E1(ωi(t))进行分解,得到第二个均值作为第二个固有模态函数及得到第二个残差序列
步骤S124、重复上述步骤,获取剩余的固有模态函数IMF3-IMFn分量,以及最后的剩余残差res分量:
其中,3≤k≤n,rn(t)为剩余残差res分量。
本实施例中,所述步骤S122中通过EMD分解方法分解待处理电力负荷数据,将P个待处理负荷序列获取的IMF1′1-IMF1′P取均值的方法,其可以包括以下步骤:
第一步、找出待处理负荷序列xi(t)的所有极值点,并利用三次样条插值函数拟合出待处理负荷序列xi(t)的上、下包络线,计算上、下包络线的平均值将待处理负荷序列xi(t)和平均值ei(t)作差,得到差值ci(t)=xi(t)-ei(t);其中,e1i(t)、e2i(t)分别为第i次处理对应的待处理负荷序列的上、下包络线,ei(t)为第i次处理对应的待处理负荷序列的上、下包络线的平均值;
第二步、如果差值ci(t)小于或等于预设基准值,或者迭代次数达到预设迭代次数,则将差值ci(t)设定为IMF1′i;反之,则将ci(t)作为新的待处理负荷序列,重复执行第一步,直至满足得到的差值ci(t)小于或等于预设基准值,或者迭代次数达到预设迭代次数。
步骤S130、将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列。
具体地,所述步骤S130的方法,具体操作为:
通过公式将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;其中,Zn表示过零率,nzeros表示过零次数,N表示固有模态函数分量对应的信号总长度,当固有模态函数分量的过零率<0.01时,该固有模态函数分量对应的曲线相对平稳,频率相对较低,该固有模态函数分量记为低频分量子序列;当固有模态函数分量的过零率≥0.01时,该固有模态函数分量对应的曲线开始出现一定的波动,频率逐渐提高,该固有模态函数分量记为高频分量子序列;在离散信号中,如果相邻采样点具有不同代数符号就表示发生了过零,过零次数与信号总长度的比例即定义为过零率。
步骤S140、通过LSTM预测模型提取高频分量子序列的时序特征;其中, LSTM预测模型由第一层LSTM层、第二层LSTM层、一个Dropout层和一个 Dense层组成,其中,第一层LSTM层为128维度,第二层LSTM层为32维度,每层都采用ReLU激活函数,一个遗忘率为0.3的Dropout层,一个大小为32 的Dense层,批大小为64,最大迭代次数为1000,具有早期停止函数;具体地,确定LSTM预测模型的输入特征,通过LSTM预测模型提取高频分量子序列的时序特征。
所述多个不同频率的固有模态函数分量分类为m个高频分量子序列及 n+1-m个的低频分量子序列,所述步骤S140的方法,具体操作包括:
每个高频分量子序列对应一个LSTM预测模型,即m个高频分量子序列对应m个LSTM预测模型,LSTM预测模型的第一层LSTM层的输入特征为对应高频分量子序列中预测点前168个历史电力负荷数据,将高频分量子序列中预测点前168个历史电力负荷数据作为输入特征输入到LSTM预测模型的第一层 LSTM层中,得到第一层LSTM层的输出结果;
根据第一层LSTM层的输出结果获取第二层LSTM层的输出结果,作为 LSTM预测模型提取高频分量子序列的时序特征;LSTM预测模型中第二层 LSTM层的输出结果维度为32,每个LSTM预测模型中第二层LSTM层的输出结果分别对应该LSTM预测模型提取的对应高频分量子序列的时序特征。
步骤S150、将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;其中,所述ELM-CATBOOST混合预测模型包括第一 ELM预测模型及CATBOOST预测模型,第一ELM预测模型的隐藏层节点个数由网格搜索确定,CATBOOST预测模型学习率为0.03,树的深度为8,树的最大数量为4000。
如图6所示,所述步骤S150的方法,具体操作包括:
每个高频分量子序列对应一个第一ELM预测模型及CATBOOST预测模型,即m个高频分量子序列分别对应m个第一ELM预测模型及m个CATBOOST 预测模型,将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、对应高频分量子序列中预测点前k个历史电力负荷数据作为输入特征分别输入到第一ELM预测模型及 CATBOOST预测模型中,得到高频分量子序列的预测结果;其中,针对m个高频分量子序列得到m个高频分量子序列的预测结果,第t个高频分量子序列预测结果Ct=(At+Bt)/2,At为第t个高频分量子序列的第一ELM预测模型的输出结果,Bt为第t个高频分量子序列的CATBOOST预测模型的输出结果;本实施例中,k取值为24。
本实施例中,一部分固有模态函数分量频率相对较高,不平稳,记为高频分量子序列,其拥有更多的特征信息,因此需要构造LSTM预测模型提取更丰富的输入特征信息,以方便ELM-CATBOOST混合预测模型提高预测精度;另一部分固有模态函数分量频率相对较低,且相对平稳,记为低频分量子序列,适合单一模型预测,因此针对低频分量子序列利用ELM预测模型进行预测。
步骤S160、通过第二ELM预测模型获取低频分量子序列的预测结果,第二 ELM预测模型的隐藏层节点个数由网格搜索确定。
所述步骤S160的方法,具体操作包括:
每个低频分量子序列对应一个第二ELM预测模型,把低频分量子序列中预测点前168个历史负荷数据作为输入特征输入到对应的第二ELM预测模型中,得到低频分量子序列的预测结果;针对n+1-m个低频分量子序列分量得到n+1-m 个低频分量子序列的预测结果。
步骤S170、将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果,所述叠加结果为高频分量子序列的预测结果和低频分量子序列的预测结果之和。
步骤S180、将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
如图2所示,在一个实施例中,所述基于混合模型的短期电力负荷预测方法,还包括
步骤S100、分别创建LSTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型,并对其进行训练;其中,所述ELM-CATBOOT混合预测模型包括第一ELM预测模型及CATBOOT预测模型。
在本实施例中,步骤S100可描述成位于步骤S120之前,还可根据需要描述成位于步骤S110或步骤S130之前。
所述步骤S100、分别创建LSTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型,并对其进行训练的方法,具体包括以下步骤:
步骤S101、采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;其中,采集的电力负荷数据为短期电力负荷历史数据;本实施例中,以马来西亚某地2009年1月1日到2011年1月1日的电力负荷数据集为例,该电力负荷数据集包含17519个电力负荷数据,采样频率为1小时,选取整个电力负荷数据集的前80%的电力负荷数据作为训练集,另外20%的电力负荷数据则作为测试集。
其中,对电力负荷数据进行归一化处理的过程与上述步骤S110类似,这里不再赘述。
步骤S102、通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量。
该过程与上述步骤S120类似,这里不再赘述。
步骤S103、将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列。
该过程与上述步骤S130类似,这里不再赘述。
步骤S104、创建LSTM预测模型、ELM-CATBOOST混合预测模型及第二 ELM预测模型;针对每个高频分量子序列分别创建一个LSTM预测模型,所述ELM-CATBOOST混合预测模型包括第一ELM预测模型及CATBOOST预测模型,针对每个高频分量子序列分别创建一个第一ELM预测模型及一个 CATBOOST预测模型,针对每个低频分量子序列分别创建一个第二ELM预测模型。
步骤S105、通过LSTM预测模型提取高频分量子序列的时序特征;确定 LSTM预测模型的输入特征,通过LSTM预测模型提取高频分量子序列的时序特征。
该过程与上述步骤S140类似,这里不再赘述。
步骤S106、将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果。
该过程与上述步骤S150类似,这里不再赘述。
步骤S107、通过第二ELM预测模型获取低频分量子序列的预测结果。
该过程与上述步骤S160类似,这里不再赘述。
步骤S108、将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到训练结果,训练结果为高频分量子序列的预测结果和低频分量子序列的预测结果之和。
步骤S109、将所述训练结果进行反归一化处理后,采用一种或多种的误差评价指标评估模型比对训练结果和真实结果,直至训练结果和真实结果的误差小于预设阈值,完成对LSTM预测模型、ELM-CATBOOT混合预测模型及第二 ELM预测模型的训练。
常用的误差评价指标评估模型可以是平均绝对百分比误差MAPE,平均绝对误差MAE、均方根误差RMSE等,这里不做限定,具体如下:
其中,表示预测模型第i个样本的训练结果对应的预测值,yi表示预测模型第i个样本的训练结果对应的真实值,s为预测模型中样本的总数,预测模型可为LSTM预测模型、ELM-CATBOOT混合预测模型或第二ELM预测模型。
如图2所示,为了更加清晰本发明的技术方案,下面再阐述优选实施例。
步骤S100、分别创建LESTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型,并对其进行训练;
步骤S110、采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;其中,采集的电力负荷数据为短期电力负荷历史数据;
步骤S120、通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;
步骤S130、将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;
步骤S140、通过LSTM预测模型提取高频分量子序列的时序特征;
步骤S150、将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到预先训练得到的ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;
步骤S160、通过第二ELM预测模型获取低频分量子序列的预测结果;
步骤S170、将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;
步骤S180、将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
首先,我们通过案例1验证CEEMDAN分解预处理的可行性。在这个案例中,LSTM、ELM、CATBOOST等方法表示单一预测模型。CEEMDAN-LSTM,CEEMDAN-ELM,CEEMDAN-CATBOOST等方法表示原始电力负荷数据经过CEEMDAN分解预处理技术分解处理的混合预测模型。预测结果如表1所示。
表1带有数据预处理技术的混合模型与单一模型的性能比较
通过表1,可以看出单一模型ELM、CATBOOST、LSTM的RMSE分别为 1023.11MW、986.73MW、1157.08MW,而对应混合模型的RMSE分别为 830.42MW、901.72MW、825.10MW,分别降低了192.69MW、85.01MW、 331.98MW,并且MAE、MAPE的分数也都优于单一预测模型。说明使用 CEEMDAN分解预处理技术把非线性、非平稳电力负荷序列分解成若干个不同频率大小的固有模态函数分量,能够丰富特征信息维度,有效提高了混合模型预测性能。
通过案例2验证了针对不同子序列设计不同输入特征序列和不同预测模型能够有效提升模型预测性能。在案例2中,CEEMDAN-ELM表示所有的子序列都采用对应子序列前24个历史负荷数据作为输入特征序列, CEEMDAN-LSTM-ELM表示所有子序列的输入特征序列由对应子序列前24个历史电力负荷数据、原始电力负荷数据前24个历史电力负荷数据和LSTM预测模型提取的时序特征序列组成。CEEMDAN-D-LSTM-ELM表示不同子序列的输入特征序列不同。高频分量子序列的输入特征序列由高频分量子序列中预测点前24个历史电力负荷数据、原始电力负荷数据中预测点前24个历史电力负荷数据和LSTM预测模型提取的时序特征序列组成。低频分量子序列的输入特征为对应低频分量子序列中预测点前24个历史电力负荷数据。预测结果如表2所示。
表2高频分量子序列混合特征输入与单一特征输入的性能比较
通过表2,可以看出混合特征输入模型的RMSE、MAPE、MAE都比单一特征输入模型低。说明LSTM预测模型能够很好的提取负荷序列中的时序特征,原始电力负荷数据中也包含了一些影响子序列预测性能的隐含特征。此外,我们也可以看出CEEMDAN-D-LSTM-ELM预测模型的RMSE、MAPE、MAE均最低,说明了不同的子序列拥有不同的特征信息,需要设计不同的输入特征序列。
通过案例3验证了针对高低频分量子序列使用不同预测模型能够显著降低模型计算时间和提高模型预测准确性。在案例3中,采用马来西亚电力负荷数据集进行试验比较。CEEMDAN-LSTM-ELM-CATBOOST表示针对所有子序列均采用相同预测模型进行预测。CEEMDAN-LSTM-ELM-CATBOOST-ELM表示针对高频分量子序列采用LSTM-ELM-CATBOOST混合预测模型进行预测,针对低频分量子序列采用ELM预测模型进行预测。预测结果如表3所示。
表3高低频分量子序列不同预测模型与相同预测模型的性能比较
通过表3,可以看出高低频分量子序列不同预测模型的计算时间明显少于相同预测模型的计算时间。CEEMDAN-LSTM-ELM-CATBOOST的计算时间为 6388.15秒,而CEEMDAN-LSTM-ELM-CATBOOST-ELM的计算时间为2852.40 秒,减少了一半多的时间,此外RMSE、MAE、MAPE也都有不同程度的降低,说明了针对不同子序列设计不同的预测模型能够有效降低模型计算时间和提高模型预测性能。因为高频分量子序列包含了更多的特征信息,组合模型能够学习到更加复杂的隐含特征,而低频分量子序列更平缓,单一模型就能有很好的预测性能。
由上可以看出,本发明公开了一种基于混合模型的短期电力负荷预测方法,通过LSTM预测模型提取高频分量子序列的时序特征,配合CATBOOST预测模型和第一ELM预测模型组成的ELM-CATBOOST混合预测模型对短期电力负荷进行预测,利用CEEMDAN分解算法把非平稳非线性的原始电力负荷数据分解成若干个不同频率且相对平稳的固有模态函数分量,降低了模型预测难度,提高了预测准确度;另外,利用LSTM预测模型提取高频分量子序列的时序特征,结合高频分量子序列的历史电力负荷数据和原始电力负荷数据共同作为ELM-CATBOOST混合预测模型的输入特征极大的丰富了输入特征维度信息,通过使用ELM-CATBOOST混合预测模型集成了单一模型优势,拥有更高的鲁棒性和准确性,针对高、低频分量子序列采取不同的输入特征和预测模型能够降低模型复杂度,节省计算开销和提高模型预测性能。
图3是本发明实施例提供的一种基于混合模型的短期电力负荷预测系统的结构框图,如图3所示,对应于上述基于混合模型的短期电力负荷预测方法,本发明还提供一种基于混合模型的短期电力负荷预测系统,该基于混合模型的短期电力负荷预测系统包括用于执行上述基于混合模型的短期电力负荷预测方法的模块,该系统可以被配置于电子设备等终端,应用本发明基于混合模型的短期电力负荷预测系统,通过LSTM预测模型提取高频分量子序列的时序特征,配合CATBOOST预测模型和第一ELM预测模型组成的ELM-CATBOOST混合预测模型对短期电力负荷进行预测,利用CEEMDAN分解算法把非平稳非线性的原始电力负荷数据分解成若干个不同频率且相对平稳的固有模态函数分量,降低了模型预测难度,提高了预测准确度;另外,利用LSTM预测模型提取高频分量子序列的时序特征,结合高频分量子序列的历史电力负荷数据和原始电力负荷数据共同作为ELM-CATBOOST混合预测模型的输入特征极大的丰富了输入特征维度信息,通过使用ELM-CATBOOST混合预测模型集成了单一模型优势,拥有更高的鲁棒性和准确性,针对高、低频分量子序列采取不同的输入特征和预测模型能够降低模型复杂度,节省计算开销和提高模型预测性能。
具体地,如图3所示,该基于混合模型的短期电力负荷预测系统包括采集模块110、分解模块120、分量分类模块130、时序特征提取模块140、高频分量子序列预测模块150、低频分量子序列预测模块160、叠加模块170及反归一化模块180。
采集模块110,用于采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;
分解模块120,用于通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;
分量分类模块130,用于将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;
时序特征提取模块140,用于通过LSTM预测模型提取高频分量子序列的时序特征;
高频分量子序列预测模块150,用于将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;其中,所述ELM-CATBOOST 混合预测模型包括第一ELM预测模型及CATBOOST预测模型;
低频分量子序列预测模块160,用于通过第二ELM预测模型获取低频分量子序列的预测结果;
叠加模块170,用于将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;
反归一化模块180,用于将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
如图4所示,在一个实施例中,该基于混合模型的短期电力负荷预测系统还包括模型创建模块190,用于分别创建LSTM预测模块、ELM-CATBOOT混合预测模型及第二ELM预测模型,并对其进行训练。
图5是本发明实施例提供的一种电子设备的内部结构框图,如图5所示,本发明提供的电子设备包括通过系统总线连接的通过系统总线连接的存储器、处理器;所述存储器上存储有计算机程序,所述处理器用于提供计算和控制能力,以支撑整个电子设备的运行,所述处理器执行所述计算机程序时实现上述的一种基于混合模型的短期电力负荷预测方法。
存储器可以包括非易失性存储介质和内存储器,该非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现基于混合模型的短期电力负荷预测方法。
该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行基于混合模型的短期电力负荷预测方法。本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其他的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的基于混合模型的短期电力负荷预测方法可实现为一种计算机程序的方式,计算机程序可以在如图5所示的电子设备上运行。电子设备的存储器中可存储组成该基于混合模型的短期电力负荷预测系统的各个程序模块,比如,图3所示的采集模块110、分解模块120、分量分类模块130、时序特征提取模块140、高频分量子序列预测模块150、低频分量子序列预测模块160、叠加模块170及反归一化模块180。各个程序模块构成的计算机程序使得处理器执行本说明中描述的本申请各个实施例的基于混合模型的短期电力负荷预测系统的步骤。例如,图5所示的电子设备可以通过如图3所示的基于混合模型的短期电力负荷预测系统中的采集模块110采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;通过分解模块通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;通过分量分类模块130将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;通过时序特征提取模块140 通过LSTM预测模型提取高频分量子序列的时序特征;通过高频分量子序列预测模块150将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k 个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;其中,所述ELM-CATBOOST混合预测模型包括第一ELM 预测模型及CATBOOST预测模型;通过低频分量子序列预测模块160通过第二 ELM预测模型获取低频分量子序列的预测结果;通过叠加模块170将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;通过反归一化模块180将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
在一个实施例中,提出了一种电子设备,包括存储器和处理器,所述存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:步骤S110、采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;其中,采集的电力负荷数据为短期电力负荷历史数据;步骤S120、通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;步骤S130、将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;步骤S140、通过LSTM预测模型提取高频分量子序列的时序特征;步骤S150、将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到预先训练得到的ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;步骤S160、通过第二ELM预测模型获取低频分量子序列的预测结果;步骤S170、将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;步骤S180、将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
应当理解,在本申请实施例中,处理器可以是中央处理单元(Central ProcessingUnit,CPU),该处理器还可以是其他通用处理器、数字信号处理器 (Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该电子设备中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中计算机程序包括程序指令。该程序指令被处理器执行时使处理器执行如下步骤:步骤S110、采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;其中,采集的电力负荷数据为短期电力负荷历史数据;步骤S120、通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;步骤S130、将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;步骤S140、通过LSTM预测模型提取高频分量子序列的时序特征;步骤S150、将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k 个历史电力负荷数据输入到预先训练得到的ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;步骤S160、通过第二ELM预测模型获取低频分量子序列的预测结果;步骤S170、将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;步骤S180、将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
综上所述,本发明一种基于混合模型的短期电力负荷预测方法及系统通过 LSTM预测模型提取高频分量子序列的时序特征,配合CATBOOST预测模型和第一ELM预测模型组成的ELM-CATBOOST混合预测模型对短期电力负荷进行预测,利用CEEMDAN分解算法把非平稳非线性的原始电力负荷数据分解成若干个不同频率且相对平稳的固有模态函数分量,降低了模型预测难度,提高了预测准确度;另外,利用LSTM预测模型提取高频分量子序列的时序特征,结合高频分量子序列的历史电力负荷数据和原始电力负荷数据共同作为 ELM-CATBOOST混合预测模型的输入特征极大的丰富了输入特征维度信息,通过使用ELM-CATBOOST混合预测模型集成了单一模型优势,拥有更高的鲁棒性和准确性,针对高、低频分量子序列采取不同的输入特征和预测模型能够降低模型复杂度,节省计算开销和提高模型预测性能。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于混合模型的短期电力负荷预测方法,其特征在于,包括如下步骤:
采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;
通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;
将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;
通过LSTM预测模型提取高频分量子序列的时序特征;
将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;其中,所述ELM-CATBOOST混合预测模型包括第一ELM预测模型及CATBOOST预测模型;
通过第二ELM预测模型获取低频分量子序列的预测结果;
将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;
将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
3.根据权利要求1所述的基于混合模型的短期电力负荷预测方法,其特征在于,所述步骤通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量的方法,包括如下步骤:
步骤S121、在原始电力负荷数据中依次添加服从正态分布的不同幅值白噪声,构建待处理负荷序列xi(t)=x(t)+β0ωi(t);
其中,xi(t)为原始电力负荷数据加入第i次白噪声后的待处理电力负荷数据,记为待处理负荷序列,x(t)为原始电力负荷数据中第t个样本数据,β0为噪声系数,ωi(t)为第i次处理对应的白噪声的幅值,1≤i≤P,P为原始电力负荷数据加入白噪声后对应的待处理负荷序列的总数;
步骤S123、定义Ej(·)为待处理电力负荷数据通过EMD分解方法分解后获得的第j个固有模态函数IMF分量,通过EMD分解方法对新的负荷序列r1(t)+ε1E1(ωi(t))进行分解,得到第二个均值作为第二个固有模态函数及得到第二个残差序列
步骤S124、重复上述步骤,获取剩余的固有模态函数IMF3-IMFn分量,以及最后的剩余残差res分量:
其中,3≤k≤n,rn(t)为剩余残差res分量。
4.根据权利要求3所述的基于混合模型的短期电力负荷预测方法,其特征在于,所述步骤S122中通过EMD分解方法分解待处理电力负荷数据,将P个待处理负荷序列获取的IMF′11-IMF′1P取均值的方法,包括以下步骤:
第一步、找出待处理负荷序列xi(t)的所有极值点,并利用三次样条插值函数拟合出待处理负荷序列xi(t)的上、下包络线,计算上、下包络线的平均值将待处理负荷序列xi(t)和平均值ei(t)作差,得到差值ci(t)=xi(t)-ei(t);其中,e1i(t)、e2i(t)分别为第i次处理对应的待处理负荷序列的上、下包络线,ei(t)为第i次处理对应的待处理负荷序列的上、下包络线的平均值;
第二步、如果差值ci(t)小于或等于预设基准值,或者迭代次数达到预设迭代次数,则将差值ci(t)设定为IMF′1i;反之,则将ci(t)作为新的待处理负荷序列,重复执行第一步,直至满足得到的差值ci(t)小于或等于预设基准值,或者迭代次数达到预设迭代次数。
6.根据权利要求1所述的基于混合模型的短期电力负荷预测方法,其特征在于,所述步骤通过LSTM预测模型提取高频分量子序列的时序特征的方法,具体操作包括:
每个高频分量子序列对应一个LSTM预测模型,LSTM预测模型的第一层LSTM层的输入特征为对应高频分量子序列中预测点前168个历史电力负荷数据,将高频分量子序列中预测点前168个历史电力负荷数据作为输入特征输入到LSTM预测模型的第一层LSTM层中,得到第一层LSTM层的输出结果;其中,LSTM预测模型由第一层LSTM层、第二层LSTM层、一个Dropout层和一个Dense层组成;
根据第一层LSTM层的输出结果获取第二层LSTM层的输出结果,作为LSTM预测模型提取高频分量子序列的时序特征。
7.根据权利要求1所述的基于混合模型的短期电力负荷预测方法,其特征在于,所述步骤通过第二ELM预测模型获取低频分量子序列的预测结果的方法,具体操作包括:
每个低频分量子序列对应一个第二ELM预测模型,把低频分量子序列中预测点前168个历史负荷数据作为输入特征输入到对应的第二ELM预测模型中,得到低频分量子序列的预测结果。
8.根据权利要求1所述的基于混合模型的短期电力负荷预测方法,其特征在于:还包括
分别创建LSTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型,并对其进行训练。
9.根据权利要求8所述的基于混合模型的短期电力负荷预测方法,其特征在于,所述步骤分别创建LSTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型,并对其进行训练的方法,包括以下步骤:
步骤S101、采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;
步骤S102、通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;
步骤S103、将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;
步骤S104、创建LSTM预测模型、ELM-CATBOOST混合预测模型及第二ELM预测模型;其中,所述ELM-CATBOOST混合预测模型包括第一ELM预测模型及CATBOOST预测模型;
步骤S105、通过LSTM预测模型提取高频分量子序列的时序特征;
步骤S106、将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;
步骤S107、通过第二ELM预测模型获取低频分量子序列的预测结果;
步骤S108、将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到训练结果;
步骤S109、将所述训练结果进行反归一化处理后,采用一种或多种的误差评价指标评估模型比对训练结果和真实结果,直至训练结果和真实结果的差值小于预设阈值,完成对LSTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型的训练。
10.一种基于混合模型的短期电力负荷预测系统,其特征在于:包括
采集模块,用于采集电力负荷数据,组成电力负荷数据集,并对电力负荷数据进行归一化处理,获取归一化处理后的电力负荷数据,记为原始电力负荷数据;
分解模块,用于通过CEEMDAN分解算法对原始电力负荷数据进行分解处理,得到多个不同频率的固有模态函数分量和一个剩余残差分量;
分量分类模块,用于将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列;
时序特征提取模块,用于通过LSTM预测模型提取高频分量子序列的时序特征;
高频分量子序列预测模块,用于将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中,获得高频分量子序列的预测结果;其中,所述ELM-CATBOOST混合预测模型包括第一ELM预测模型及CATBOOST预测模型;
低频分量子序列预测模块,用于通过第二ELM预测模型获取低频分量子序列的预测结果;
叠加模块,用于将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加,得到叠加结果;
反归一化模块,用于将所述叠加结果进行反归一化处理后,得到基于混合模型的短期电力负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195940.5A CN114548586B (zh) | 2022-03-01 | 一种基于混合模型的短期电力负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210195940.5A CN114548586B (zh) | 2022-03-01 | 一种基于混合模型的短期电力负荷预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114548586A true CN114548586A (zh) | 2022-05-27 |
CN114548586B CN114548586B (zh) | 2024-09-27 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496285A (zh) * | 2022-09-26 | 2022-12-20 | 上海玫克生储能科技有限公司 | 一种电力负荷的预测方法、装置及电子设备 |
CN115514439A (zh) * | 2022-09-26 | 2022-12-23 | 华工未来科技(江苏)有限公司 | 一种信道空口利用率预测方法、系统、电子设备及介质 |
CN116681185A (zh) * | 2023-07-28 | 2023-09-01 | 北京智芯微电子科技有限公司 | 负荷预测方法、装置和芯片设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113239624A (zh) * | 2021-05-21 | 2021-08-10 | 长沙理工大学 | 基于神经网络组合模型的短期负荷预测方法、设备及介质 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751318A (zh) * | 2019-09-26 | 2020-02-04 | 上海电力大学 | 一种基于ipso-lstm的超短期电力负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113239624A (zh) * | 2021-05-21 | 2021-08-10 | 长沙理工大学 | 基于神经网络组合模型的短期负荷预测方法、设备及介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496285A (zh) * | 2022-09-26 | 2022-12-20 | 上海玫克生储能科技有限公司 | 一种电力负荷的预测方法、装置及电子设备 |
CN115514439A (zh) * | 2022-09-26 | 2022-12-23 | 华工未来科技(江苏)有限公司 | 一种信道空口利用率预测方法、系统、电子设备及介质 |
CN115496285B (zh) * | 2022-09-26 | 2023-09-12 | 上海玫克生储能科技有限公司 | 一种电力负荷的预测方法、装置及电子设备 |
CN116681185A (zh) * | 2023-07-28 | 2023-09-01 | 北京智芯微电子科技有限公司 | 负荷预测方法、装置和芯片设备 |
CN116681185B (zh) * | 2023-07-28 | 2024-01-09 | 北京智芯微电子科技有限公司 | 负荷预测方法、装置和芯片设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Wen et al. | Stock market trend prediction using high-order information of time series | |
Rafi et al. | A short-term load forecasting method using integrated CNN and LSTM network | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Chen et al. | Short-term load forecasting: Similar day-based wavelet neural networks | |
Bianchi et al. | Short-term electric load forecasting using echo state networks and PCA decomposition | |
CN109766950B (zh) | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 | |
Yang et al. | Hybrid prediction method for wind speed combining ensemble empirical mode decomposition and Bayesian ridge regression | |
CN110889545A (zh) | 一种电力负荷预测方法、装置及可读存储介质 | |
CN113705864A (zh) | 基于VMD-CNN-BiLSTM-ATT混合模型的气象干旱预测方法及装置 | |
Wang et al. | Feature selection for probabilistic load forecasting via sparse penalized quantile regression | |
Karamizadeh et al. | Using the clustering algorithms and rule-based of data mining to identify affecting factors in the profit and loss of third party insurance, insurance company auto | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
Laurinec et al. | Comparison of representations of time series for clustering smart meter data | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN116979503A (zh) | 一种基于Informer网络的商业建筑负荷预测方法及系统 | |
Singhania et al. | Forecasting the United States unemployment rate by using recurrent neural networks with Google Trends data | |
CN111783827B (zh) | 一种基于负荷数据的企业用户分类方法和装置 | |
CN117200204A (zh) | 一种多元负荷预测方法、装置及存储介质 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
Kundu et al. | Forecasting the United States unemployment rate by using recurrent neural networks with Google Trends data | |
Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
CN114239945B (zh) | 短期电力负荷预测方法、装置、设备及存储介质 |
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 |