CN117200208B - 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 - Google Patents
基于多尺度分量特征学习的用户级短期负荷预测方法及系统 Download PDFInfo
- Publication number
- CN117200208B CN117200208B CN202311172591.6A CN202311172591A CN117200208B CN 117200208 B CN117200208 B CN 117200208B CN 202311172591 A CN202311172591 A CN 202311172591A CN 117200208 B CN117200208 B CN 117200208B
- Authority
- CN
- China
- Prior art keywords
- decomposition
- component
- user
- sequence
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 82
- 230000006870 function Effects 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000007906 compression Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000006835 compression Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000012549 training Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多尺度分量特征学习的用户级短期负荷预测方法及系统。所述方法包括：采集用户的实际负荷数据；采用自适应噪声的完整经验模态分解、排列熵以及变分模态分解对用户负荷进行自适应二次模态分解，得到不同幅频特性的本征模态函数IMF；基于Reshape函数和Stack函数将各一维IMF重构为三维特征图；利用卷积神经网络和多尺度空间注意力模块进行特征学习，并得到最终的负荷预测结果。本发明针对传统一步分解的局限性以及分解后各子序列分量特征难以被充分学习的问题，提出一种自适应二次模态分解的MSA‑CNN模型，在用户负荷波动大、随机性强的情况下表现出优越的预测性能，为电力系统的安全高效运行提供保障。
Description
技术领域
本发明涉及用户级负荷预测，具体涉及一种基于多尺度分量特征学习的用户级短期负荷预测方法及系统。
背景技术
随着电力系统中需求响应、负荷聚合商、虚拟电厂等新型电力技术的涌现，电力负荷呈现出更加复杂多变的新特性。此外，新能源并网给电网的安全稳定运行造成进一步冲击，维持能源供应测与需求侧平衡面临严峻挑战。
为了合理安排电网维护计划和运行调度工作，降低运行成本并提高电力系统的经济效益，必须解决用户负荷本身随机性较强、波动性较大的问题，用户负荷预测是应对这种不确定性的基础。精准可靠的用户负荷预测结果可以为需求侧资源的协同控制提供合理有效的决策性支撑，同时也为电力系统的安全高效运行提供切实保障。
现有研究中为降低数据复杂度，通常会将变分模态分解等时间序列分解算法与深度学习模型相结合用于负荷预测，但这样不仅存在由于算法特性导致分解效果不一的情况，还存在一步分解不彻底使得预测精度提升有限的共性问题，即一步分解后高频分量的残留增加了模型学习时序特征的难度。此外，大多数深度学习模型受输入维度的限制，难以同时处理多个IMF，忽略了各IMF之间的耦合关系，不利于模型学习各子序列分量特征，使模型最终的预测性能不佳。
发明内容
发明目的：本发明的目是提供一种基于多尺度分量特征学习的用户级短期负荷预测方法及系统，获得准确、可靠的负荷预测结果。
技术方案：为了实现上述发明目的，本发明提出的基于多尺度分量特征学习的用户级短期负荷预测方法，包括以下步骤：
采集用户实际负荷数据，构造用户负荷序列；
采用自适应噪声的完整经验模态分解对用户负荷序列进行分解，得到K个子序列分量，计算各分量的排列熵PE值，根据各分量PE值确定重构阈值，基于重构阈值将K个子序列分量重构为低频分量和高频分量，对于高频分量利用变分模态分解法再次进行分解，分解结果和低频分量一起得到不同幅频特性的多尺度IMF分量；
基于滑动时间窗格的方式在各IMF中提取一维输入样本，利用Reshape函数将一维输入样本重构为二维特征图的形式，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图；
利用卷积神经网络和多尺度空间注意力模块进行特征学习，并得到最终的负荷预测结果。
进一步地，自适应噪声的完整经验模态分解对用户负荷序列进行分解包括：
在原始负荷序列x(n)中加入自适应白噪声ωi[n]，得到I个带自适应白噪声的负荷序列xi[n]；
利用经验模态分解法对带自适应白噪声的新序列进行分解并将所得IMF求均值得到一阶IMF以及一阶残差r1[n]，在一阶残差r1[n]中加入自适应白噪声得到新的一阶残差序列，对其做经验模态分解并将所得IMF求均值得到二阶IMF/>以及二阶残差，重复上述过程直到最终得到的残差R[n]不可分解，即
式中：n为负荷序列长度，K为最终分解所得IMF个数。
进一步地，排列熵PE值的计算方法包括：
将时间序列{x(t),t＝1,2,…,n}进行相空间重构，得到重构矩阵如下：
式中：m为嵌入维数，τ为延迟时间，X(q)为重构后的第q个子序列，x(t)表示时间序列中的第t个元素；
对重构矩阵中各行向量升序排列：
x[q+(q1-1)τ]≤…≤x[q+(qm-1)τ]
式中：q1,q2,…,qm为重构矩阵各行向量中元素所在列的索引号，得到矩阵S(g)＝{q1,q2,…,qm}，其中g＝1,2,…,l且l≤m！，故共有m！种符号序列；
计算每种符号序列的概率P1,P2,…,Pl，则x(t)的PE值为：
将PE值归一化到[0，1]区间：
Hp＝Hp/ln(m！)。
进一步地，根据各分量PE值确定重构阈值包括：以各分量PE值的平均值作为重构阈值，PE值高于重构阈值的分量为高频分量，其余为低频分量。
进一步地，对高频分量进行变分模态分解包括：
为得到各模态的单边频谱，对自适应重构后所得的高频分量序列f(t)的模态函数uk(t)进行Hilbert变换：
式中：δ(t)和j分别表示模态函数在频域中的实部和虚部，*表示卷积运算；
对于每个模态分量，将其与对应中心频率ωk的指数项混叠以实现相移处理：
对解调信号进行高斯平滑处理，解得各模态分量带宽，并构建带宽约束条件下变分优化问题的目标函数方程，其表达式如下：
式中：表示关于时间t的偏微分；
引入惩罚因子α和拉格朗日乘子λ，构建拉格朗日方程如下：
采用交替方向乘子法进行求解迭代直至满足收敛误差，参数更新如下：
式中：为当前剩余量/>的维纳滤波，/>为第n次迭代后的频域乘子，/>经傅立叶逆变换后的实部即是各模态分量uk(t)。
进一步地，利用Reshape函数将一维输入样本重构为二维特征图的形式包括：
基于负荷序列的日周期性特征，将一天24个采样点对应的序列值置于一行，每行即是一个时间步，时间步为10，则滑动时间窗口长度lag＝240，在各IMF中提取一维输入样本二维重构过程如下：
式中：为重构所得二维特征图。
进一步地，多尺度空间注意力模块在压缩操作中采用全局平均池化和全局最大池化并行处理的方式，分别从全局平均池化和全局最大池化两个尺度表征空间信息，将并行处理后的结果再进行激励操作；其中，压缩过程如下：
zc2＝maxuc(i,j),c∈C
式中：zc1为全局平均池化之后第c个通道的值，zc2为全局最大池化之后第c个通道的值，zc是采用拼接函数将zc1和zc2并行后的结果，为压缩操作后第c个通道的值，H和W分别为特征图的高和宽，uc(i,j)表示隐藏层输出映射中第i行第j列元素，C为通道数；
激励操作如下：
式中：sc为第c个通道对应的权重，fAE为自编码计算量，Wh,ci、Wo,ci、bh,c和bo,c分别表示连接第i个输入和第c个输出的隐藏层和输出层的权重和偏置，r为降维比，最后将权重sc与对应的卷积层输出相乘得到最终的输出。
本发明还提供一种基于多尺度分量特征学习的用户级短期负荷预测系统，包括：
数据采集模块，被配置为采集用户实际负荷数据，构造用户负荷序列；
模态分解模块，被配置为采用自适应噪声的完整经验模态分解对用户负荷序列进行分解，得到K个子序列分量，计算各分量的排列熵PE值，根据各分量PE值确定重构阈值，基于重构阈值将K个子序列分量重构为低频分量和高频分量，对于高频分量利用变分模态分解法再次进行分解，分解结果和低频分量一起得到不同幅频特性的多尺度IMF分量；
特征融合模块，被配置为基于滑动时间窗格的方式在各IMF中提取一维输入样本，利用Reshape函数将一维输入样本重构为二维特征图的形式，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图；
负荷预测模块，被配置为利用卷积神经网络和多尺度空间注意力模块进行特征学习，并得到最终的负荷预测结果。
本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的基于多尺度分量特征学习的用户级短期负荷预测方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于多尺度分量特征学习的用户级短期负荷预测方法的步骤。
有益效果：
(1)本发明提出一种多维特征融合方法，基于负荷特性构造三维特征图，有效提取负荷序列的日周期性等特征，为后续预测模型提供数据保障。
(2)本发明建立了一种自适应二次模态分解框架，采用自适应噪声的完整经验模态分解(CEEMDAN)算法初步分解负荷序列得到子序列分量，计算出各分量的PE值后将子序列分量自适应重构为低频分量和高频分量，并基于变分模态分解(VMD)进一步分解高频分量，与低频分量一起得到能反应用户负荷趋势性、周期性以及随机性等不同特征的多尺度IMF分量，有效解决传统研究中一步分解的局限性以及分解后各子序列分量特征难以被充分学习的问题，为后续预测模型提供较为平稳的多尺度分量特征。
(3)本发明基于深度学习构建了一种卷积神经网络和多尺度空间注意力(MSA-CNN)模型，可以从多个尺度进行各分量特征学习，丰富特征信息，兼顾运行效率和预测精度，进而保障电力系统安全稳定运行。
附图说明
图1是本发明方法的预测流程图；
图2是CEEMDAN分解结果；
图3是自适应二次模态分解结果；
图4是三维特征融合示意图；
图5是MSA-CNN模型多尺度分量特征学习过程；
图6是自适应二次模态分解有效性验证；
图7是MSA模块结构图；
图8是不同模型预测结果。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1，本发明实施例提供的一种基于多尺度分量特征学习的用户级短期负荷预测方法，包括以下步骤：
步骤S1：数据采集，获取用户的实际负荷数据，构造用户负荷序列；
步骤S2：模态分解，采用自适应噪声的完整经验模态分解(CEEMDAN)对用户负荷序列进行分解，得到K个子序列分量，计算各分量的排列熵(PE)值，根据各分量PE值确定重构阈值，基于重构阈值将K个子序列分量重构为低频分量和高频分量，对于高频分量利用变分模态分解法(VMD)再次进行分解，分解结果和低频分量一起得到不同幅频特性的多尺度本征模态函数IMF分量；
步骤S3：特征融合，基于滑动时间窗格的方式在各IMF中提取一维输入样本，利用Reshape函数将一维输入样本重构为二维特征图的形式，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图；
步骤S4：负荷预测，利用卷积神经网络(CNN)和多尺度空间注意力(MSA)模块进行特征学习，并得到最终的负荷预测结果。
在一个实施例中，步骤S1中，选取江苏南京某用户的实际负荷数据，采样时间为2017年8月1日至2018年7月31日，采样间隔1小时，共计8760条数据。
本发明实施例中对数据集的应用如下：首先对原始负荷序列进行数据清洗(补充缺失值，修正异常值)，并将清洗后的数据集基于所提自适应二次模态分解框架分解为5个IMF分量，分别将这5个IMF分量进行训练集和测试集的划分，并做归一化处理；其次在训练集中基于滑动窗格构造一维输入样本，并分别进行二维重构以及三维特征融合的操作，得到多个三维特征图(即三维输入样本)(测试集采取同样的处理方式)；最后将训练集数据作为MSA-CNN模型的输入，使模型充分学习时序等相关特征(即训练模型的过程)，并利用测试集数据进行模型性能的测试。在实际应用中，根据采集的用户实时负荷数据利用经过训练和测试的模型完成用户短期负荷预测。
本发明在步骤S2中，首先采用CEEMDAN算法初步分解负荷得到多个子序列分量，计算出各分量的排列熵值后，以各分量熵值的平均值为阈值，将子序列分量熵值高于阈值的判定为高频分量，子序列分量熵值低于阈值的判定为低频分量，进而实现自适应重构的过程，并基于VMD进一步分解高频分量，得到能反应用户负荷趋势性、周期性以及随机性等不同特征的多尺度IMF分量。将各IMF分别按照8：2的比例划分为训练集和测试集。
根据本发明的实施方式，步骤S2中所采用的CEEMDAN是一种无需先验知识的全局自适应分解算法，具体分解过程如下：
(1)在原始负荷序列x(n)中加入自适应白噪声ωi[n]，得到I个带自适应白噪声的负荷序列：
xi[n]＝x[n]+ε0ωi[n],i＝1,2,…I
式中：I为加入白噪声的次数，xi[n]为带自适应白噪声的负荷序列。
(2)对带自适应白噪声的新序列做经验模态分解(EMD)分解并将所得IMF求均值得到一阶IMF以及一阶残差r1[n]，即：
式中：E(·)表示EMD分解过程。
(3)在一阶残差r1[n]中加入自适应白噪声得到新的一阶残差序列，对其做EMD分解并将所得IMF求均值得到二阶IMF以及二阶残差，即
(4)重复上述步骤(3)，直到最终得到的残差R[n]不可分解，即
式中：n为负荷序列长度，εk为信噪比，K为最终分解所得IMF个数，本发明实施例中K＝12。
根据本发明的实施方式，步骤S2中所采用的PE是一种可用于检测时间序列随机性的熵值计算方法，具有计算简单、快速，抗噪能力强等优点，其基本原理如下：
(a)将时间序列{x(t),t＝1,2,…,n}进行相空间重构，得到重构矩阵如下：
式中：m为嵌入维数，τ为延迟时间，X(q)为重构后的第q个子序列，x(t)表示时间序列中的第t个元素。
(b)对重构矩阵中各行向量升序排列：
x[q+(q1-1)τ]≤…≤x[q+(qm-1)τ]
式中：q1,q2,…,qm为重构矩阵各行向量中元素所在列的索引号，可得矩阵S(g)＝{q1,q2,…,qm}，其中g＝1,2,…,l且l≤m！。故共有m！种符号序列。
(c)计算每种符号序列的概率P1,P2,…,Pl，则x(t)的PE值为：
(d)将PE值归一化到[0，1]区间：
Hp＝Hp/ln(m！)
根据本发明的实施方式，步骤S2中所采用的VMD是一种完全非递归的自适应信号处理方法，具有较强的抗噪能力，其具体分解过程如下：
(i)为得到各模态的单边频谱，对自适应重构后所得的高频分量序列f(t)的模态函数uk(t)进行Hilbert变换：
式中：δ(t)和j分别表示模态函数在频域中的实部和虚部，*表示卷积运算。
(ii)对于每个模态分量，将其与对应中心频率ωk的指数项混叠以实现相移处理：
(iii)对解调信号进行高斯平滑处理，解得各模态分量带宽，并构建带宽约束条件下变分优化问题的目标函数方程，其表达式如下：
式中：表示关于时间t的偏微分。在VMD中可以根据需求构建相应的约束条件，进而调整分解所得到的IMF，以使分解所得IMF满足特定的性质或条件。本发明中的带宽约束条件是用于调整分解得到的模态的频率带宽。带宽优化约束的目的是限制每个模态的频率范围，以使模态更好地匹配信号中的局部频率成分。式中f(t)是VMD所需分解的原始信号，在本发明中对应CEEMDAN-PE自适应分解-重构后的高频分量。
(iv)引入惩罚因子α和拉格朗日乘子λ，构建拉格朗日方程如下：
(v)采用交替方向乘子法进行求解迭代直至满足收敛误差，参数更新如下：
式中：为当前剩余量/>的维纳滤波，/>为第n次迭代后的频域乘子，/>经傅立叶逆变换后的实部即是各模态分量uk(t)。
本发明实施例中，步骤S2中，首先采用CEEMDAN算法初步分解负荷序列得到12个子序列分量，计算出各分量的PE值后，以各分量PE值的平均值为阈值，将子序列分量熵值高于阈值的判定为高频分量，子序列分量熵值低于阈值的判定为低频分量，进而实现自适应重构的过程，并基于VMD进一步分解高频分量，与低频分量一起得到共5个能反应用户负荷趋势性、周期性以及随机性等不同特征的多尺度IMF分量。其中CEEMDAN分解和自适应二次模态分解结果均选取240个采样点做可视化分别如图2、图3所示。
本发明在步骤S3中进行特征融合，为考虑不同尺度分量之间的耦合影响，本发明基于滑动时间窗格在各IMF分量中提取一维输入样本，并采用reshape函数将其重构为二维特征图的形式，使得每个样本都对应一张二维特征图，以便模型学习数据的时空特征，基于Stack函数进行多维特征融合，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图，具体结构如图4所示。
根据本发明的实施方式，首先，基于滑动时间窗格的方式在各IMF中提取一维输入样本并采用Reshape函数将一维输入样本重构为二维特征图的形式。鉴于负荷序列的日周期性特征，将一天24个采样点对应的序列值置于一行，每行即是一个时间步，通过多次实验测试，实施例中选取最佳时间步为10，则滑动时间窗口长度lag＝240，二维重构过程如下：
式中：为重构所得二维特征图，i为CEEMDAN分解所得IMF的序号，本发明中i＝1,2,…,12，i'为自适应二次模态分解所得IMF的序号，本发明中i'＝1,2,…,5。
所采用的Stack函数实现将不同分量沿深度方向进行堆叠的功能，即将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图。
本发明在步骤S4中，利用结合了MSA的CNN模型实现多尺度分量特征学习，即利用CNN分别捕获多维特征序列的时空依赖性，并基于MSA模块提取通道间的耦合关系，实现时间、空间以及通道等多个尺度的特征学习，有效提升短期用户负荷预测精度，MSA-CNN学习过程如图5所示。
根据本发明的实施方式，所述步骤S4中所采用的CNN包括卷积层、平均池化层、展开层以及全连接层，其中卷积运算的公式为：
l＝σ(X*W+b)
式中：X为数据输入，*表示卷积操作，W为卷积核的权重，b为对应的偏置项，σ(·)为激活函数，l为卷积运算后的输出特征。
所述步骤S4所采用的MSA模块，将传统的压缩与激励网络(SENet)调整为并行结构，即在压缩操作中不仅采用全局平均池化，还采用全局最大池化与其并行处理，分别从全局平均池化和全局最大池化两个尺度表征空间信息，丰富卷积通道空间信息。其中，压缩过程如下：
zc2＝maxuc(i,j),c∈C
式中：zc1为全局平均池化之后第c个通道的值，zc2为全局最大池化之后第c个通道的值，zc是采用拼接函数将zc1和zc2并行后的结果，为压缩操作后第c个通道的值，H和W分别为特征图的高和宽，uc(i,j)表示隐藏层输出映射中第i行第j列元素，C为通道数；
激励操作如下：
式中：sc为第c个通道对应的权重，fAE为自编码计算量，Wh,ci、Wo,ci、bh,c和bo,c分别表示连接第i个输入和第c个输出的隐藏层和输出层的权重和偏置，r为降维比。最后将权重sc与对应的卷积层输出相乘即可得到最终的输出。
为了验证本发明所提方法用于用户级负荷预测的可行性，设计了不同算例进行对比。采用均方根误差(RMSE)、平均绝对百分误差(MAPE)、平均绝对误差(MAE)和决定系数(R2)作为评价指标，并分别计算这些误差指标提升的百分比。计算公式如下：
式中：N为样本数，为i时刻的预测值，yi为i时刻的真实值，/>为N个真实值的平均值，E为某一误差指标提升的百分比，Ebase为某基准模型对应的某误差，Epro为所提模型对应的某误差。所得MAPE、RMSE、MAE越小，R2越大，则精度越高。
算例1：自适应二次模态分解有效性验证
为了说明自适应二次模态分解的有效性，本发明设置两组对照模型进行对比分析。由于输入数据的形式受CNN输入维度的限制，需将输入样本构造成三维特征图的形式，而未分解的一维负荷序列难以构造成三维数据，因此，仅选取CEEMDAN一步分解、VMD-CEEMDAN二次模态分解和自适应二次模态分解进行对比。其中VMD-CEEMDAN二次模态分解过程如下：首先利用VMD将负荷分解成趋势分量、周期分量和随机分量，再对频率较高的随机分量进行CEEMDAN分解，最后将所有IMF构造成三维特征图输入模型。此外，三组实验均选取CNN作为预测模型，避免模型不同带来的影响，具体预测结果如表1所示。
表1自适应二次模态分解有效性验证
本发明所有测试结果都取10次实验的平均值，避免偶然性的影响，并随机选取一天共24个采样点的预测值做可视化展示如图6所示。由表1可见，自适应二次模态分解相较CEEMDAN一步分解而言，MAPE、RMSE和MAE分别减小了16.78％、8.75％以及24.62％；相较VMD-CEEMDAN二次模态分解而言，MAPE、RMSE和MAE分别减小了3.48％、6.3％以及6.7％；R2也有不同程度的提升。实验结果表明，自适应二次模态分解平均精度高于一步分解或常规二次模态分解方法。
算例2：MSA模块有效性验证
MSA模块不仅可以从全局平均池化和全局最大值池化两个尺度表征空间信息，而且通过引入残差结构，避免卷积层信息丢失的问题，有利于提升模型的精度和预测稳定性，其具体结构如图7所示。为突出其作用，本节设置不加入SENet、加入SENet和加入MSA模块作为对照实验，以自适应二次模态分解结合CNN作为预测模型，通过多次实验验证了MSA模块的必要性，具体预测结果如表2所示。
表2MSA模块有效性验证
表2可以看出，本发明模型的MAPE指标相对自适应二次模态分解-CNN模型提升了16.42％，相对自适应二次模态分解-CNN-SENet模型提升了7.26％。此外，由表2中各模型的训练时间可以看出，MSA模块是一个轻量级模型，可以很好地嵌入卷积神经网络等成熟模型中，进而在略微增加模型复杂度和计算负担的情况下更好地进行特征学习，提高模型性能。
算例3：不同模型对比分析
为进一步验证本发明所提模型的性能优势，将所提模型与其它模型对比，对照模型分别为：1DCNN、LSTM、自适应二次模态分解-1DCNN以及自适应二次模态分解-LSTM。所有模型都采用滑动窗口构建样本输入，同类模型设置同样的最优超参数，避免参数不同导致的性能差异，以MAPE、RMSE、MAE、R2作为评估指标进行对比，预测结果如表3所示。
表3不同模型性能对比
本发明不同模型预测结果都取10次实验的平均值，避免偶然性的影响，并随机选取一天共24个采样点的预测值做可视化展示如图8所示。由表3可见，相较1DCNN和LSTM等单一预测模型而言，本发明所提模型能大幅提升平均预测精度。其中，与1DCNN相比，MAPE、RMSE和MAE分别减小了38.93％、39.21％以及37.28％；与LSTM相比，MAPE、RMSE和MAE分别减小了34.66％、37.04％以及33.93％。此外，相较结合了自适应二次模态分解算法的1DCNN和LSTM模型，所提模型不仅在预测精度上有着不同程度的提升，还巧妙地将一维序列构造成三维特征图，从而极大程度上发挥出CNN能同时处理多通道输入的性能优势，从多尺度学习数据特征，并且大幅提升模型整体运行效率，在训练时间上分别提升了398.84s和2293.11s，综合预测精度和训练时间方面表现最优。
综上所述，本发明方法针对用户级负荷具有较强的随机性以及较大的波动性等特点，建立基于多尺度分量特征学习的用户级短期负荷预测模型，能够提供精准可靠的负荷预测结果，为电网的安全稳定运行提供保障。
基于与方法实施例相同的技术构思，本发明还提供了一种基于多尺度分量特征学习的用户级短期负荷预测系统，包括：
数据采集模块，被配置为采集用户实际负荷数据，构造用户负荷序列；
模态分解模块，被配置为采用自适应噪声的完整经验模态分解对用户负荷序列进行分解，得到K个子序列分量，计算各分量的排列熵PE值，根据各分量PE值确定重构阈值，基于重构阈值将K个子序列分量重构为低频分量和高频分量，对于高频分量利用变分模态分解法再次进行分解，分解结果和低频分量一起得到不同幅频特性的多尺度IMF分量；
特征融合模块，被配置为基于滑动时间窗格的方式在各IMF中提取一维输入样本，利用Reshape函数将一维输入样本重构为二维特征图的形式，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图；
负荷预测模块，被配置为利用卷积神经网络和多尺度空间注意力模块进行特征学习，并得到最终的负荷预测结果。
应当理解，本发明实施例中的基于多尺度分量特征学习的用户级短期负荷预测系统可以实现上述方法实施例中的全部技术方案，其各个功能模块的功能可以根据上述方法实施例中的方法具体实现，其具体实现过程可参照上述实施例中的相关描述，此处不再赘述。
本发明还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如上所述的基于多尺度分量特征学习的用户级短期负荷预测方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于多尺度分量特征学习的用户级短期负荷预测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置(系统)、计算机设备或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程以及流程图中的流程的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
Claims (10)
1.一种基于多尺度分量特征学习的用户级短期负荷预测方法，其特征在于，包括以下步骤：
采集用户实际负荷数据，构造用户负荷序列；
采用自适应噪声的完整经验模态分解对用户负荷序列进行分解，得到K个子序列分量，计算各分量的排列熵PE值，根据各分量PE值确定重构阈值，基于重构阈值将K个子序列分量重构为低频分量和高频分量，对于高频分量利用变分模态分解法再次进行分解，分解结果和低频分量一起得到不同幅频特性的多尺度IMF分量；
基于滑动时间窗格的方式在各IMF中提取一维输入样本，利用Reshape函数将一维输入样本重构为二维特征图的形式，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图；
利用卷积神经网络和多尺度空间注意力模块进行特征学习，并得到最终的负荷预测结果。
2.根据权利要求1所述的方法，其特征在于，自适应噪声的完整经验模态分解对用户负荷序列进行分解包括：
在原始负荷序列x(n)中加入自适应白噪声ωi[n]，得到I个带自适应白噪声的负荷序列xi[n]；
利用经验模态分解法对带自适应白噪声的新序列进行分解并将所得IMF求均值得到一阶以及一阶残差r1[n]，在一阶残差r1[n]中加入自适应白噪声得到新的一阶残差序列，对其做经验模态分解并将所得IMF求均值得到二阶/>以及二阶残差，重复上述过程直到最终得到的残差R[n]不可分解，即
式中：n为负荷序列长度，K为最终分解所得IMF个数。
3.根据权利要求1所述的方法，其特征在于，排列熵PE值的计算方法包括：
将时间序列{x(t),t＝1,2,…,n}进行相空间重构，得到重构矩阵如下：
式中：m为嵌入维数，τ为延迟时间，X(q)为重构后的第q个子序列，x(t)表示时间序列中的第t个元素；
对重构矩阵中各行向量升序排列：
x[q+(q1-1)τ]≤…≤x[q+(qm-1)τ]
式中：q1,q2,…,qm为重构矩阵各行向量中元素所在列的索引号，得到矩阵S(g)＝{q1,q2,…,qm}，其中g＝1,2,…,l且l≤m！，故共有m！种符号序列；
计算每种符号序列的概率P1,P2,…,Pl，则x(t)的PE值为：
将PE值归一化到[0，1]区间：
Hp＝Hp/ln(m！)。
4.根据权利要求1所述的方法，其特征在于，根据各分量PE值确定重构阈值包括：以各分量PE值的平均值作为重构阈值，PE值高于重构阈值的分量为高频分量，其余为低频分量。
5.根据权利要求1所述的方法，其特征在于，对高频分量进行变分模态分解包括：
为得到各模态的单边频谱，对自适应重构后所得的高频分量序列f(t)的模态函数uk(t)进行Hilbert变换：
式中：δ(t)和j分别表示模态函数在频域中的实部和虚部，*表示卷积运算；
对于每个模态分量，将其与对应中心频率ωk的指数项混叠以实现相移处理：
对解调信号进行高斯平滑处理，解得各模态分量带宽，并构建带宽约束条件下变分优化问题的目标函数方程，其表达式如下：
式中：表示关于时间t的偏微分；
引入惩罚因子α和拉格朗日乘子λ，构建拉格朗日方程如下：
采用交替方向乘子法进行求解迭代直至满足收敛误差，参数更新如下：
式中：为当前剩余量/>的维纳滤波，/>为第n次迭代后的频域乘子，/>经傅立叶逆变换后的实部即是各模态分量uk(t)。
6.根据权利要求1所述的方法，其特征在于，利用Reshape函数将一维输入样本重构为二维特征图的形式包括：
基于负荷序列的日周期性特征，将一天24个采样点对应的序列值置于一行，每行即是一个时间步，时间步为10，则滑动时间窗口长度lag＝240，在各IMF中提取一维输入样本二维重构过程如下：
式中：为重构所得二维特征图。
7.根据权利要求1所述的方法，其特征在于，多尺度空间注意力模块在压缩操作中采用全局平均池化和全局最大池化并行处理的方式，分别从全局平均池化和全局最大池化两个尺度表征空间信息，将并行处理后的结果再进行激励操作；其中，压缩过程如下：
zc2＝max uc(i,j),c∈C
式中：zc1为全局平均池化之后第c个通道的值，zc2为全局最大池化之后第c个通道的值，zc是采用拼接函数将zc1和zc2并行后的结果，为压缩操作后第c个通道的值，H和W分别为特征图的高和宽，uc(i,j)表示隐藏层输出映射中第i行第j列元素，C为通道数；
激励操作如下：
式中：sc为第c个通道对应的权重，fAE为自编码计算量，Wh,ci、Wo,ci、bh,c和bo,c分别表示连接第i个输入和第c个输出的隐藏层和输出层的权重和偏置，r为降维比，最后将权重sc与对应的卷积层输出相乘得到最终的输出。
8.一种基于多尺度分量特征学习的用户级短期负荷预测系统，其特征在于，包括：
数据采集模块，被配置为采集用户实际负荷数据，构造用户负荷序列；
模态分解模块，被配置为采用自适应噪声的完整经验模态分解对用户负荷序列进行分解，得到K个子序列分量，计算各分量的排列熵PE值，根据各分量PE值确定重构阈值，基于重构阈值将K个子序列分量重构为低频分量和高频分量，对于高频分量利用变分模态分解法再次进行分解，分解结果和低频分量一起得到不同幅频特性的多尺度IMF分量；
特征融合模块，被配置为基于滑动时间窗格的方式在各IMF中提取一维输入样本，利用Reshape函数将一维输入样本重构为二维特征图的形式，将各二维特征图沿深度方向拼接，得到能够反映各分量之间耦合特性的三维特征图；
负荷预测模块，被配置为利用卷积神经网络和多尺度空间注意力模块进行特征学习，并得到最终的负荷预测结果。
9.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-7中任一项所述的基于多尺度分量特征学习的用户级短期负荷预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于多尺度分量特征学习的用户级短期负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172591.6A CN117200208B (zh) | 2023-09-12 | 2023-09-12 | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172591.6A CN117200208B (zh) | 2023-09-12 | 2023-09-12 | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117200208A CN117200208A (zh) | 2023-12-08 |
| CN117200208B true CN117200208B (zh) | 2024-04-19 |
Family
ID=88986543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311172591.6A Active CN117200208B (zh) | 2023-09-12 | 2023-09-12 | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117200208B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117833243B (zh) * | 2024-03-06 | 2024-05-24 | 国网山东省电力公司信息通信公司 | 一种电力短期需求预测方法、系统、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114611757A (zh) * | 2022-02-11 | 2022-06-10 | 国网湖北省电力有限公司超高压公司 | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 |
| US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
| CN115660038A (zh) * | 2022-11-01 | 2023-01-31 | 湘潭大学 | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 |
-
2023
- 2023-09-12 CN CN202311172591.6A patent/CN117200208B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
| 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 |
| CN114611757A (zh) * | 2022-02-11 | 2022-06-10 | 国网湖北省电力有限公司超高压公司 | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 |
| CN115660038A (zh) * | 2022-11-01 | 2023-01-31 | 湘潭大学 | 基于误差因素和改进moea/d-sas的多阶段集成短期负荷预测 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117200208A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
| CN110309603B (zh) | 一种基于风速特性的短期风速预测方法及系统 | |
| CN111193256A (zh) | 基于变分模态分解和门控循环单元的电力负荷预测方法 | |
| CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
| CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
| CN117200208B (zh) | 基于多尺度分量特征学习的用户级短期负荷预测方法及系统 | |
| CN104807534B (zh) | 基于在线振动数据的设备固有振动模式自学习识别方法 | |
| KR20170056687A (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
| CN110222887A (zh) | 基于vmd和dnn的预测方法及在短期负荷预测的应用 | |
| CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
| CN112906987B (zh) | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 | |
| CN111091247A (zh) | 基于深度神经网络模型融合的电力负荷预测方法、装置 | |
| CN109992608A (zh) | 一种基于频域的多模型融合预测方法和系统 | |
| CN110765703B (zh) | 一种风电场聚合特性建模方法 | |
| CN111915449B (zh) | 基于vmd与omp的电力负荷数据降维重构处理方法 | |
| CN113761777B (zh) | 一种基于hp-ovmd的超短期光伏功率预测方法 | |
| CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
| CN117574705A (zh) | 一种考虑反应谱约束的rc框架建筑地震时程响应预测方法 | |
| CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
| CN113343590B (zh) | 一种基于组合模型的风速预测方法及系统 | |
| CN113835964A (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
| CN113919600A (zh) | 一种居民负荷超短期预测方法 | |
| CN113537573A (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| CN113722970B (zh) | 一种光伏功率超短期在线预测方法 | |
| CN117034775A (zh) | 一种基于人工智能的暴雨预警方法、装置及计算设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |