CN115544890A - 一种短期电力负荷预测方法及系统 - Google Patents

一种短期电力负荷预测方法及系统 Download PDF

Info

Publication number
CN115544890A
CN115544890A CN202211279440.6A CN202211279440A CN115544890A CN 115544890 A CN115544890 A CN 115544890A CN 202211279440 A CN202211279440 A CN 202211279440A CN 115544890 A CN115544890 A CN 115544890A
Authority
CN
China
Prior art keywords
sparrow
decomposition
iteration
power load
optimal
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
CN202211279440.6A
Other languages
English (en)
Inventor
张会均
陈怡�
熊炫睿
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.)
Chongqing Technology and Business University
Original Assignee
Chongqing Technology and Business 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 Chongqing Technology and Business University filed Critical Chongqing Technology and Business University
Priority to CN202211279440.6A priority Critical patent/CN115544890A/zh
Publication of CN115544890A publication Critical patent/CN115544890A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电力负荷预测技术领域，具体涉及一种短期电力负荷预测方法及系统；该方法包括：获取时间序列数据；对时间序列数据进行预处理，得到K个模态分量；采用主成分分析法对各模态分量进行影响因素特征提取，并将影响因素特征输入到训练好的AT‑TCN网络中，得到K个模态分量的电力负荷中间预测结果；将K个模态分量的电力负荷中间预测结果输入到FC融合模块中进行求和，得到电力负荷最终预测结果；本发明采用ISSA来优化该标准下VMD的分解参数，降低了经验设置的随机性，减少了分解过程的信号损失，提高了分解效果，提高了最终预测结果的准确性。

Description

一种短期电力负荷预测方法及系统
技术领域
本发明属于电力负荷预测技术领域，具体涉及一种短期电力负荷预测方法及系统。
背景技术
电力系统是国计民生的基础，也是推动国家经济社会发展的重要驱动力。作为电力系统的一项十分必要的工作，电力负荷预测的预测精确度和稳定性将直接影响电网系统运行的安全性及经济性。电力负荷预测按照不同的时间间隔可分为短期电力负荷预测和中长期电力负荷预测，其中，尤以短期预测更具营销、交易及调度等实际应用价值。因此，提高短期负荷预测结果的精确度和稳定性，在电力系统调度运行中占据举足轻重的地位，同时也成为了实现电力系统科学自动化的重要目标。
然而，由于电力负荷预测结果会受到多种因素干扰，除了其自身的内在趋势，同样受天气、环境等众多因素的影响，规律性较难掌握。除此之外，负荷的历史数据通常是由数据采集器和监控数据库获得的，这就使得采集过程中产生的信道噪声引起负荷数据波动难以避免，在一定程度上该波动也会影响短期负荷预测的准确性和稳定性。为降低波动性和非线性的影响，现阶段研究中通常采用信号分解算法将复杂的电力负荷序列分解为简单的子序列。经典信号分解算法包括小波分解、经验模态分解以及变分模态分解，都在电力负荷预测领域得到广泛应用。小波变换的分解效果与母小波和分解个数有关，缺乏自适应性。经验模式分解可以自适应地分解信号，却存在着模态混叠问题。变分模态分解(VMD)通过构造并求解变分模型将原始信号分解为给定数量的本征模态分量，一定程度上缓解了模态混叠问题，但VMD分解过程中缺乏指导参数设置的评价标准，往往依靠经验给定参数，从而导致分解效果并不理想。因此，需对VMD分解算法进行优化。
预测模型在负荷预测中起到关键作用。现阶段的短期电力负荷预测方法主要分为数学统计方法和机器学习方法两大类。统计模型算法有时间序列方法，卡尔曼滤波等，时间序列方法中自回归差分滑动平均模型(ARIMA)已经用于很多负荷预测中，包括中长期电力负荷预测。统计算法的优点是计算量小，结构简单，但对数据的稳定性要求较高，难以反映非线性因素的影响。机器学习方法进行负荷预测的传统方法有专家系统、BP神经网络、长短时记忆网络(LSTM)和支持向量机(SVM)等，BP神经网络存在网络结构简单、预测精度低等问题；支持向量机在小数据集上表现良好但仍存在预测准确性较低等问题，且上述两种网络均未考虑到数据之间相关性，难以表征时域特征，不利于预测精度的提高。LSTM型虽然考虑到了数据之间相关性，但不能进行并行运算，导致预测耗时较长。随着人工智能的发展，具有可并行计算结构优势的时间卷积网络(TCN)可以有效解决上述问题。虽然TCN模型为时间序列预测提供了思路，但在处理历史信息上表现较差，因此，需要对TCN进行优化处理。
发明内容
针对现有技术存在的不足，本发明提出了一种短期电力负荷预测方法及系统，该方法包括：实时获取时间序列数据，时间序列数据包括气象数据和电力负荷数据；对时间序列数据进行预处理，得到K个模态分量；采用主成分分析法对各模态分量进行影响因素特征提取，并将影响因素特征输入到训练好的AT-TCN网络中；得到K个模态分量的电力负荷中间预测结果；将K个模态分量的预测结果输入到FC融合模块中进行求和，得到电力负荷最终预测结果；
对时间序列数据进行预处理的过程包括：
根据时间序列数据计算分解损失；将分解损失作为适应度，采用ISSA算法优化VMD算法，得到最佳分解参数；
根据最佳分解参数对时间序列数据进行VMD分解，得到K个模态分量。
优选的，计算分解损失的公式为：
Figure BDA0003898076540000031
其中，Loss表示分解损失，f(s)表示原始信号，f′(s)表示重构信号，T表示时间长度。
优选的，得到最佳分解参数的过程包括：
S11：设置VMD分解参数范围，采用Fuch混沌映射模型初始化麻雀种群；
S12：计算麻雀种群的适应度值并排序，选取每代种群中适应度最小的P只麻雀作为发现者，其余N-P只麻雀作为加入者，S数量的个体来侦察预警作为警报者，当预警时，种群边缘的麻雀会迅速向安全区域移动，以获得更佳的位置；计算动态权重并根据动态权重对发现者、加入者以及警报者进行位置更新；
S13：采用融合自适应t变异和反向学习策略对当前最优解进行扰动，产生最新解；
S14：判断是否达最大迭代次数，若达到，则输出最优麻雀个体和最优适应度，最优麻雀个体为VMD的最佳分解参数，最优适应度为最小分解损失；否则，返回步骤S12。
进一步的，计算动态权重的公式为：
Figure BDA0003898076540000032
其中，ω表示动态权重，t表示当前迭代次数，itermax表示最大迭代次数。
进一步的，对发现者、加入者以及警报者进行位置更新的公式分别为：
发现者位置更新公式为：
Figure BDA0003898076540000033
其中，
Figure BDA0003898076540000034
表示第t+1次迭代后麻雀的位置，
Figure BDA0003898076540000035
表示第t次迭代后麻雀的位置，Xi,j为第i只麻雀在第j维空间的位置信息，ω表示动态权重，
Figure BDA0003898076540000041
表示第t次迭代中第j维的全局最优解，Q表示满足正态分布的随机数，L表示全部元素为1的矩阵，R2表示预警值，ST表示安全值；
加入者位置更新公式为：
Figure BDA0003898076540000042
其中，Xworst表示种群所在区域最差的位置，Xp表示发现者的最优位置，i表示麻雀的序号，n表示麻雀数量，A+表示中间参数；
警报者位置更新公式为：
Figure BDA0003898076540000043
其中，Xbest表示全局的最优位置，β表示步长，K为[0,1]的一个随机数，fi表示每个麻雀个体的适应度值；fg和fω表示种群中最佳和最差的适应度值；ε表示常数。
进一步的，采用融合自适应t变异和反向学习策略对当前最优解进行扰动的过程包括：生成随机数rand∈[0,1]，计算选择概率，当选择概率小于随机数时，采用反向学习策略对当前最优解进行扰动；否则，采用融合自适应t变异对当前最优解进行扰动；根据贪心机制决定是否更新麻雀位置。
进一步的，反向学习策略对当前最优解进行扰动的过程包括：根据当前最优解，采用反向学习策略求得反向解，根据反向解更新麻雀位置，更新麻雀位置的公式为：
Figure BDA0003898076540000044
Figure BDA0003898076540000045
其中，Xopbest(t)表示第t次迭代最优解的反向解，ub表示上边界，r表示随机数矩阵，lb表示下边界，
Figure BDA0003898076540000051
表示第t+1次迭代后麻雀的位置，Xbest(t)表示第t次迭代最优解，b1表示控制参数。
进一步的，采用融合自适应t变异对当前最优解进行扰动的公式为：
Figure BDA0003898076540000052
其中，
Figure BDA0003898076540000053
表示第t+1次迭代后麻雀的位置，Xbest(t)表示第t次迭代最优解，t(iter)为以麻雀算法迭代次数为参数自由度的t分布。
进一步的，贪心机制表达式为：
Figure BDA0003898076540000054
其中，
Figure BDA0003898076540000055
表示第t+1次迭代后麻雀的位置，Xbest(t)表示第t次迭代最优解，f(x)表示麻雀个体在x处的适应度值。
一种短期电力负荷预测系统，包括：数据采集模块、数据预处理模块、主成分分析模块、模态分量预测模块和FC融合模块；
所述数据采集模块从电力数据采集器和气象监测设备获取时间序列数据；
所述数据预处理模块用于对时间序列数据作预处理，得到K个模态分量；
所述主成分分析模块用于对K个模态分量进行影响因素特征提取；
所述模态分量预测模块用于采用AT-TCN网络对影响因素特征进行处理，得到K个模态分量的电力负荷中间预测结果；
所述FC融合模块用于对K个模态分量的预测结果求和，得到最终的电力负荷预测结果。
本发明的有益效果为：
1.本发明针对短期电力负荷数据非线性、非平稳和高频噪声的特性导致的故障特征频率难以提取的问题，提出了一种适用于预测领域的VMD评价标准，并采用ISSA来优化该标准下VMD的分解参数，从而降低了经验设置的随机性，并且减少了分解过程的信号损失，提高了分解效果，从而提高了预测结果的准确性。
2.本发明使用TCN网络对短期电力负荷进行预测，TCN采用不同的时间尺度进行训练，降低训练数据复杂度，调整输出结点记忆的长短。
3.本发明在TCN网络中引入注意力机制提取历史关键时刻点信息，提高关键时刻点预测的精确度。
附图说明
图1为本发明中短期电力负荷预测方法流程图；
图2为本发明中短期电力负荷预测方法的结构示意图；
图3为本发明中短期电力负荷预测方法TCN的扩张因果卷积示意图；
图4为本发明中短期电力负荷预测方法的残差块图；
图5为本发明中短期电力负荷预测方法的注意力机制图。
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。
本发明提出了一种短期电力负荷预测方法及系统，如图1、图2所示，所述方法包括：实时获取时间序列数据，时间序列数据包括气象数据和电力负荷数据；电力负荷数据即电力变压器的负荷数据，可实时从数据采集器或监控数据库中获得，包括当前时刻以及过去一段时间内每隔固定时间间隔获取的电力负荷值；气象数据可从气象监测设备中获取，包括待预测时间段每隔固定时间间隔的温度、湿度、降水量等气象数据。
对时间序列数据进行预处理，得到K个模态分量；对时间序列数据进行预处理的过程包括：
本发明采用ISSA(改进麻雀搜索算法)优化的VMD(变分模态分解)对时间序列数据进行处理；在VMD的分解参数中，分解个数K决定模态分量个数，合适的K可以将原始信号的模态完全分离，避免模态混叠现象的发生；惩罚因子α影响VMD分解过程，用以保证信号的重构精度，因此寻优维度设置为2，即K和α；采用改进麻雀算法(ISSA)优化VMD算法可得到最佳的分解参数，具体包括以下内容：
在理想情况下，VMD算法的重构信号f′(s)与原始信号f(s)相同，但在实际分解过程中往往会出现一定的分解损失。分解损失来源于不符合本征模态函数定义的残余信号，其幅值往往较小且波动较快，预测难度较大，在模型中往往不予考虑。但如果分解损失较大，则忽略的信息也较多，不利于预测精度的提高；本发明定义一种适用于负荷预测领域的VMD评价标准，根据该评价标准计算分解损失：
Figure BDA0003898076540000071
其中，Loss表示分解损失，f(s)表示原始信号即时间序列数据，f′(s)表示重构信号即重构后的时间序列数据，T表示时间长度。Loss的实质为VMD重构信号与原始信号的平均绝对误差，此值越小，表明分解损失越小，模态所包含的信息就越多，模型也就越准确。
根据时间序列数据计算分解损失；将分解损失作为适应度，采用ISSA算法优化VMD算法，得到最佳分解参数，其具体过程包括：
S11：设置VMD分解参数范围，采用Fuch混沌映射模型初始化麻雀种群；
变分模态分解(VMD)是Dragomiretskiy等人于2014年提出的一种完全非递归的信号分解方法，可以自适应地将复杂时序信号分解为简单模态分量；本发明的VMD分解参数为[K,α]，K为分解个数，α为惩罚因子；设置VMD分解参数范围为K∈{2,3,...,34}，α∈[100,105]；将这两个分解参数作为ISSA算法寻优的特征，即在ISSA算法中麻雀Xi为(Ki,αi)。
基本麻雀算法在求解最优解问题时，采用随机初始化的方法生成初始种群，可能产生初始的麻雀种群分布不均的问题，导致麻雀种群的多样性较差。为了丰富麻雀种群的多样性，引入Fuch混沌映射模型，利用Fuch混沌映射较好的迭代速度且在[0,1]间产生分布均匀混沌序列的特征，可产生多样性的混沌初始化麻雀种群。Fuch混沌映射表达式为：
Figure BDA0003898076540000081
其中，Xn+1表示映射后的混沌值，Xn表示初值，Xn≠0,n∈Z+。
采用Fuch混沌映射模型初始化麻雀种群，麻雀搜索算法的初始化参数主要包括：麻雀的种群N、发现者比例PD、最大迭代次数M、预警值R2和安全值ST。
S12：计算麻雀种群的适应度值并排序，选取每代种群中适应度最小的P只麻雀作为发现者，其余N-P只麻雀作为加入者，S数量的个体来侦察预警作为警报者，当预警时，种群边缘的麻雀会迅速向安全区域移动，以获得更佳的位置；计算动态权重并根据动态权重对发现者、加入者以及警报者进行位置更新。
在麻雀种群中，意识到危险的麻雀数量占总数的10％到20％，这些麻雀的位置是随机产生的，被称之为警报者。
当预警时，采用动态权重和位置更新策略对发现者、加入者以及警报者进行位置更新；计算动态权重：
Figure BDA0003898076540000082
其中，ω表示动态权重，t表示当前迭代次数，itermax表示最大迭代次数。
本发明采用动态权重对位置进行更新，可更好地平衡麻雀种群的全局和局部搜索之间的关系，既可以避免在迭代前期局部搜索能力的不足，也可以避免在迭代后期全局搜索能力的不足，防止算法陷入局部最优，提高搜索精度。
根据动态权重对发现者、加入者以及警报者进行位置更新的公式：
发现者位置更新公式为：
Figure BDA0003898076540000091
其中，
Figure BDA0003898076540000092
表示第t+1次迭代后麻雀的位置，
Figure BDA0003898076540000093
表示第t次迭代后麻雀的位置，Xi,j为第i只麻雀在第j维空间的位置信息，ω表示动态权重，
Figure BDA0003898076540000094
表示第t次迭代中第j维的全局最优解，Q表示满足正态分布的随机数，L表示全部元素为1的矩阵，R2表示预警值，ST表示安全值；
加入者位置更新公式为：
Figure BDA0003898076540000095
A+＝AT(AAT)-1
其中，Xworst表示种群所在区域最差的位置，Xp表示发现者的最优位置，i表示麻雀的序号，n表示麻雀数量，A+表示中间参数，A为一个1×m的矩阵，其中每个元素赋值为1或-1；
警报者位置更新公式为：
Figure BDA0003898076540000096
其中，Xbest表示全局的最优位置；β表示步长，其满足正态分布且均值为0、方差为1的随机数；K为[0,1]的一个随机数，fi表示每个麻雀个体的适应度值；fg和fω表示种群中最佳和最差的适应度值；ε表示常数。
S13：采用融合自适应t变异和反向学习策略对当前最优解进行扰动，产生最新解。
为进一步提升算法寻优性能，本发明采取一种动态选择策略更新目标位置，融合自适应t变异和反向学习策略在一定概率下交替执行，动态的更新目标位置。在反向学习策略中，通过反向学习机制得到反向解，扩大了算法的搜索领域。在自适应t变异策略中，运用融合自适应t变异在最优解位置进行扰动变异操作得出新解，改善了算法跌入局部最优的缺陷；该动态选择策略包括以下步骤：
生成随机数rand∈[0,1]，计算选择概率Ps，当选择概率小于随机数时即Ps＜rand，采用反向学习策略对当前最优解进行扰动；否则，采用融合自适应t变异对当前最优解进行扰动；根据贪心机制决定是否更新麻雀位置。
计算选择概率Ps的公式为：
Figure BDA0003898076540000101
其中，Ps表示选择概率，itermax表示最大迭代次数，t表示当前迭代次数。
当Ps＜rand，即当选择概率小于选择概率阈值时，采用反向学习策略对当前最优解进行扰动，具体的：采用反向学习策略求得反向解：
Figure BDA0003898076540000102
根据反向解更新麻雀位置：
Figure BDA0003898076540000103
Figure BDA0003898076540000104
其中，Xopbest(t)表示第t次迭代最优解的反向解，ub表示上边界，r表示随机数矩阵，lb表示下边界，
Figure BDA0003898076540000105
表示第t+1次迭代后麻雀的位置，Xbest(t)表示第t次迭代最优解，b1表示控制参数。
自适应t分布又称为学生分布，含有参数自由度n，n的值越小，其曲线形态越平坦，曲线中间越低，曲线双侧尾部翘得越高。本发明充分利用麻雀种群信息，以迭代次数t作为自由度参数，在迭代前期t较小，类似柯西变异具有较强的全局搜索能力，后期t较大，类似高斯变异具有较强的局部搜索能力，从而提高算法的搜索能力；当选择概率不小于选择概率阈值时，采用融合自适应t变异对当前最优解进行扰动，更新麻雀位置公式为：
Figure BDA0003898076540000111
通过上述两种扰动策略虽然能增强算法跃出局部空间的能力，但是无法确定扰动变异之后得到的新位置要优于原位置的适应度值，因此在进行扰动变异更新后；引入贪心机制，通过对比更新前后麻雀位置的适应度值来决定是否更新麻雀位置，贪心机制表达式为：
Figure BDA0003898076540000112
其中，Xbest(t)表示第t次迭代最优解，f(x)表示麻雀个体在x处的适应度值。
由于以往的VMD参数设置都是依靠经验值设置，本发明设置的评价标准可帮助麻雀算法找到VMD的最优参数，当Loss最小的时候，表明分解损失最小，此时的VMD最佳分解参数最优。
S14：判断是否达最大迭代次数，若达到，则输出最优麻雀个体和最优适应度，最优麻雀个体为VMD的最佳分解参数，最优适应度为最小分解损失；否则，返回步骤S12。
根据最佳分解参数对原始信号即时间序列数据进行VMD分解，得到K个模态分量；具体过程如下：
变分问题为本征模态分量的估计带宽之和最小，约束条件为本征模态分量之和为原始信号，公式如下：
Figure BDA0003898076540000113
Figure BDA0003898076540000114
其中，{uk}为本征模态分量的集合；{ωk}为中心频率的集合；δ(s)为脉冲信号；K为预设分解个数；f(s)为原始信号，
Figure BDA0003898076540000121
表示对时间s求偏导数。
使用惩罚因子α和拉格朗日乘数λ(s)将带约束的变分问题转换为非约束问题，其中α影响信号的重构精度，λ(s)保持约束条件的严格性，公式如下：
Figure BDA0003898076540000122
通过交替方向乘子法解决非约束问题，从而实现信号频率的有效分离。采用交替方向乘数法得到上式的鞍点，并分别在频域内不断迭代更新uk，ωk和λ，其中本征模态分量uk和模态分量对应的中心频率ωk的迭代更新公式分别为：
Figure BDA0003898076540000123
Figure BDA0003898076540000124
其中，
Figure BDA0003898076540000125
为第n+1次迭代时中心频率为ω的第k个本征模态分量，相当于当前剩余信号
Figure BDA0003898076540000126
的维纳滤波，并且对
Figure BDA0003898076540000127
进行傅里叶变换，其实部为uk(s)；
Figure BDA0003898076540000128
为第n+1次迭代时第k个本征模态分量的中心频率，即当前模态分量功率谱的重心，
Figure BDA0003898076540000129
为频域状态下的模态函数，^表示近似等于，
Figure BDA00038980765400001210
为频域状态下的拉格朗日乘子。
在每次更新得到对应的模态分量和对应的中心频率后，根据下式更新拉格朗日乘数λ：
Figure BDA00038980765400001211
其中，τ为更新因子，
Figure BDA0003898076540000131
为实际频域振动信号。
重复上述迭代更新过程，不断更新各个模态分量、模态分量对应的中心频率和拉格朗日乘数，直到分解损失最小，输出结果，得到K个模态分量。
采用主成分分析法(PCA)对各模态分量进行影响因素特征提取，并将影响因素特征输入到训练好的AT-TCN网络(带注意力机制的时间卷积网络)中，得K个模态分量的电力负荷中间预测结果；
影响负荷预测的因素很多，其中较为重要的主要来自气象方面，AT-TCN网络输入特征向量的选取很大程度上会影响预测效果，为了提高预测精度，采用主成分分析法对K个模态分量进行影响因素特征提取，将提取的影响因素特征作为AT-TCN网络的输入特征向量。给出待分析的特征向量：待预测日同一时刻前3天负荷、待预测日前一周的平均负荷、待预测日的日最高温度、待预测日的日最低温度、待预测日的日期类型(周末取0.5，工作日取1)、待预测日的日平均湿度、待预测日的日平均降水量，共15维特征向量。基于不同的模态分量，特征向量的特征值也不同，计算各个特征向量的特征值，按降序排列，选取特征值排名前四的主成分作为神经网络模型(AT-TCN)的输入特征向量输入到AT-TCN网络参与预测。
对AT-TCN网络进行训练：
获取时间序列训练数据集，可选的，所用数据集为南京市的负荷供电数据数据集；选取2002年11月1日至2003年8月31日中国南京市的负荷供电数据以及每日气象数据。对时间序列数据集进行ISSA优化的变分模态分解，得到已分解的各本征模态分量用主成分分析法进行影响因素特征提取，将提取的影响因素特征作为AT-TCN网络的输入特征向量输入到AT-TCN网络中进行训练，采用不同的时间尺度进行训练，降低负荷数据复杂度，解决数据中存在随机性和非线性等问题；输出与各本征模态一一对应的预测结果，防止网络陷入局部最优解。对基于注意力机制时间卷积网络(AT-TCN)的短期电力负荷预测模型进行训练的过程包括：
如图3所示，TCN主要结构为扩张因果卷积。扩张卷积通过跳过部分输入的方式，将卷积核作用于更大的区域。扩张卷积通过改变扩张系数来调整感受野的大小，使网络能够灵活的调整输出所接收到的历史信息量。对于一维序列的输入x∈Rn和滤波器f:{0,1,…,k-1}→R，卷积核可以通过滤波器系数k和扩张系数d将感受野扩张，在序列中的元素s上的扩张卷积操作可以定义为：
Figure BDA0003898076540000141
其中，d为扩张因子；k为卷积核的尺度；s-d·i表示能学习到的元素s之前的历史数据。
如图4所示，TCN的残差块有两层扩张因果卷积和两层非线性激活层ReLu。对卷积后的特征图进行归一化操作使用了权重归一化。为了防止训练时过拟合，在激活层之后加入了dropout层以正则化，随机删除一些神经元，并在每一次训练后整个通道置零。在标准的残差网络ResNet中输入直接加上残差函数的输出，在TCN中输入和输出可能具有不同的长度，使用1×1卷积确保逐元素相加的长度是一致。
如图5所示，注意力机制的输入为TCN单元隐藏层状态值hτ(τ＝1,2,…,T)，结合上一时刻TCN单元隐藏状态值ht-1，得到当前时刻时序注意力权重系数
Figure BDA0003898076540000142
计算公式可表示为：
Figure BDA0003898076540000143
其中，Vd和Wd为时序注意力机制神经元权重；Ud为偏置项。
对
Figure BDA0003898076540000144
进行归一化处理，计算公式为：
Figure BDA0003898076540000145
Figure BDA0003898076540000151
量化了第τ层隐藏层状态信息对当前时刻预测输出的重要程度，对所有的权重
Figure BDA0003898076540000152
与相对应的隐藏层状态值加权求和，得到与预测状态有关的综合信息ct，其计算公式为：
Figure BDA0003898076540000153
将时间序列数据yt与ct结合作为TCN网络的预测输入yt′，即：
y′t＝W′[yt；ct]+b′
其中，W′和b′分别为TCN网络前端融合输入的权重和偏置。
时序注意力机制计算了历史关键时刻信息的权重，得到t时刻隐藏层状态值h′t：
h′t＝f1(h′t1,y′t1)
则最终的预测结果即T+1时刻时间序列数据yT+1可表示为：
yT+1＝Fθ(y1,y2,…,yT)
＝Vy(Wy[ht′；ct]+bw)+by
其中，Wy和bw分别为TCN网络的权重和偏置；Vy和by分别为整个网络在维度变换前的权重和偏置；θ为网络参数的集合，采用梯度下降法求解。
训练完成后，得到训练好的AT-TCN网络，将对实时获取的时间序列数据进行处理后得到的影响因素特征输入到训练好的AT-TCN网络中，得到K个模态分量的电力负荷中间预测结果；
将K个模态分量的中间预测结果输入到FC融合模块(全连接层融合模块)中进行求和，得到电力负荷最终预测结果。
FC网络将预测结果作为输入层进行训练，通过隐层后在输出层输出训练结果，使得预测结果能够考虑模态之间的相关性及各模态自身的重要性，进一步提升预测准确率，最终实现对原始数据的预测。
本发明还提供一种短期电力负荷预测系统，包括：数据采集模块、数据预处理模块、主成分分析模块、模态分量预测模块和FC融合模块；
所述数据采集模块从电力数据采集器和气象监测设备获取时间序列数据；
所述数据预处理模块用于对时间序列数据作预处理，得到K个模态分量；
所述主成分分析模块用于对K个模态分量进行影响因素特征提取；
所述模态分量预测模块用于采用AT-TCN网络对影响因素特征进行处理，得到K个模态分量的电力负荷中间预测结果；
所述FC融合模块用于对K个模态分量的预测结果求和，得到最终的电力负荷预测结果。
该系统用于执行上述一种短期电力负荷预测方法，其具体过程前面已给出，此处不再赘述。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种短期电力负荷预测方法，其特征在于，包括：实时获取时间序列数据，时间序列数据包括气象数据和电力负荷数据；对时间序列数据进行预处理，得到K个模态分量；采用主成分分析法对各模态分量进行影响因素特征提取，并将影响因素特征输入到训练好的AT-TCN网络中；得到K个模态分量的电力负荷中间预测结果；将K个模态分量的预测结果输入到FC融合模块中进行求和，得到电力负荷最终预测结果；
对时间序列数据进行预处理的过程包括：
根据时间序列数据计算分解损失；将分解损失作为适应度，采用ISSA算法优化VMD算法，得到最佳分解参数；
根据最佳分解参数对时间序列数据进行VMD分解，得到K个模态分量。
2.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于，计算分解损失的公式为：
Figure FDA0003898076530000011
其中，Loss表示分解损失，f(s)表示原始信号，f′(s)表示重构信号，T表示时间长度。
3.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于，得到最佳分解参数的过程包括：
S11：设置VMD分解参数范围，采用Fuch混沌映射模型初始化麻雀种群；
S12：计算麻雀种群的适应度值并排序，选取每代种群中适应度最小的P只麻雀作为发现者，其余N-P只麻雀作为加入者，S数量的个体来侦察预警作为警报者，当预警时，种群边缘的麻雀会迅速向安全区域移动，以获得更佳的位置；计算动态权重并根据动态权重对发现者、加入者以及警报者进行位置更新；
S13：采用融合自适应t变异和反向学习策略对当前最优解进行扰动，产生最新解；
S14：判断是否达最大迭代次数，若达到，则输出最优麻雀个体和最优适应度，最优麻雀个体为VMD的最佳分解参数，最优适应度为最小分解损失；否则，返回步骤S12。
4.根据权利要求3所述的一种短期电力负荷预测方法，其特征在于，计算动态权重的公式为：
Figure FDA0003898076530000021
其中，ω表示动态权重，t表示当前迭代次数，itermax表示最大迭代次数。
5.根据权利要求3所述的一种短期电力负荷预测方法，其特征在于，对发现者、加入者以及警报者进行位置更新的公式分别为：
发现者位置更新公式为：
Figure FDA0003898076530000022
其中，
Figure FDA0003898076530000023
表示第t+1次迭代后麻雀的位置，
Figure FDA0003898076530000024
表示第t次迭代后麻雀的位置，Xi,j为第i只麻雀在第j维空间的位置信息，ω表示动态权重，
Figure FDA0003898076530000025
表示第t次迭代中第j维的全局最优解，Q表示满足正态分布的随机数，L表示全部元素为1的矩阵，R2表示预警值，ST表示安全值；
加入者位置更新公式为：
Figure FDA0003898076530000026
其中，Xworst表示种群所在区域最差的位置，Xp表示发现者的最优位置，i表示麻雀的序号，n表示麻雀数量，A+表示中间参数；
警报者位置更新公式为：
Figure FDA0003898076530000031
其中，Xbest表示全局的最优位置，β表示步长，K为[0,1]的一个随机数，fi表示每个麻雀个体的适应度值；fg和fω表示种群中最佳和最差的适应度值；ε表示常数。
6.根据权利要求3所述的一种短期电力负荷预测方法，其特征在于，采用融合自适应t变异和反向学习策略对当前最优解进行扰动的过程包括：生成随机数rand∈[0,1]，计算选择概率，当选择概率小于随机数时，采用反向学习策略对当前最优解进行扰动；否则，采用融合自适应t变异对当前最优解进行扰动；根据贪心机制决定是否更新麻雀位置。
7.根据权利要求6所述的一种短期电力负荷预测方法，其特征在于，反向学习策略对当前最优解进行扰动的过程包括：根据当前最优解，采用反向学习策略求得反向解，根据反向解更新麻雀位置，更新麻雀位置的公式为：
Figure FDA0003898076530000032
Figure FDA0003898076530000033
其中，Xopbest(t)表示第t次迭代最优解的反向解，ub表示上边界，r表示随机数矩阵，lb表示下边界，
Figure FDA0003898076530000034
表示第t+1次迭代后麻雀的位置，Xbest(t)表示第t次迭代最优解，b1表示控制参数。
8.根据权利要求6所述的一种短期电力负荷预测方法，其特征在于，采用融合自适应t变异对当前最优解进行扰动的公式为：
Figure FDA0003898076530000035
其中，
Figure FDA0003898076530000036
表示第t+1次迭代后麻雀的位置，Xbest(t)表示第t次迭代最优解，t(iter)为以麻雀算法迭代次数为参数自由度的t分布。
9.根据权利要求6所述的一种短期电力负荷预测方法，其特征在于，贪心机制表达式为：
Figure FDA0003898076530000041
其中，
Figure FDA0003898076530000042
表示第t+1次迭代后麻雀的位置，Xbest(t)表示第t次迭代最优解，f(x)表示麻雀个体在x处的适应度值。
10.一种短期电力负荷预测系统，其特征在于，包括：数据采集模块、数据预处理模块、主成分分析模块、模态分量预测模块和FC融合模块；
所述数据采集模块从电力数据采集器和气象监测设备获取时间序列数据；
所述数据预处理模块用于对时间序列数据作预处理，得到K个模态分量；
所述主成分分析模块用于对K个模态分量进行影响因素特征提取；
所述模态分量预测模块用于采用AT-TCN网络对影响因素特征进行处理，得到K个模态分量的电力负荷中间预测结果；
所述FC融合模块用于对K个模态分量的预测结果求和，得到最终的电力负荷预测结果。
CN202211279440.6A 2022-10-19 2022-10-19 一种短期电力负荷预测方法及系统 Pending CN115544890A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211279440.6A CN115544890A (zh) 2022-10-19 2022-10-19 一种短期电力负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211279440.6A CN115544890A (zh) 2022-10-19 2022-10-19 一种短期电力负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN115544890A true CN115544890A (zh) 2022-12-30

Family

ID=84736126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211279440.6A Pending CN115544890A (zh) 2022-10-19 2022-10-19 一种短期电力负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN115544890A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522124A (zh) * 2023-05-31 2023-08-01 广东海洋大学 一种基于环境因素影响的溶解氧含量预测方法和系统
CN117117860A (zh) * 2023-10-20 2023-11-24 浙江大学 一种多频率时间模式渐进解缠的电力负载预测方法
CN117850367A (zh) * 2023-12-29 2024-04-09 淮阴工学院 一种基于多生产线的vmd分解与生产线优化系统
CN118336721A (zh) * 2024-06-12 2024-07-12 南京信息工程大学 基于小波包分解和ConvLSTM的电力负荷预测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815035A (zh) * 2020-06-22 2020-10-23 国网上海市电力公司 一种融合形态聚类及TCN-Attention的短期负荷预测方法
CN112329934A (zh) * 2020-11-17 2021-02-05 江苏科技大学 一种基于改进麻雀搜索算法的rbf神经网络优化算法
CN113159361A (zh) * 2020-12-03 2021-07-23 安徽大学 基于VDM和Stacking模型融合的短期负荷预测方法及系统
CN113269252A (zh) * 2021-05-26 2021-08-17 安徽理工大学 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法
CN113807594A (zh) * 2021-09-18 2021-12-17 湘潭大学 一种基于ivmd-ssa-lssvm的电力负荷预测方法
CN114065649A (zh) * 2021-11-25 2022-02-18 国网湖南省电力有限公司 一种配电变压器顶层油温短期预测方法及预测系统
CN114169639A (zh) * 2021-12-23 2022-03-11 重庆工商大学 一种企业用电量预测方法
CN114330111A (zh) * 2021-12-06 2022-04-12 江南大学 基于麻雀搜索算法和模拟电荷法的输电线电场计算方法
CN114372408A (zh) * 2021-12-11 2022-04-19 上海电机学院 基于混沌麻雀搜索算法的短期电力负荷预测方法及装置
CN114697096A (zh) * 2022-03-23 2022-07-01 重庆邮电大学 基于空时特征和注意力机制的入侵检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815035A (zh) * 2020-06-22 2020-10-23 国网上海市电力公司 一种融合形态聚类及TCN-Attention的短期负荷预测方法
CN112329934A (zh) * 2020-11-17 2021-02-05 江苏科技大学 一种基于改进麻雀搜索算法的rbf神经网络优化算法
CN113159361A (zh) * 2020-12-03 2021-07-23 安徽大学 基于VDM和Stacking模型融合的短期负荷预测方法及系统
CN113269252A (zh) * 2021-05-26 2021-08-17 安徽理工大学 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法
CN113807594A (zh) * 2021-09-18 2021-12-17 湘潭大学 一种基于ivmd-ssa-lssvm的电力负荷预测方法
CN114065649A (zh) * 2021-11-25 2022-02-18 国网湖南省电力有限公司 一种配电变压器顶层油温短期预测方法及预测系统
CN114330111A (zh) * 2021-12-06 2022-04-12 江南大学 基于麻雀搜索算法和模拟电荷法的输电线电场计算方法
CN114372408A (zh) * 2021-12-11 2022-04-19 上海电机学院 基于混沌麻雀搜索算法的短期电力负荷预测方法及装置
CN114169639A (zh) * 2021-12-23 2022-03-11 重庆工商大学 一种企业用电量预测方法
CN114697096A (zh) * 2022-03-23 2022-07-01 重庆邮电大学 基于空时特征和注意力机制的入侵检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁同、傅晓锦等: "基于GA-VMD-BiLSTM算法的风电功率预测" *
高超、孙谊媊等: "基于ICEEMDAN-ISSA-LSTM的短期电力负荷预测" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522124A (zh) * 2023-05-31 2023-08-01 广东海洋大学 一种基于环境因素影响的溶解氧含量预测方法和系统
CN117117860A (zh) * 2023-10-20 2023-11-24 浙江大学 一种多频率时间模式渐进解缠的电力负载预测方法
CN117117860B (zh) * 2023-10-20 2024-07-02 浙江大学 一种多频率时间模式渐进解缠的电力负载预测方法
CN117850367A (zh) * 2023-12-29 2024-04-09 淮阴工学院 一种基于多生产线的vmd分解与生产线优化系统
CN118336721A (zh) * 2024-06-12 2024-07-12 南京信息工程大学 基于小波包分解和ConvLSTM的电力负荷预测方法
CN118336721B (zh) * 2024-06-12 2024-08-27 南京信息工程大学 基于小波包分解和ConvLSTM的电力负荷预测方法

Similar Documents

Publication Publication Date Title
CN115544890A (zh) 一种短期电力负荷预测方法及系统
CN111027772B (zh) 基于pca-dbilstm的多因素短期负荷预测方法
Lin et al. Deep belief networks with genetic algorithms in forecasting wind speed
CN112116162B (zh) 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Goulermas et al. Density-driven generalized regression neural networks (DD-GRNN) for function approximation
CN114548592A (zh) 一种基于cemd和lstm的非平稳时间序列数据预测方法
CN112396234A (zh) 一种基于时域卷积神经网络的用户侧负荷概率预测方法
CN111079989A (zh) 一种基于dwt-pca-lstm的供水公司供水量预测装置
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN117874639B (zh) 基于人工智能的机械设备寿命预测方法及装置
Charbonnier et al. Weighted-LASSO for structured network inference from time course data
CN111274532B (zh) 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置
Wu Power load forecasts based on hybrid PSO with Gaussian and adaptive mutation and Wv-SVM
CN113947182B (zh) 基于双阶段堆叠图卷积网络的交通流预测模型构建方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN115879369A (zh) 一种基于优化LightGBM算法的磨煤机故障预警方法
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN114239945B (zh) 短期电力负荷预测方法、装置、设备及存储介质
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
Anıl et al. Deep learning based prediction model for the next purchase
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
CN118351970A (zh) 一种生态环境pm2.5浓度的预测方法
CN118157127A (zh) 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221230

RJ01 Rejection of invention patent application after publication