CN116702625A - 一种基于woa优化的woa-vmd-lstm功率预测方法 - Google Patents

一种基于woa优化的woa-vmd-lstm功率预测方法 Download PDF

Info

Publication number
CN116702625A
CN116702625A CN202310838680.3A CN202310838680A CN116702625A CN 116702625 A CN116702625 A CN 116702625A CN 202310838680 A CN202310838680 A CN 202310838680A CN 116702625 A CN116702625 A CN 116702625A
Authority
CN
China
Prior art keywords
woa
vmd
prediction
lstm
modal
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
CN202310838680.3A
Other languages
English (en)
Inventor
何诗英
杨天博
陈晓娇
张秀青
黄连生
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.)
Hefei Institutes of Physical Science of CAS
Original Assignee
Hefei Institutes of Physical Science of CAS
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 Hefei Institutes of Physical Science of CAS filed Critical Hefei Institutes of Physical Science of CAS
Priority to CN202310838680.3A priority Critical patent/CN116702625A/zh
Publication of CN116702625A publication Critical patent/CN116702625A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于WOA优化的WOA‑VMD‑LSTM功率预测方法，该方案是在变分模态分解VMD和长短期记忆神经网络LSTM相结合的功率预测模型的基础上加入一个鲸鱼优化算法WOA，得到WOA‑VMD‑LSTM分布式能源系统功率预测模型。模型包括：将原始数据序列通过WOA参数优化的VMD数据分解算法分解为多个具有不同特征的数据信息序列IMF；再将每个IMF送入对应的LSTM预测模型中进行数据预测，得到各自的预测结果；最后将各个IMF的预测结果进行叠加重构得到最终的预测结果。加入WOA‑VMD数据分解环节可有效地避免因序列特征混叠导致预测精度下降的问题，提高了整个预测模型的预测精度。

Description

一种基于WOA优化的WOA-VMD-LSTM功率预测方法
技术领域
本发明涉及分布式工业园区能源的功率预测领域，特别涉及一种基于WOA优化的WOA-VMD-LSTM功率预测方法。
背景技术
在工业园区中，时间序列预测对于能源的合理化运用以及整个分布式工业园区的优化调度起着重要作用。分布式工业园区时间序列是由具有不同的特征项的信息序列组成的，因此如何将数据序列分解为具有不同特征的序列是至关重要的。使用变分模态分解(Variational Mode Decomposition,简称VMD)这样有助于减少不同的特征项之间的相互影响，在VMD分解数据的过程中模态数k和惩罚因子α会影响VMD分解的精度，k取值过大会导致过分解，反之，则会欠分解，α取值过大，会造成频带信息丢失，反之，会信息冗余。
发明内容
本发明的目的是针对工业园区中不同的时间序列预测，利用VMD(变分模态分解，variational mode decomposition，简称VMD)分解原数据序列，并组合WOA(WhaleOptimization Algorithm，简称WOA)和LSTM(长短期神经网络，Long Short-Term Memory,简称LSTM)模型，建立更好预测效果的WOA-VMD-LSTM预测模型。
为达到上述目的，本发明提供了一种基于WOA优化的WOA-VMD-LSTM功率预测方法，具体方案如下：
S1，对原始时间序列功率数据进行VMD分解，将原始时间序列功率数据分解为多个模态分量IMF序列(内涵模态分量，Intrinsic Mode Functions,IMF)，每个模态分量IMF序列具有不同的数据特征信息。
S2，构建WOA-VMD预测模型，通过WOA参数优化算法对VMD分解的核心参数模态数k和惩罚因子α进行参数寻优处理，得到模态数k和惩罚因子α的最优的参数组合；其中，模态数k为模态分量IMF序列的个数，惩罚因子α为每个模态分量IMF序列对应的数据特征信息。
S3，建立LSTM神经网络，选取LSTM的隐藏层个数和激活函数，并分配训练集和测试集对LSTM网络进行训练。
S4，构建WOA-VMD-LSTM预测模型，将经过WOA-VMD预测模型分解得到的各IMF数据分量分别送入LSTM预测模型中进行预测，得到预测结果。
一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后，执行如上述任一所述的方法。
一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如上述任一所述的方法。
本发明的有益效果在于：
1)、利用VMD数据分解的方法将功率数据进行有特征性的分解，将不同特征的数据序列分别送入LSTM预测模型进行预测，有效的提高了预测模型的精确度。
2)、采取了WOA参数优化算法优化VMD分解过程中的模态数k和惩罚因子α，大大提高预测算法的使用范围，提高算法的适用性与可实现性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为WOA-VMD-LSTM组合模型流程图；
图2为WOA算法流程图；
图3为WOA-VMD-LSTM预测结果图。
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、完整地说明，显然，所描述的实施例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它实施例，都属于本发明保护的范围。
如图1所示，提供一种基于WOA优化的WOA-VMD-LSTM功率预测方法，包括以下步骤：
S1，对原始时间序列功率数据进行VMD分解，将原始时间序列功率数据分解为多个模态分量IMF序列(内涵模态分量，Intrinsic Mode Functions,IMF)，每个模态分量IMF序列具有不同的数据特征信息。
S2，构建WOA-VMD预测模型，通过WOA参数优化算法对VMD分解的核心参数模态数k和惩罚因子α进行参数寻优处理，得到模态数k和惩罚因子α的最优的参数组合；其中，模态数k为模态分量IMF序列的个数，惩罚因子α为每个模态分量IMF序列对应的数据特征信息。
其中，如图2所示，WOA参数优化算法流程具体包括以下步骤：
S21，参数初始化，所述参数包括鲸鱼种群向量位置[k，α]、迭代次数，第i个个体位置如下：
Xi＝r·(ub-lb)+lb
式中r∈[0,1]内随机数，Xi的取值范围为[lb，ub]，lb为参数边界最小值，ub为参数边界最大值。
S22，当p＜0.5且|A|≦1时，根据最佳搜索代理进行收缩包围式，如式(1)所示：
式中：p均为随机数，且取值范围均为[0,1]，t为当前迭代次数，tmax是最大迭代次数，α在迭代过程中线性下降至0，/>是当前解位置向量，/>是当前最优解位置向量，/>和/>是系数向量，/>表示求绝对值的含义；
当p＜0.5且|A|＞1时，进行迭代更新如式(2)所示，式中为随机选取鲸鱼位置向量；
当p≥0.5时，采用螺旋收缩方式迭代如式(3)所示：
式中：模拟鲸群与猎物之间的距离，b为定义螺线常数，l为(-1,1)之间随机数。
S23，判断是否满足终止条件，即t＝tmax，达到最大迭代次数，且式(2)中惩罚因子α减小到0，若不满足，则返回步骤S22，若满足，则得到搜索出的最佳参数组合。
S3，建立LSTM神经网络，选取LSTM的隐藏层个数和激活函数，并分配训练集和测试集对LSTM网络进行训练。
S4，构建WOA-VMD-LSTM预测模型，将经过WOA-VMD预测模型分解得到的各IMF数据分量分别送入LSTM预测模型中进行预测，得到预测结果。
分别计算WOA-VMD-LSTM预测模型预测的各个IMF分量预测结果与原始数据的均方根误差RMSE和均方误差MSE。
分别计算VMD-LSTM预测模型的均方根误差RMSE、均方误差MAE。
上述实验结果表1所示。WOA-VMD-LSTM预测结果图如图3所示。
表1
模型 RMSE MAE
VMD-LSTM 108.85 83.09
WOA-VMD-LSTM 38.29 38.29
由表1可知，WOA-VMD-LSTM模型的整体预测误差偏低，这是因为VMD数据分解模块中选择了最优参数，使得原始数据中具有不同特征的信息数列分解开，提高了预测模块的精度，有效地降低了预测的误差。
本发明利用VMD数据分解的方法将功率数据进行有特征性的分解，将不同特征的数据序列分别送入LSTM预测模型进行预测，有效的提高了预测模型的精确度。且本发明采取了WOA参数优化算法优化VMD分解过程中的模态数k和惩罚因子α，大大提高预测算法的使用范围，提高算法的适用性与可实现性。
一种计算机可读存储介质，介质上存有计算机程序，计算机程序运行后，执行如上述任一方法。
一种计算机系统，包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如上述任一方法。
本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑板块、模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
结合本文中公开的实施例描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中或在这两者的组合中体现。软件模块可驻留在RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域中所知的任何其他形式的存储介质中。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读取和写入信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
在一个或多个示例性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品，则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟，其中盘(disk)往往以磁的方式再现数据，而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种基于WOA优化的WOA-VMD-LSTM功率预测方法，其特征在于，包括以下步骤：
S1，对原始时间序列功率数据进行VMD分解，将原始时间序列功率数据分解为多个模态分量IMF序列，每个模态分量IMF序列具有不同的数据特征信息；
S2，构建WOA-VMD预测模型，通过WOA参数优化算法对VMD分解的核心参数模态数k和惩罚因子α进行参数寻优处理，得到模态数k和惩罚因子α的最优的参数组合；其中，模态数k为模态分量IMF序列的个数，惩罚因子α为每个模态分量IMF序列对应的数据特征信息，将步骤S1中模态分量IMF序列输入WOA-VMD预测模型得到优化后的模态分量IMF序列；
S3，建立LSTM神经网络，选取LSTM的隐藏层个数和激活函数，并分配训练集和测试集对LSTM网络进行训练；
S4，构建WOA-VMD-LSTM预测模型，将经过WOA-VMD预测模型分解得到的各模态分量IMF序列分别送入LSTM预测模型中进行预测，计算得到各个模态分量IMF序列预测结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤S2中WOA参数优化算法流程具体包括以下步骤：
S21，参数初始化，所述参数包括鲸鱼个体种群向量位置[模态数k，惩罚因子α]、迭代次数，
其中，第i个个体位置如下：
Xi＝r·(ub-lb)+lb
式中r∈[0,1]内随机数，Xi的取值范围为[lb，ub]，lb为参数边界最小值，ub为参数边界最大值；
S22，当p＜0.5且|A|≦1时，进行收缩包围式迭代，如式(1)所示：
式中：p均为随机数，且取值范围均为[0,1]，t为当前迭代次数，tmax是最大迭代次数，α在迭代过程中线性下降至0，/>是当前解位置向量，/>是当前最优解位置向量，和/>是系数向量，/>表示求绝对值的含义；
当p＜0.5且|A|＞1时，进行迭代更新如式(2)所示，式中为随机选取鲸鱼位置向量；
当p≥0.5时，采用螺旋收缩方式迭代如式(3)所示：
式中：模拟鲸群与猎物之间的距离，b为定义螺线常数，l为(-1,1)之间随机数，e为自然指数；
S23，判断是否满足终止条件，即t＝tmax，达到最大迭代次数，且式(2)中惩罚因子α减小到0，若不满足，则返回步骤S22，若满足，则得到搜索出的最佳参数组合[模态数k，惩罚因子α]。
3.一种计算机可读存储介质，其特征在于：介质上存有计算机程序，计算机程序运行后，执行如权利要求1-2任一项权利要求所述的方法。
4.一种计算机系统，其特征在于：包括处理器、存储介质，存储介质上存有计算机程序，处理器从存储介质上读取并运行计算机程序以执行如权利要求1-2任一项权利要求所述的方法。
CN202310838680.3A 2023-07-10 2023-07-10 一种基于woa优化的woa-vmd-lstm功率预测方法 Pending CN116702625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310838680.3A CN116702625A (zh) 2023-07-10 2023-07-10 一种基于woa优化的woa-vmd-lstm功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310838680.3A CN116702625A (zh) 2023-07-10 2023-07-10 一种基于woa优化的woa-vmd-lstm功率预测方法

Publications (1)

Publication Number Publication Date
CN116702625A true CN116702625A (zh) 2023-09-05

Family

ID=87827672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310838680.3A Pending CN116702625A (zh) 2023-07-10 2023-07-10 一种基于woa优化的woa-vmd-lstm功率预测方法

Country Status (1)

Country Link
CN (1) CN116702625A (zh)

Similar Documents

Publication Publication Date Title
CN116562471B (zh) 一种基于stl数据分解的stl-sarima-gru功率预测方法
CN110222164A (zh) 一种问答模型训练方法、问题语句处理方法、装置及存储介质
CN111985523A (zh) 基于知识蒸馏训练的2指数幂深度神经网络量化方法
US11785216B2 (en) Point cloud coding methods, encoder, and decoder
CN110222830B (zh) 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法
CN112768056A (zh) 基于联合学习框架的疾病预测模型建立方法和装置
CN113837940A (zh) 基于密集残差网络的图像超分辨率重建方法及系统
CN116702625A (zh) 一种基于woa优化的woa-vmd-lstm功率预测方法
CN101212681A (zh) 一种快速运动搜索方法
CN115691652A (zh) 一种基于多样本数据的因果关系预测方法
US7966347B2 (en) Generating a value associated with one of a plurality of leaf nodes by implicitly randomly climbing an implicit tree having the leaf nodes
CN116881856A (zh) 一种加入vmd数据分解的stl-sarima-gru功率预测方法
CN114754857B (zh) 一种两段式光纤传感水声信号补偿方法和装置
CN117913787A (zh) 基于lstm算法的短期电力负荷预测方法及系统
CN112381226B (zh) 一种基于粒子群算法的深度卷积神经网络架构搜索方法
CN116401377B (zh) 一种基于扩散概率分布的时序知识图谱推理方法
CN115828731A (zh) 一种基于改进bp神经网络的多参数天线设计方法
Tan et al. Estimation of Gilbert's model parameters using the simulated annealing method
CN112257246A (zh) 约束均匀试验方案设计方法、装置、设备及介质
CN117669237A (zh) 一种用于hpm源的原型优化设计方法及系统
CN117633452A (zh) 天然气消耗预测模型的训练方法与天然气消耗的预测方法
CN114970431A (zh) Mos管参数估计模型的训练方法和装置
CN118115376A (zh) 一种基于遗传算法的激光雷达点云半径滤波方法
CN117610696A (zh) 一种利用不同属性跨数据集的径流预测方法
CN113516667A (zh) 代价均衡的门级电路图的分割方法、计算机存储介质

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