CN115438833A - 一种短期电力负荷混合预测方法 - Google Patents
一种短期电力负荷混合预测方法 Download PDFInfo
- Publication number
- CN115438833A CN115438833A CN202210904224.XA CN202210904224A CN115438833A CN 115438833 A CN115438833 A CN 115438833A CN 202210904224 A CN202210904224 A CN 202210904224A CN 115438833 A CN115438833 A CN 115438833A
- Authority
- CN
- China
- Prior art keywords
- sequence
- short
- prediction
- whale
- power load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000006870 function Effects 0.000 claims abstract description 15
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 3
- 241000283153 Cetacea Species 0.000 claims description 41
- 230000015654 memory Effects 0.000 claims description 25
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims 1
- 239000000243 solution Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003637 basic solution Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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)
Abstract
本发明公开了一种短期电力负荷混合预测方法,该方法通过CEEMDAN将原始电力负荷序列数据分解为若干个本征模态函数IMF;然后,对所得的新序列进行判断,针对高频序列,采用ILSTM进行预测,针对低频序列或余项,采用差分自回归移动平均模型ARIMA进行预测;最后,将各个序列的预测结果累加得到最终负荷预测结果。相比现有技术,本发明对日负荷的预测结果更准确,为短期电力系统负荷预测提供了一种新思路。
Description
技术领域
本发明属于负荷预测技术领域,涉及一种短期电力负荷混合预测方法,具体涉及一种基于自适应噪声完全集合经验模态分解(CEEMDAN)、鲸鱼优化算法(WOA)改进长短期记忆神经网络(ILSTM)和差分自回归移动平均模型(ARIMA)的短期电力负荷混合预测方法。
背景技术
电力系统的运行决策,如机组优化组合、经济调度、自动发电控制、安全评估、维护计划和电力商业化等,都取决于未来的负荷情况。负荷预测是实现电力系统优化运行的基础,对于电力系统的安全性、可靠性和经济性都有着显著影响。负荷预测误差的大小直接影响电网后续安全校核的分析结果,对电网动态状态估计、负荷调度以及减少发电成本等方面具有重要意义。
由于电力的不可大规模储存性、电力用户需求弹性较低和受气候变化影响较大等因素,使得电力负荷的变化相当剧烈而且复杂,并且影响电力负荷变化的因素如气温、湿度等,具有较强的复杂性和随机性,使得准确预测电力负荷成为一个难题。电力负荷预测方面进行的研究大多以寻找更加精确的科学方法来进行精准的电力负荷预测。
按照预测模型划分,短期负荷预测模型主要分为时间序列模型、人工智能模型、组合预测模型和混合预测模型。由于电力负荷是按时间顺序排列的离散数据,众多负荷形成的序列便构成了一个时间序列,因而基于时间序列的负荷预测模型也就应运而生了;神经网络模型是一种较为成熟且应用广泛的模型,具有强大的非线性拟合能力,随着人们对电力系统负荷特性的深入,人工智能模型被大量应用于短期负荷预测中;鉴于单一模型往往具有一定的局限性和精度误差,国内外学者在充分吸纳各种不同模型优点的基础上,开始尝试利用多个模型从不同的角度进行预测,然后再将预测结果进行组合,这就是组合负荷预测模型;为了克服组合预测模型的部分缺陷,一些学者提出利用混合预测模型来预测短期负荷,区别于组合预测模型将不同模型的预测结果进行组合,混合预测模型是组合不同的模型来共同进行负荷预测。如李媛媛等在2008年提出了基于因散经验模式分解的电力负荷混合预测方法,首先,采用经验模式分解的改进算法——因散经验模式分解将负荷序列分解,这样可以自适应地将目标序列分解为若干个独立的内在模式,因此能够克服依赖主观经验的缺点。然后,将这些内在模式基于fine-to-coarse重构为高频、低频和趋势3个分量。在对各分量特性进行分析的基础上,分别采用支持向量机、自回归移动平均和线性回归模型对其进行预测。最后,将3个分量的预测结果叠加作为最终的预测值。利用上述方法对某电网进行24点负荷预测,结果表明该方法可以有效地提高负荷预测精度(基于因散经验模式分解的电力负荷混合预测方法,电网技术,2008年4月第32卷第8期,李媛媛,牛东晓,乞建勋和刘达)。
短期的负荷预测在单个电力单元预测更有优势,对用户用电预测而言,短期负荷预测尤为重要,但短期负荷预测所需数据波动大、不确定影响因素多,预测复杂度较大。开发一种准确更高的预测电力负荷的短期电力混合预测方法,具有重要的意义。
发明内容
为了解决上述技术问题,本发明提供了一种短期电力负荷混合预测方法,该方法可以更准确地对日负荷进行预测,为短期电力系统负荷预测提供了一种新思路。
为了实现上述目的,本发明采用以下的技术方案:
一种短期电力负荷混合预测方法,包括以下步骤:
S1、数据分解:通过CEEMDAN将原始电力负荷序列P(t)分解,得到重构序列;
S2、特征判断:计算步骤S1得到的重构序列的样本熵,根据样本熵进行判断,得到高频序列和低频序列;
S3、模型预测:针对步骤S2得到的高频序列,采用鲸鱼优化算法改进长短期记忆神经网络ILSTM进行预测;针对步骤S2得到低频序列和步骤S1得到的余项,采用差分自回归移动平均模型ARIMA进行预测;
S4、序列重构,获得预测结果:将步骤S3得到的高频序列、低频序列和余项序列的预测结果累加,得到最终负荷预测结果。
优选地,步骤S1中所述数据分解,具体方法为:
S1-1、在原始电力负荷曲线P(t)上添加自适应白噪声;得到自适应数据系列P(t)+∈0wi(t);其中,wi(t)为符合正态分布的高斯白噪声,i=1,2,…,M,∈0为高斯白噪声幅值常数;
S1-3、第1次残余序列为:
S1-4、对序列r1(t)+∈1E1(wi(t))进行M次EMD,直到获得其第1个IMF,其中∈1为第1阶段后添加的高斯白噪声自适应系数,E1(·)为EMD得到的第1个分量;此时,可以计算得到CEEMDAN的第2个分量
S1-5:对于其余每个阶段k,需要重复步骤S1-4,并按以下方式计算k+1模态分量;
式中,rk(t)为第k次的残差序列;∈k为第k阶段后添加的高斯白噪声对应自适应系数;Ek(·)为由EMD得到的第k个分量。
S1-6:执行步骤S1-5直至获得的残差序列不再执行认可IMF,且标准条件是无法从残差中提取IMF,极端点的数量不超过2,最终的残差信号为:
式中,K为模态分量的总数;
因此,P(t)经过CEEMDAN最终分解为:
优选地,步骤S2中所述判断的方法为:样本熵特性是数据或信号复杂性越高,则熵值越大,反之,复杂性越低,熵值越小。本发明利用这一特性对IMF分量(IMF1、IMF2…IMFn)进行判断,求各个IMF分量样本熵,加总平均计算均值作为高频分量与低频分量的阈值,其样本熵大于阈值的为复杂性高的高频分量,纳入高频序列,小于阈值的为复杂性低的低频分量,纳入低频序列。
优选地,步骤S3中所述鲸鱼优化算法改进长短期记忆神经网络ILSTM,具体步骤为:
S3-1-1:初始化LSTM神经网络的参数值,鲸鱼种群规模大小,最大迭代次数;
S3-1-2:确定损失函数;选取均方误差作为优化的目标函数。
S3-1-3:确定最优鲸鱼位置:计算每一头鲸鱼相应的适应度值,根据适应度值的大小排序,确定适应度值最优的鲸鱼为座头鲸;
S3-1-4:更新鲸鱼个体位置;具体包括:
(1)包围猎物机制:
A=2a·r-a;
K=2·r;
(2)狩猎行为:螺旋形路径的行为表现如下:
S3-1-5:更新LSTM参数:迭代停止时,将全局最优的位置映射到LSTM神经网络模型的参数中,得到最优参数。
优选地,步骤S3中所述鲸鱼优化算法改进长短期记忆神经网络ILSTM进行预测,具体方法为:
步骤3-1-1:确定输入层的节点数量。电力负荷数据一天中包含24组数据,结合平均温度、湿度、气压和风速,最终确定输入节点为28个;
步骤3-1-2:确定输出层的节点数量。本模型预测结果为未来一天24个时间节点的电力负荷,因此设定输出节点为24个;
步骤3-1-4:确定控制门与记忆单元更新。
(1)遗忘门:根据ht-1和xt删除记忆单元中的信息。
ft=σ(Wi[ht-1,xt])+bf;
式中,σ(·)为sigmod激活函数;Wt为遗忘门权重矩阵;bf为遗忘门偏置;
(2)输入门:根据ht-1和xt向记忆单元中新增信息。
it=σ(Wi[ht-1,xt])+bi;
(3)更新记忆单元:遗忘门和输出门计算完成后,更新记忆单元。
(4)输出门:根据ht-1,xt,Ct决定ht。
ot=σ(Wo[ht-1,xt])+bo;
ht=ot·tanh Ct。
优选地,步骤S3中所述采用差分自回归移动平均模型ARIMA进行预测,具体方法为:
步骤3-2-1:首先需要对序列进行平稳性检测,如果不平稳,则对其进行差分运算直到差分后的数据平稳;
步骤3-2-2:计算序列的自相关系数(ACF)、偏自相关系数(PACF),确定模型的参数p和q;
步骤3-2-3:对已识别好的模型,进行训练,得到模型的系数;
步骤3-2-4:应用测试集数据进行误差分析,并对模型参数进行修正,得到预测模型。
优选地,步骤S4中所述预测结果为:将高频序列、低频序列和余项序列的预测结果进行聚合求和,得到最终负荷预测结果。
本发明还提供了上述的短期电力负荷混合预测方法在电力系统中的应用。
与现行技术相比,本发明具有以下有益效果:
本发明首先采用CEEMDAN进行经验模态分解,得到一系列单频率的本征模态函数;然后以样本熵为工具将本征分量分为高频分量和低频分量;针对高频分量采用了ILSTM模型进行了预测,针对低频函数采用了ARIMA模型进行了预测;最后,重构得到最终预测结果,其中,CEEMDAN方法通过添加标准正态分布的白噪声可以解决传统的EMD模态混叠问题,在电力负荷信号分解上更具备自适应性,ILSTM方法通过采用鲸鱼优化算法对模型参数进行优化,充分利用了鲸鱼群算法具有较好的优化能力,全局收敛能力,收敛速度快的特点,可以避免人为经验差异影响LSTM模型的效果,ARIMA倾向于在序列趋势明显的情况下,对数据预测更准确的结果。相比现有技术,本发明对日负荷预测的结果更准确,为短期电力系统负荷预测提供了一种新思路。
附图说明
图1为本发明的流程示意图。
图2为本发明实施例中模态分解。
图3为本发明实施例中的预测结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面对本发明的技术方案做进一步详述。除非另外定义,本文中使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同意义。
如图1所示,本发明提供了一种短期电力负荷混合预测方法,包括以下步骤:
S1、数据分解:通过CEEMDAN将原始电力负荷序列P(t)分解重构,得到重构序列;
所述数据分解,具体方法为:
S1-1、在原始电力负荷曲线P(t)上添加自适应白噪声;得到自适应数据系列P(t)+∈0wi(t);其中,wi(t)为符合正态分布的高斯白噪声,i=1,2,…,M,∈0为高斯白噪声幅值常数;
S1-3、第1次残余序列为:
S1-4、对序列r1(t)+∈1E1(wi(t))进行M次EMD,直到获得其第1个IMF,其中∈1为第1阶段后添加的高斯白噪声自适应系数,E1(·)为EMD得到的第1个分量;此时,可以计算得到CEEMDAN的第2个分量
S1-5:对于其余每个阶段k,需要重复步骤S1-4,并按以下方式计算k+1模态分量;
式中,rk(t)为第k次的残差序列;∈k为第k阶段后添加的高斯白噪声对应自适应系数;Ek(·)为由EMD得到的第k个分量。
S1-6:执行步骤S1-5直至获得的残差序列不再执行认可IMF,且标准条件是无法从残差中提取IMF,极端点的数量不超过2,最终的残差信号为:
式中,K为模态分量的总数;
因此,P(t)经过CEEMDAN最终分解为:
CEEMDAN方法通过添加标准正态分布的白噪声可以解决传统的EMD模态混叠问题,在电力负荷信号分解上更具备自适应性。
S2、特征判断:计算步骤S1所得的重构序列的样本熵,根据样本熵进行判断,得到高频序列和低频序列;所述判断的方法为:样本熵特性是数据或信号复杂性越高,则熵值越大,反之,复杂性越低,熵值越小。本发明利用这一特性对步骤S1得到的IMF分量(IMF1、IMF2…IMFn)进行判断,求各个IMF分量样本熵,加总平均计算均值作为高频分量与低频分量的阈值,其样本熵大于阈值的为复杂性高的高频分量,纳入高频序列,小于阈值的为复杂性低的低频分量,纳入低频序列。
S3、模型预测:针对步骤S2得到的高频序列,采用鲸鱼优化算法改进长短期记忆神经网络ILSTM进行预测;针对步骤S2得到的低频序列和步骤S1得到的余项RES,采用差分自回归移动平均模型ARIMA进行预测;
所述鲸鱼优化算法改进长短期记忆神经网络ILSTM,具体步骤为:
S3-1-1:初始化LSTM神经网络的参数值,鲸鱼种群规模大小,最大迭代次数;
S3-1-2:确定损失函数;选取均方误差作为优化的目标函数。
S3-1-3:确定最优鲸鱼位置:计算每一头鲸鱼相应的适应度值,根据适应度值的大小排序,确定适应度值最优的鲸鱼为座头鲸;
S3-1-4:更新鲸鱼个体位置;具体包括:
(1)包围猎物机制:
A=2a·r-a;
K=2·r;
(2)狩猎行为:螺旋形路径的行为表现如下:
S3-1-5:更新LSTM参数:迭代停止时,将全局最优的位置映射到LSTM神经网络模型的参数中,得到最优参数。
优选地,步骤S3中所述鲸鱼优化算法改进长短期记忆神经网络ILSTM进行预测,具体方法为:
步骤3-1-1:确定输入层的节点数量。电力负荷数据一天中包含24组数据,结合平均温度、湿度、气压和风速,最终确定输入节点为28个;
步骤3-1-2:确定输出层的节点数量。本模型预测结果为未来一天24个时间节点的电力负荷,因此设定输出节点为24个;
步骤3-1-4:确定控制门与记忆单元更新。
(1)遗忘门:根据ht-1和xt删除记忆单元中的信息。
ft=σ(Wi[ht-1,xt])+bf;
式中,σ(·)为sigmod激活函数;Wt为遗忘门权重矩阵;bf为遗忘门偏置;
(2)输入门:根据ht-1和xt向记忆单元中新增信息。
it=σ(Wi[ht-1,xt])+bi;
(3)更新记忆单元:遗忘门和输出门计算完成后,更新记忆单元。
(4)输出门:根据ht-1,xt,Ct决定ht。
ot=σ(Wo[ht-1,xt])+bo;
ht=ot·tanh Ct。
ILSTM方法通过采用鲸鱼优化算法对模型参数进行优化,充分利用了鲸鱼群算法具有较好的优化能力,全局收敛能力,收敛速度快的特点,可以避免人为经验差异影响LSTM模型的效果。
所述采用差分自回归移动平均模型ARIMA进行预测,具体方法为:
步骤3-2-1:首先需要对序列进行平稳性检测,如果不平稳,则对其进行差分运算直到差分后的数据平稳;
步骤3-2-2:计算序列的自相关系数(ACF)、偏自相关系数(PACF),确定模型的参数p和q;
步骤3-2-3:对已识别好的模型,进行训练,得到模型的系数;
步骤3-2-4:应用测试集数据进行误差分析,并对模型参数进行修正,得到预测模型。
ARIMA倾向于在序列趋势明显的情况下,对数据预测更准确的结果。
S4、预测结果:将高频序列、低频序列和余项序列的预测结果进行聚合求和,得到最终负荷预测结果;
本发明还提供了上述的短期电力负荷混合预测方法在电力系统中的应用。
应用实例
选取中国某城市某年12月23日至12月31日的历史电力负荷数据作为算例,以12月23日至12月29日为输入数据,12月30日数据为输出数据建立模型进行训练;以12月24日至12月30日数据为输入数据,对12月31日的24个时点进行预测。
预测过程为:针对原始负荷序列进行CEEMDAN模型分解,得到一系列具有单一模态的平稳本征模态分量IMFs;求各个IMF分量样本熵,加总平均计算均值作为高频分量与低频分量的阈值,其样本熵大于阈值的为复杂性高的高频分量,小于阈值的为复杂性低的低频分量;针对每一个模态分量和余项,匹配关键变量,包括平均温度、湿度、气压和风速;对输入数据进行归一化处理;针对高频分量采用ILSTM模型能进行预测,针对低频和余项采用ARIMA模型进行预测,如图2;然后重构得出最终预测结果,如图3所示。
图2中load为经过原始的电力负荷曲线;IMF1—IMF4为经过CEEMDAN分解的4个本征模态分量;Residual为余项。分别计算本征模态分量的样本熵以及所有本征模态分量样本熵的均值,得出IMF1和IMF2的样本熵大于全部本征模态分量样本熵的均值,为高频分量,由ILSTM模型进行预测;IMF3和IMF4的样本熵小于全部本征模态分量样本熵的均值,为低频分量,由ARIMA模型进行预测。从图3中可以看出,采用所提方法可以较为准确地对日负荷进行预测。
式中,A(i)和F(i)分别为实际负荷值与预测负荷值。
本发明所提出方法的相对误差总平均值为1.75%,小于现有技术(基于因散经验模式分解的电力负荷混合预测方法,电网技术,2008年4月第32卷第8期,李媛媛,牛东晓,乞建勋和刘达)报告的相对误差总平均值为2.17%,表明本发明的准确性更高,体现了本发明的技术先进性。
以上给出了具体的实施方式,但本发明不局限于所描述的实施方式。本发明的基本思路在于上述基本方案,对本领域普通技术人员而言,根据本发明的教导,设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变形仍落入本发明的保护范围内。
Claims (10)
1.一种短期电力负荷混合预测方法,其特征在于,包括以下步骤:
S1、数据分解:通过CEEMDAN将原始电力负荷序列P(t)分解,得到重构序列;
S2、特征判断:计算步骤S1所得的重构序列的样本熵,根据样本熵进行判断,得到高频序列和低频序列;
S3、模型预测:针对步骤S2得到的高频序列,采用鲸鱼优化算法改进长短期记忆神经网络ILSTM进行预测;针对步骤S2得到的低频序列和步骤S1得到的余项,采用差分自回归移动平均模型ARIMA进行预测;
S4、序列重构,获得预测结果:将步骤S3得到的高频序列、低频序列和余项序列的预测结果加和,得到最终负荷预测结果。
2.根据权利要求1所述的短期电力负荷混合预测方法,其特征在于,步骤S1中所述数据分解,具体方法为:
S1-1、在原始电力负荷曲线P(t)上添加自适应白噪声;得到自适应数据系列P(t)+∈0wi(t);其中,wi(t)为符合正态分布的高斯白噪声,i=1,2,…,M,∈0为高斯白噪声幅值常数;
S1-3、第1次残余序列为:
S1-4、对序列r1(t)+∈1E1(wi(t))进行M次EMD,直到获得其第1个IMF,其中∈1为第1阶段后添加的高斯白噪声自适应系数,E1(·)为EMD得到的第1个分量;此时,可以计算得到CEEMDAN的第2个分量
S1-5:对于其余每个阶段k,需要重复步骤S1-4,并按以下方式计算k+1模态分量;
式中,rk(t)为第k次的残差序列;∈k为第k阶段后添加的高斯白噪声对应自适应系数;Ek(·)为由EMD得到的第k个分量;
S1-6:执行步骤S1-5直至获得的残差序列不再执行认可IMF,且标准条件是无法从残差中提取IMF,极端点的数量不超过2,最终的残差信号为:
式中,K为模态分量的总数;
P(t)经过CEEMDAN最终分解为:
3.根据权利要求1所述的短期电力负荷混合预测方法,其特征在于,步骤S2中所述判断的方法为:对IMF分量进行判断,求各个IMF分量样本熵,加总平均计算均值作为高频分量与低频分量的阈值,其样本熵大于阈值的为复杂性高的高频分量,纳入高频序列,小于阈值的为复杂性低的低频分量,纳入低频序列。
5.根据权利要求4所述的短期电力负荷混合预测方法,其特征在于,更新鲸鱼个体位置,包括以下步骤:
(1)包围猎物机制:
A=2a·r-a;
K=2·r;
(2)狩猎行为:螺旋形路径的行为表现如下:
6.根据权利要求1所述的短期电力负荷混合预测方法,其特征在于,步骤S3中所述鲸鱼优化算法改进长短期记忆神经网络ILSTM进行预测,具体方法为:
步骤3-1-1:确定输入层的节点数量;
步骤3-1-2:确定输出层的节点数量;
步骤3-1-3:确定隐含层的节点数量;
步骤3-1-4:确定控制门与记忆单元更新。
7.根据权利要求6所述的短期电力负荷混合预测方法,其特征在于,所述确定控制门与记忆单元更新,具体方法为:
(1)遗忘门:根据ht-1和xt删除记忆单元中的信息;
ft=σ(Wi[ht-1,xt])+bf;
式中,σ(·)为sigmod激活函数;Wt为遗忘门权重矩阵;bf为遗忘门偏置;
(2)输入门:根据ht-1和xt向记忆单元中新增信息;
it=σ(Wi[ht-1,xt])+bi;
(3)更新记忆单元:遗忘门和输出门计算完成后,更新记忆单元;
(4)输出门:根据ht-1,xt,Ct决定ht;
ot=σ(Wo[ht-1,xt])+bo;
ht=ot·tanh Ct。
8.根据权利要求1所述的短期电力负荷混合预测方法,其特征在于,步骤S3中所述采用差分自回归移动平均模型ARIMA进行预测,具体方法为:
步骤3-2-1:首先需要对序列进行平稳性检测,如果不平稳,则对其进行差分运算直到差分后的数据平稳;
步骤3-2-2:计算序列的自相关系数ACF、偏自相关系数PACF,确定模型的参数p和q;
步骤3-2-3:对己识别好的模型,进行训练,得到模型的系数;
步骤3-2-4:应用测试集数据进行误差分析,并对模型参数进行修正,得到预测模型。
9.根据权利要求1所述的短期电力负荷混合预测方法,其特征在于,步骤S4中所述预测结果为:将高频序列、低频序列和余项序列的预测结果进行累加求和,得到最终负荷预测结果。
10.根据权利要求1-9任一项所述的短期电力负荷混合预测方法在电力系统中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904224.XA CN115438833A (zh) | 2022-07-29 | 2022-07-29 | 一种短期电力负荷混合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210904224.XA CN115438833A (zh) | 2022-07-29 | 2022-07-29 | 一种短期电力负荷混合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115438833A true CN115438833A (zh) | 2022-12-06 |
Family
ID=84242129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210904224.XA Pending CN115438833A (zh) | 2022-07-29 | 2022-07-29 | 一种短期电力负荷混合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115438833A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663865A (zh) * | 2023-07-31 | 2023-08-29 | 山东建筑大学 | 考虑源荷不确定性的综合能源系统日前调度方法及系统 |
CN117057456A (zh) * | 2023-07-12 | 2023-11-14 | 杭州似然数据有限公司 | 基于分段样条回归-WaveNet两阶段电力负荷预测方法及装置 |
CN117293829A (zh) * | 2023-11-27 | 2023-12-26 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
CN117559448A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
CN111784068A (zh) * | 2020-07-09 | 2020-10-16 | 北京理工大学 | 基于eemd的电力负荷组合预测方法及装置 |
CN111815065A (zh) * | 2020-07-21 | 2020-10-23 | 东北大学 | 基于长短时记忆神经网络的短期电力负荷预测方法 |
CN112906935A (zh) * | 2020-12-21 | 2021-06-04 | 湘潭大学 | 一种风电场超短期功率预测方法 |
CN113283576A (zh) * | 2021-01-18 | 2021-08-20 | 上海应用技术大学 | 一种基于鲸鱼算法优化lstm的频谱感知方法 |
CN113935513A (zh) * | 2021-08-30 | 2022-01-14 | 上海电力大学 | 一种基于ceemdan的短期电力负荷预测方法 |
CN114330910A (zh) * | 2021-12-31 | 2022-04-12 | 甘肃电通电力工程设计咨询有限公司 | 一种电动汽车充电负荷预测方法 |
-
2022
- 2022-07-29 CN CN202210904224.XA patent/CN115438833A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
CN111784068A (zh) * | 2020-07-09 | 2020-10-16 | 北京理工大学 | 基于eemd的电力负荷组合预测方法及装置 |
CN111815065A (zh) * | 2020-07-21 | 2020-10-23 | 东北大学 | 基于长短时记忆神经网络的短期电力负荷预测方法 |
CN112906935A (zh) * | 2020-12-21 | 2021-06-04 | 湘潭大学 | 一种风电场超短期功率预测方法 |
CN113283576A (zh) * | 2021-01-18 | 2021-08-20 | 上海应用技术大学 | 一种基于鲸鱼算法优化lstm的频谱感知方法 |
CN113935513A (zh) * | 2021-08-30 | 2022-01-14 | 上海电力大学 | 一种基于ceemdan的短期电力负荷预测方法 |
CN114330910A (zh) * | 2021-12-31 | 2022-04-12 | 甘肃电通电力工程设计咨询有限公司 | 一种电动汽车充电负荷预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057456A (zh) * | 2023-07-12 | 2023-11-14 | 杭州似然数据有限公司 | 基于分段样条回归-WaveNet两阶段电力负荷预测方法及装置 |
CN117057456B (zh) * | 2023-07-12 | 2024-03-26 | 杭州似然数据有限公司 | 基于分段样条回归-WaveNet两阶段电力负荷预测方法及装置 |
CN116663865A (zh) * | 2023-07-31 | 2023-08-29 | 山东建筑大学 | 考虑源荷不确定性的综合能源系统日前调度方法及系统 |
CN116663865B (zh) * | 2023-07-31 | 2023-11-14 | 山东建筑大学 | 考虑源荷不确定性的综合能源系统日前调度方法及系统 |
CN117293829A (zh) * | 2023-11-27 | 2023-12-26 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
CN117293829B (zh) * | 2023-11-27 | 2024-02-20 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
CN117559448A (zh) * | 2024-01-12 | 2024-02-13 | 山东德源电力科技股份有限公司 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
CN117559448B (zh) * | 2024-01-12 | 2024-03-22 | 山东德源电力科技股份有限公司 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian | Short-term wind speed prediction based on LMD and improved FA optimized combined kernel function LSSVM | |
CN115438833A (zh) | 一种短期电力负荷混合预测方法 | |
Zhang et al. | A comprehensive wind speed prediction system based on Monte Carlo and artificial intelligence algorithms | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN112116144B (zh) | 一种区域配电网短期负荷预测方法 | |
CN112487702A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN110987436B (zh) | 基于激励机制的轴承故障诊断方法 | |
CN111598224A (zh) | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN116960978A (zh) | 基于风速-功率组合分解重构的海上风电功率预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN116526450A (zh) | 计及误差补偿的两阶段短期电力负荷组合预测方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN116578551A (zh) | 一种基于gru-gan的电网数据修复方法 | |
CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
Yang et al. | A multi-factor forecasting model for carbon emissions based on decomposition and swarm intelligence optimization |
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 |