CN116258269A - 一种基于负荷特征分解的超短期负荷动态预测方法 - Google Patents
一种基于负荷特征分解的超短期负荷动态预测方法 Download PDFInfo
- Publication number
- CN116258269A CN116258269A CN202310253253.9A CN202310253253A CN116258269A CN 116258269 A CN116258269 A CN 116258269A CN 202310253253 A CN202310253253 A CN 202310253253A CN 116258269 A CN116258269 A CN 116258269A
- Authority
- CN
- China
- Prior art keywords
- load
- sequence
- data
- prediction
- follows
- 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 58
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 18
- 230000000737 periodic effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 230000007774 longterm Effects 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000001808 coupling effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims description 3
- 238000000700 time series analysis Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002457 bidirectional effect Effects 0.000 abstract description 2
- 238000005070 sampling Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06N3/02—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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于负荷特征分解的超短期负荷动态预测方法，主要包括：步骤1、利用3δ法对原负荷数据进行预处理；步骤2、利用改进的自适应噪声完备集合经验模态分解算法分解负荷序列；步骤3、基于时间序列分析和近似熵方法对分解后的分量进行分组集成；步骤4、通过灰色关联度分析筛选影响因子，构造不同的特征集；步骤5、将各数据集分别输入到卷积神经网络进行特征提取，随后利用双向长短时记忆神经网络进行多数据驱动的动态预测；步骤6、将各子序列预测结果叠加，得到负荷预测值。有益效果在于，解决了现有负荷预测技术中难以融合多源异构影响因素协同预测、以及难以模拟负荷变化动态特性等问题。
Description
技术领域
本发明属于电力负荷超短期监测技术领域，涉及一种基于负荷特征分解的超短期负荷动态预测方法。
背景技术
精准的负荷预测对于提高电力规划和电网稳定性有着重要意义。然而大规模新能源并网发电和用户用电行为的日益多样化给用户侧电力系统的稳定运行带来了与日俱增的不确定性。此外，由于影响负荷的因素众多，且各影响因素之间存在复杂的相互作用，使得合理构建负荷预测模型尤为困难。传统的负荷预测方法存在难以捕捉天气、社会环境等因素与负荷之间复杂关系的缺点，致使预测精度不高。为了更好地挖掘海量数据中蕴含的有效信息，提高算法的预测精度，针对用户侧负荷变化的连续性、周期性和非线性的特点，本发明公开了一种基于数据驱动的电力负荷超短期动态预测方法，为电气负荷的准确预测提供了理论依据和技术支撑。
发明内容
本发明的目的是提供一种基于数据驱动的电力负荷超短期动态预测方法，解决了现有负荷预测技术中难以融合多源异构影响因素进行协同预测，以及难以模拟电力负荷序列动态特性等问题。
本发明所采用的技术方案是，一种基于负荷特征分解的超短期负荷动态预测方法，具体按照以下步骤实施：
步骤1、为提高负荷预测精度，在预测模型进行训练之前利用数据预处理技术“3δ”法对负荷数据进行异常值剔除及缺失值填补处理；
步骤2、利用改进的自适应噪声完备集合经验模态分解(Improved CompleteEnsemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)算法对电力负荷序列进行分解，使确定性因素引起的负荷波动序列平稳化；
步骤3、基于时间序列分析原理的先验知识，针对负荷变化的连续性、周期性和非线性的特点，结合近似熵方法，对分解后的负荷分量进行分组集成，划分出电力负荷序列的趋势性、周期性和随机性子序列；
步骤4、通过灰色关联度分析影响因素与负荷之间的相关性，为预测模型筛选关联度较大的影响因子变量，构造不同的数据集，实现不同模态分量之间的规律互补；
步骤5、将构造的各数据集输入到卷积神经网络(Convolutional NeuralNetworks,CNN)进行特征深度提取，再将特征向量以时序序列方式构造并作为双向长短时记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)的输入数据，进行多数据驱动的动态单步预测；
步骤6、将各负荷子序列预测值叠加，得到负荷预测值，完成预测。
本发明的特点还在于：
步骤1具体按照以下实施：
利用“3δ”法对负荷数据进行预测处理，剔除异常值。对于样本数为n的负荷序列，假设第i次监测值为xi(i＝1,2,...,n)，则第i次监测的跳动特征可定义为：
Ti＝|2×xi-(xi+1+xi+2)|(1)
跳动均值为：
均方差为：
相对差值为：
若第i次监测的相对差值δi＞3，则该数据作为异常值剔除，并通过插值法填充剔除的数据值。
步骤2具体按照以下实施：
基于ICEEMDAN算法分解负荷时间序列的步骤如下：
①向电力负荷时间序列x添加I组高斯白噪声，构建新的信号x(i)，并通过EMD法得到第一阶残差r1和本征模函数(Intrinsic Mode Function,IMF)，公式如下：
x(i)＝x+β0E1(w(i)) (5)
式中，w(i)表示高斯白噪声；E1为第一阶模态分量；β0为噪声系数。得到第一阶残差信号r1：
式中，M为局部均值算子。随后与原始序列x作差，计算第一阶IMF：
IMF1＝x-r1 (7)
②循环计算计算第k阶IMF和残差rk，公式如下：
IMFk＝rk-1-rk (9)
直至残差序列极值点小于2，分解步骤结束。
步骤3具体按照以下实施：
考虑到电力负荷相关数据为典型的时间序列数据，因此本发明基于时间序列分析预测的先验知识，将预处理后的负荷数据划分为以下三个组成部分，如式(10)所示
X(t)＝α(t)+β(t)+γ(t) (10)式中，X(t)为t时刻的实际负荷；α(t)为t时刻的趋势负荷序列，反映序列数据随时间的长期性变化趋势；β(t)为t时刻的周期负荷序列，反映序列以固定周期重复的效应；γ(t)为t时刻的随机产生的负荷波动，反映序列数据中由随机扰动因素诱发的波动。在实际应用过程中，考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数。因此，为保证各分量能够赋予时间序列明确的物理意义，在负荷序列分解前需要将其先进行累加操作，以使残差序列能够作为负荷序列的趋势项子序列，表征负荷序列的长期变化趋势。
近似熵常用于表征一个时间序列在模式上的自相似程度，越大的近似熵值代表序列复杂度越大，而周期规律较强的时间序列分量对应的近似熵值则越小。考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数，与时间序列分析原理中的趋势项物理意义相符。因此，本发明将ICEEMDAN算法分解得到的残差项作为电力负荷时间序列的趋势项子序列。随后，利用近似熵方法计算各IMFs的近似熵值，将大于近似熵平均值的IMF叠加作为电力负荷时间序列的随机项子序列，将小于近似熵平均值的IMF叠加作为电力负荷时间序列的周期项子序列。
步骤4具体按照以下实施：
输入向量的选择是否合理将直接影响最终模型的预测效果。因此，通过对各类影响因素分析，选择以下因子作为各负荷分量的影响因素：
(1)对于趋势性负荷子序列体现出的随时间推移长期增长的趋势。将时间特征可以作为趋势项子序列影响因子。时间特征主要包括负荷的星期类型特征和日内用户用电习惯特征。星期类型中周一至周五线性映射至0.5，周六和周日映射为0.8，法定节假日映射为1；另外，日内用户用电习惯特征使用1，2和3作为标签，分别代表谷、平和峰时用电。
(2)负荷周期波动规律受影响因素众多，并且多个气象之间还会产生耦合效果。而耦合效果形成的综合气象指数的影响是远大于单一气象因素的。为此，本发明除温度T、相对湿度Rh、风速v、气压hPa、太阳总辐射W/m2和节假日等因素外，还兼顾了多种综合气象指标，主要包括实感温度(Effective Temperature,ET)、温湿指数(Temperature HumidityIndex,THI)及人体舒适度(Human Comfort Index,HCI)。定义如下：
THI＝32+T×1.8-0.55(1-Rh)×(T×1.8-2.6)(12)
输入向量的选择是否合理将直接影响最终模型的预测效果。合理的输入向量不仅可以降低预测模型的计算量，还可以有效提高模型的预测精度。因此，本发明利用灰色关联度分析变量与负荷序列之间的相关性，从而筛选关联度较高的影响因素作为模型输入，计算步骤如下：
(1)将负荷序列作为参考序列x0。将x1,x2,......等影响因素作为比较数列。
(2)采用初值法对各影响因子数据及参考序列进行无量纲化，如下式所示
xi'(k)＝xi(k)/xi(1)(14)式中:xi(k)为第i个参考序列的第k个数据，xi(1)为该列第1个不为空的数据。
(3)计算灰色关联系数，如下式所示：
式中:ρ为分辨系数；
(4)求关联度ri，如下式所示：
当ρ为分辨系数取0.5时，关联度值大于等于0.6，则说明序列之间有较强的相关性。
步骤5具体按照以下实施：
本发明采用CNN神经网络的一维卷积运算提取数据特征，再将特征向量以时序序列方式构造并作为BiLSTM网络的输入数据进行多数据驱动的动态单步预测。其中CNN一维卷积运算公式为：
式中：Mj为第j层输入特征量；f为激活函数；
表示卷积运算；W为权重；bj为偏置项。
标准LSTM的基本单元由三个门结构：输入门it、遗忘门ft和输出门ot，以及两个状态：长期状态ct、短期状态ht组成，其主要结构算法如式(18-23)所示：
ft＝σ(Wf·[ht-1,xt]+bf) (18)
it＝σ(Wi·[ht-1,xt]+bi) (19)
ot＝σ(Wo·[ht-1,xt]+bo) (22)
ht＝ot·tanh(ct) (23)式中：σ为sigmoid函数；xt表示当前时刻的序列输入；向量ct用来储存将要添加至新单元状态的候选值；ct表示更新状态。
BiLSTM神经网络是由两个方向相反的LSTM组成的。对于BiLSTM的t时刻输出值yt，其数学表达式为：
双向网络结构能够进一步学习负荷时间序列的“未来”信息。
步骤6具体按照以下实施：
将各负荷子序列预测值叠加，得到负荷预测值，完成预测。
本发明的有益效果是：首先，在数据预处理阶段利用“3δ”法对负荷时间序列进行异常值剔除处理，并利用引入ICEEMDAN算法对序列进行分解，降低电力负荷序列的复杂度和非平稳性。并利用近似熵方法对分解所得的IMFs进行分组集成，得到相对平稳的周期信号，剥离随机信号，使确定性因素引起的负荷波动序列平稳化。随后，在数据集构造阶段，按照时间序列的分析原理的先验知识划分出电力负荷序列的趋势项、周期项和随机项子序列，并通过灰色关联度分析变量与负荷之间的相关性，为预测模型筛选关联度较大的影响因子变量，构造不同的数据集，实现不同模态分量之间的规律互补。最后，在模型预测阶段，将历史负荷数据和相关的影响因子数据集输入到CNN进行特征提取，再将特征向量以时序序列方式构造并作为BiLSTM神经网络的输入数据进行多数据驱动的动态单步预测。其中，CNN能够通过卷积层和池化层交替使用，从原始数据中提取数据的局部特征，建立稠密、完备的特征向量，充分发挥数据特征挖掘的优势；LSTM隐藏层节点在预测进行预测任务时，会连接历史信息作为输入样本，使得隐藏状态包含输入样本的历史特征，从而使模型动态学习电力负荷序列波动规律。解决了现有负荷预测技术中难以融合多源异构影响因素进行协同预测、以及难以模拟电力负荷序列动态特性等问题。
附图说明
图1是本发明一种基于负荷特征分解的超短期负荷动态预测方法中近似熵算法流程图；
图2是本发明一种基于负荷特征分解的超短期负荷动态预测方法中BiLSTM模型示意图；
图3是本发明一种基于负荷特征分解的超短期负荷动态预测方法中CNN-BiLSTM预测模型的结构示意图；
图4是本发明一种基于负荷特征分解的超短期负荷动态预测方法中系统总体流程图；
图5是本发明一种基于负荷特征分解的超短期负荷动态预测方法中负荷数据集展示图；
图6是本发明一种基于负荷特征分解的超短期负荷动态预测方法中ICEEMDAN算法分解负荷时间序列结果图；
图7是本发明一种基于负荷特征分解的超短期负荷动态预测方法中重构后的周期信号图；
图8是本发明一种基于负荷特征分解的超短期负荷动态预测方法中周期信号的频谱图；
图9是本发明一种基于负荷特征分解的超短期负荷动态预测方法中负荷预测结果图；
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于负荷特征分解的超短期负荷动态预测方法，具体按照以下步骤实施：
步骤1具体按照以下实施：利用“3δ”法对负荷数据进行预测处理，剔除异常值。对于样本数为n的负荷序列，假设第i次监测值为xi(i＝1,2,...,n)，则第i次监测的跳动特征可定义为：
Ti＝|2×xi-(xi+1+xi+2)|(1)
跳动均值为：
均方差为：
相对差值为：
若第i次监测的相对差值δi＞3，则该数据作为异常值剔除，并通过插值法填充剔除的数据值。
步骤2具体按照以下实施：
基于ICEEMDAN算法分解负荷时间序列的步骤如下：
①向电力负荷时间序列x添加I组高斯白噪声，构建新的信号x(i)，并通过EMD法得到第一阶残差r1和IMF，公式如下：
x(i)＝x+β0E1(w(i)) (5)
式中，w(i)表示高斯白噪声；E1为第一阶模态分量；β0为噪声系数。得到第一阶残差信号r1：
式中，M为局部均值算子。随后与原始序列x作差，计算第一阶IMF：
IMF1＝x-r1 (7)
②循环计算计算第k阶IMF和残差rk，公式如下：
IMFk＝rk-1-rk (9)
直至残差序列极值点小于2，分解步骤结束。
步骤3具体按照以下实施：
考虑到电力负荷相关数据为典型的时间序列数据，因此本发明基于时间序列分析预测的先验知识，将预处理后的负荷数据划分为以下三个组成部分，如式(10)所示
X(t)＝α(t)+β(t)+γ(t) (10)
式中，X(t)为t时刻的实际负荷；α(t)为t时刻的趋势负荷序列，反映序列数据随时间的长期性变化趋势；β(t)为t时刻的周期负荷序列，反映序列以固定周期重复的效应；γ(t)为t时刻的随机产生的负荷波动，反映序列数据中由随机扰动因素诱发的波动。在实际应用过程中，考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数。因此，为保证各分量能够赋予时间序列明确的物理意义，在负荷序列分解前需要将其先进行累加操作，以使残差序列能够作为负荷序列的趋势项子序列，表征负荷序列的长期变化趋势。
近似熵常用于表征一个时间序列在模式上的自相似程度，越大的近似熵值代表序列复杂度越大，而周期规律较强的时间序列分量对应的近似熵值则越小，其算法流程如图1所示。考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数，与时间序列分析原理中的趋势项物理意义相符。因此，本发明将ICEEMDAN算法分解得到的残差项作为电力负荷时间序列的趋势项子序列。随后，利用近似熵方法计算各IMFs的近似熵值，将大于近似熵平均值的IMF叠加作为电力负荷时间序列的随机项子序列，将小于近似熵平均值的IMF叠加作为电力负荷时间序列的周期项子序列。
步骤4具体按照以下实施：
输入向量的选择是否合理将直接影响最终模型的预测效果。因此，通过对各类影响因素分析，选择以下因子作为各负荷分量的影响因素：
(1)对于趋势性负荷子序列体现出的随时间推移长期增长的趋势。将时间特征可以作为趋势项子序列影响因子。时间特征主要包括负荷的星期类型特征和日内用户用电习惯特征。星期类型中周一至周五线性映射至0.5，周六和周日映射为0.8，法定节假日映射为1；另外，日内用户用电习惯特征使用1，2和3作为标签，分别代表谷、平和峰时用电。
(2)负荷周期波动规律受影响因素众多，并且多个气象之间还会产生耦合效果。而耦合效果形成的综合气象指数的影响是远大于单一气象因素的。为此，本发明除温度T、相对湿度Rh、风速v、气压hPa、太阳总辐射W/m2和节假日等因素外，还兼顾了多种综合气象指标，主要包括实感温度(ET)、温湿指数(HCI)及人体舒适度(THI)。定义如下：
THI＝32+T×1.8-0.55(1-Rh)×(T×1.8-2.6)(12)
输入向量的选择是否合理将直接影响最终模型的预测效果。合理的输入向量不仅可以降低预测模型的计算量，还可以有效提高模型的预测精度。因此，本发明利用灰色关联度分析变量与负荷序列之间的相关性，从而筛选关联度较高的影响因素作为模型输入，计算步骤如下：
(1)将负荷序列作为参考序列x0。将x1,x2,......等影响因素作为比较数列。
(2)采用初值法对各影响因子数据及参考序列进行无量纲化，如下式所示
xi'(k)＝xi(k)/xi(1)(14)式中:xi(k)为第i个参考序列的第k个数据，xi(1)为该列第1个不为空的数据。
(3)计算灰色关联系数，如下式所示：
式中:ρ为分辨系数；
(4)求关联度ri，如下式所示：
当ρ为分辨系数取0.5时，关联度值大于等于0.6，则说明序列之间有较强的相关性。
步骤5具体按照以下实施：
本发明采用CNN神经网络的一维卷积运算提取数据特征，再将特征向量以时序序列方式构造并作为BiLSTM网络的输入数据进行多数据驱动的动态单步预测。其中CNN一维卷积运算公式为：
式中：Mj为第j层输入特征量；f为激活函数；
表示卷积运算；W为权重；bj为偏置项。
标准LSTM的基本单元由三个门结构：输入门it、遗忘门ft和输出门ot，以及两个状态：长期状态ct、短期状态ht组成，其主要结构算法如式(18-23)所示：
ft＝σ(Wf·[ht-1,xt]+bf) (18)
it＝σ(Wi·[ht-1,xt]+bi) (19)
ot＝σ(Wo·[ht-1,xt]+bo) (22)
ht＝ot·tanh(ct) (23)式中：σ为sigmoid函数；xt表示当前时刻的序列输入；向量
用来储存将要添加至新单元状态的候选值；ct表示更新状态。
BiLSTM神经网络是由两个方向相反的LSTM组成的。对于BiLSTM的t时刻输出值yt，其数学表达式为：
双向网络结构能够进一步学习负荷时间序列的“未来”信息，其网络结构如图2所示。CNN-BiLSTM模型网络结构如图3所示。
步骤6具体按照以下实施：
将各负荷子序列预测值叠加，得到负荷预测值，完成预测。系统总体流程图如图4所示。
实施例
本发明选取四川某社区直柔微网系统用户侧实测数据作为数据集，融合家居、办公、楼宇不同应用场景，将采集到的共计696组负荷数据样本作为数据集建立模型，其中采样间隔为1h。为提高负荷预测精度，在建立预测模型进行训练之前利用数据预处理技术“3δ”法对负荷数据进行异常值剔除处理及缺失值填补，处理后的负荷曲线如图5所示。随后利用ICEEMDAN算法对电力负荷原始时间序列进行数据预处理，算法处理结果如图6所示，将呈单调递增的余量IMF8作为趋势性负荷序列。
随后利用近似熵算法计算各IMF1-IMF7分量的近似熵值，计算结果如表1所示：
表1各IMFs近似熵值计算结果
将高于近似熵平均值的IMF2作为随机性负荷序列，将低于近似熵平均值的IMFs作为周期性负荷序列，进行叠加重组。叠加后序列如图7所示。
为检验重构后周期信号的合理性，采用周期频谱图对信号进行快速傅里叶变换，得到一个时域信号在频域下的特征，通过分析频谱图的振幅与频率得到序列数据的周期，检验重构后周期信号的合理性。本发明设定抽样频率为1000，计算结果如下图8所示。得到主要频率成分(频率最大值)为41.69，将所得结果除以抽样频率计算得到信号周期周期为23.98。故判断可得周期项存在周期特征且周期约为24个小时，与现实1天周期条件相符。
随后，利用灰色关联度分析变量与负荷之间的相关性，从而筛选关联度较高的因素作为模型输入。各影响因素与周期项负荷子序列和随机项负荷子序列的灰色关联度计算结果如表2所示：
表2各影响因子的灰色关联度值
将太阳总辐射、湿度和HCL作为周期性负荷影响因子，将风速、温度、气压和THI和作为随机性负荷影响因子。为消除特征数值间的差异，将各数据归一化加入到CNN-LSTM预测模型的输入序列中。
为构建具有最优训练效果的预测模型，本发明利用贝叶斯优化算法，基于历史目标函数评估信息，建立概率代理模型，将测试集正确率作为目标函数，筛选参数组合。此外，以交叉熵(CE)作为损失函数，使用梯度下降法修正CNN-BiLSTM网络中的权值矩阵和偏置项。
基于CNN-BiLSTM混合模型的超短期负荷动态预测具体实现过程如下：
将696组样本数据中的前672组样本用于训练及验证，后24组样本用于测试。趋势项负荷子序列预测曲线的平均相对误差和均方根误差分别为0.368％和3.171KW；周期项负荷子序列预测曲线的平均相对误差和均方根误差分别为3.085％和0.261KW；随机项负荷子序列预测曲线的平均相对误差和均方根误差分别为5.015％和0.153KW。
将预测所得趋势性负荷、周期性负荷和随机性负荷预测结果进行累加，得到最终超短期负荷预测值。最后将累积负荷预测值进行反叠加计算得到预测结果如图9所示。可以看出预测值与监测值基本吻合，平均相对误差为0.349％，均方根误差为3.231KW，总体能够较好地反映超短期负荷变化的规律。
Claims (7)
1.一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，具体按照以下步骤实施：
步骤1、为提高负荷预测精度，在预测模型进行训练之前利用数据预处理技术“3δ”法对负荷数据进行异常值剔除处理及缺失值填补；
步骤2、利用改进的自适应噪声完备集合经验模态分解(Improved Complete EnsembleEmpirical Mode Decomposition with Adaptive Noise,ICEEMDAN)算法对电力负荷序列进行分解，使确定性因素引起的负荷波动序列平稳化；
步骤3、基于时间序列分析原理的先验知识，针对负荷变化的连续性、周期性和非线性的特点，结合近似熵方法，对分解后的负荷分量进行分组集成，划分出电力负荷序列的趋势性、周期性和随机性子序列；
步骤4、通过灰色关联度分析影响因素与负荷之间的相关性，为预测模型筛选关联度较大的影响因子变量，构造不同的数据集，实现不同模态分量之间的规律互补；
步骤5、将构造的各数据集输入到卷积神经网络(Convolutional Neural Networks,CNN)进行特征深度提取，再将特征向量以时序序列方式构造并作为双向长短时记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)的输入数据，进行多数据驱动的动态单步预测；
步骤6、将各负荷子序列预测值叠加，得到负荷预测值，完成预测。
2.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤1具体按照以下实施：
利用“3δ”法对负荷数据进行预测处理，剔除异常值。对于样本数为n的负荷序列，假设第i次监测值为xi(i＝1,2,...,n)，则第i次监测的跳动特征可定义为：
Ti＝|2×xi-(xi+1+xi+2)| (1)
跳动均值为：
均方差为：
相对差值为：
若第i次监测的相对差值δi＞3，则该数据作为异常值剔除，并通过插值法填充剔除的数据值。
3.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤2具体按照以下实施：
基于ICEEMDAN算法分解负荷时间序列的步骤如下：
①向电力负荷时间序列x添加I组高斯白噪声，构建新的信号x(i)，并通过EMD法得到第一阶残差r1和(Intrinsic Mode Function,IMF)，公式如下：
x(i)＝x+β0E1(w(i)) (5)
式中，w(i)表示高斯白噪声；E1为第一阶模态分量；β0为噪声系数。得到第一阶残差信号r1：
式中，M为局部均值算子。随后与原始序列x作差，计算第一阶IMF：
IMF1＝x-r1 (7)
②循环计算计算第k阶IMF和残差rk，公式如下：
IMFk＝rk-1-rk (9)
直至残差序列极值点小于2，分解步骤结束。
4.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤3具体按照以下实施：
考虑到电力负荷相关数据为典型的时间序列数据，因此本发明基于时间序列分析预测的先验知识，将预处理后的负荷数据划分为以下三个组成部分，如式(10)所示
X(t)＝α(t)+β(t)+γ(t) (10)
式中，X(t)为t时刻的实际负荷；α(t)为t时刻的趋势负荷序列，反映序列数据随时间的长期性变化趋势；β(t)为t时刻的周期负荷序列，反映序列以固定周期重复的效应；γ(t)为t时刻的随机产生的负荷波动，反映序列数据中由随机扰动因素诱发的波动。在实际应用过程中，考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数。因此，为保证各分量能够赋予时间序列明确的物理意义，在负荷序列分解前需要将其先进行累加操作，以使残差序列能够作为负荷序列的趋势项子序列，表征负荷序列的长期变化趋势。
近似熵常用于表征一个时间序列在模式上的自相似程度，越大的近似熵值代表序列复杂度越大，而周期规律较强的时间序列分量对应的近似熵值则越小。考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数，与时间序列分析原理中的趋势项物理意义相符。因此，本发明将ICEEMDAN算法分解得到的残差项作为电力负荷时间序列的趋势项子序列。随后，利用近似熵方法计算各IMFs的近似熵值，将大于近似熵平均值的IMF叠加作为电力负荷时间序列的随机项子序列，将小于近似熵平均值的IMF叠加作为电力负荷时间序列的周期项子序列。
5.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤4具体按照以下实施：
输入向量的选择是否合理将直接影响最终模型的预测效果。因此，通过对各类影响因素分析，选择以下因子作为各负荷分量的影响因素：
(1)对于趋势性负荷子序列体现出的随时间推移长期增长的趋势。将时间特征可以作为趋势项子序列影响因子。时间特征主要包括负荷的星期类型特征和日内用户用电习惯特征。星期类型中周一至周五线性映射至0.5，周六和周日映射为0.8，法定节假日映射为1；另外，日内用户用电习惯特征使用1，2和3作为标签，分别代表谷、平和峰时用电。
(2)负荷周期波动规律受影响因素众多，并且多个气象之间还会产生耦合效果。而耦合效果形成的综合气象指数的影响是远大于单一气象因素的。为此，本发明除温度T、相对湿度Rh、风速v、气压hPa、太阳总辐射W/m2和节假日等因素外，还兼顾了多种综合气象指标，主要包括实感温度(Effective Temperature,ET)、温湿指数(Temperature Humidity Index,THI)及人体舒适度(Human Comfort Index,HCI)定义如下：
THI＝32+T×1.8-0.55(1-Rh)×(T×1.8-2.6)(12)
输入向量的选择是否合理将直接影响最终模型的预测效果。合理的输入向量不仅可以降低预测模型的计算量，还可以有效提高模型的预测精度。因此，本发明利用灰色关联度分析变量与负荷序列之间的相关性，从而筛选关联度较高的影响因素作为模型输入，计算步骤如下：
(1)将负荷序列作为参考序列x0。将x1,x2,......等影响因素作为比较数列。
(2)采用初值法对各影响因子数据及参考序列进行无量纲化，如下式所示
xi'(k)＝xi(k)/xi(1)(14)式中:xi(k)为第i个参考序列的第k个数据，xi(1)为该列第1个不为空的数据。
(3)计算灰色关联系数，如下式所示：
式中:ρ为分辨系数；
(4)求关联度ri，如下式所示：
当ρ为分辨系数取0.5时，关联度值大于等于0.6，则说明序列之间有较强的相关性。
6.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤5具体按照以下实施：
本发明采用CNN神经网络的一维卷积运算提取数据特征，再将特征向量以时序序列方式构造并作为BiLSTM网络的输入数据进行多数据驱动的动态单步预测。其中CNN一维卷积运算公式为：
式中：Mj为第j层输入特征量；f为激活函数；
表示卷积运算；W为权重；bj为偏置项。
标准LSTM的基本单元由三个门结构：输入门it、遗忘门ft和输出门ot，以及两个状态：长期状态ct、短期状态ht组成，其主要结构算法如式(18-23)所示：
ft＝σ(Wf·[ht-1,xt]+bf) (18)
it＝σ(Wi·[ht-1,xt]+bi) (19)
ot＝σ(Wo·[ht-1,xt]+bo) (22)
ht＝ot·tanh(ct) (23)
式中：σ为sigmoid函数；xt表示当前时刻的序列输入；向量
用来储存将要添加至新单元状态的候选值；ct表示更新状态。
BiLSTM神经网络是由两个方向相反的LSTM组成的。对于BiLSTM的t时刻输出值yt，其数学表达式为：
双向网络结构能够进一步学习负荷时间序列的“未来”信息。
7.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤6具体按照以下实施：
将各负荷子序列预测值叠加，得到负荷预测值，完成预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310253253.9A CN116258269A (zh) | 2023-03-16 | 2023-03-16 | 一种基于负荷特征分解的超短期负荷动态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310253253.9A CN116258269A (zh) | 2023-03-16 | 2023-03-16 | 一种基于负荷特征分解的超短期负荷动态预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116258269A true CN116258269A (zh) | 2023-06-13 |
Family
ID=86687829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310253253.9A Pending CN116258269A (zh) | 2023-03-16 | 2023-03-16 | 一种基于负荷特征分解的超短期负荷动态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116258269A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
-
2023
- 2023-03-16 CN CN202310253253.9A patent/CN116258269A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
| CN116826745B (zh) * | 2023-08-30 | 2024-02-09 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108256697B (zh) | 一种用于电力系统短期负荷的预测方法 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN112633604B (zh) | 一种基于i-lstm的短期用电量预测方法 | |
| CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN113052469B (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
| CN116258269A (zh) | 一种基于负荷特征分解的超短期负荷动态预测方法 | |
| CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
| Zhang et al. | Interval prediction of ultra-short-term photovoltaic power based on a hybrid model | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN115222138A (zh) | 一种基于eemd-lstm微网光伏短期功率区间预测方法 | |
| CN113361782B (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| CN115860277B (zh) | 一种数据中心能耗预测方法及系统 | |
| CN110659775A (zh) | 一种基于lstm改进的电力短时负荷预测算法 | |
| Ji et al. | Multi-model fusion short-term power load forecasting based on improved WOA optimization | |
| CN115293406A (zh) | 基于CatBoost和Radam-LSTM的光伏发电功率预测方法 | |
| CN111539573B (zh) | 一种风光互补离网系统的功率预测方法及系统 | |
| CN113449466A (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
| Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network | |
| CN114243695B (zh) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 | |
| CN117313043B (zh) | 一种风力发电功率预测方法 |
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 |