CN117239722A - 一种考虑多元负荷影响的系统风荷短期预测方法 - Google Patents
一种考虑多元负荷影响的系统风荷短期预测方法 Download PDFInfo
- Publication number
- CN117239722A CN117239722A CN202311111565.2A CN202311111565A CN117239722A CN 117239722 A CN117239722 A CN 117239722A CN 202311111565 A CN202311111565 A CN 202311111565A CN 117239722 A CN117239722 A CN 117239722A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- input
- modal
- prediction
- 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 47
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010168 coupling process Methods 0.000 abstract description 5
- 238000005859 coupling reaction Methods 0.000 abstract description 5
- 230000000295 complement effect Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 7
- 230000000052 comparative effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑多元负荷影响的系统风荷短期预测方法,步骤如下:获取原始时间序列数据、输入特征数据;采用皮尔逊相关系数法对原始时间序列数据、输入特征数据进行筛选,获得特征子集;划分为训练集和测试集,并使用经验模态分解将训练集分别分解为对应的多个模态分量和残差;将特征子集对应的输入特征数据分别与每个模态分量或残差结合构成多个输入矩阵集,训练获得模态分量或残差对应的多个参数已调的门控循环神经网络预测模型;然后将前一时段的每个模态分量或残差分别输入到训练好的模型对待预测时段的每个模态分量或残差进行预测;相加求和获得系统风荷短期预测结果。本发明解决了多能互补系统风荷预测中存在的耦合性问题,效果较好。
Description
技术领域
本发明属于综合能源系统的时序预测领域,具体地说是一种考虑多元负荷影响的系统风荷短期预测方法。
背景技术
综合能源系统是集电力、天然气﹑热能、冷能供应为一体的新型能源系统,包括多类能源输入、能源转换、能源储存和多类用能需求。在其运行过程中,各种能源转换设备以能量流的方式耦合不同的能源系统,各种能源储存设备用于提高系统运行的经济性和灵活性。但是由于可再生能源发电有着较强的间歇性、随机性和波动性等特点,再加上用电负荷也具有一定的波动性。因此综合能源系统的运行难度会大幅增加。精准的用电负荷预测和可再生能源发电预测是多能协同运行优化的基石之一。为使系统能够达到供需平衡,需要对源荷两端同时进行预测。源荷的准确预测是综合能源系统优化设计、运行调度和能量管理的前提,具有重要的实用价值。
经验模态分解(Empirical Mode Decomposition,EMD)是一种非线性非平稳的时频分析方法,可以采用一定的方法将复杂的时间信号分离成具有物理意义的从高频到低频的有限个独立模态分量(Intrinsic Mode Functions,IMF);门控循环单元神经网络(GatedRecurrent Unit,GRU)是一种特殊的循环神经网络。与其他神经网络相比,它拥有记忆层,能够考虑过去时间点的输入,更适用于时间序列的预测,并且它的遗忘层可以很好地解决以往神经网络在预测时间序列时出现的梯度消失和梯度爆炸等问题。同时它的结构更简单,相较于长短期记忆神经网络拥有更少的参数和更快的收敛速度。
发明内容
本发明的目的是针对现有技术存在的问题,提供一种考虑多元负荷影响的系统风荷短期预测方法;该系统风荷短期预测方法基于经验模态分解与门控循环神经网络相结合的模型(EMD-GRU)实现风荷短期预测。
本发明的目的是通过以下技术方案解决的:
一种考虑多元负荷影响的系统风荷短期预测方法,其特征在于:该方法步骤如下:
S1、获取原始时间序列数据和对应的输入特征数据,进入步骤S2和步骤S3;
S2、采用皮尔逊相关系数法对原始时间序列数据和对应的输入特征数据进行筛选,选取相关系数绝对值大于0.4的输入特征作为特征子集,进入步骤S5;
S3、将步骤S1中的原始时间序列数据划分为训练集和测试集,进入步骤S4;
S4、使用经验模态分解将训练集分别分解为对应的多个模态分量和残差,进入步骤S5;
S5、将步骤S2获得的特征子集对应的输入特征数据分别与步骤S4得到的多个模态分量或残差对应结合构成多个输入矩阵集,将输入矩阵集分别输入到门控循环神经网络模型进行训练,获得模态分量或残差对应的多个参数已调的门控循环神经网络预测模型,进入步骤S6;
S6、将待预测时段的前一时段的模态分量或残差、以及特征子集对应的前一时段的输入特征数据分别输入到对应的多个参数已调的门控循环神经网络预测模型中,得出待预测时段的每个模态分量和残差的预测结果,进入步骤S7;
S7、将待预测时段的每个模态分量和残差的预测结果进行相加求和,获得待预测时段的预测结果;
S8、将步骤S7获得的待预测时段的预测结果和步骤S3中的测试集内的待预测时段的数据进行对比,当平均百分比误差不大于8%,则步骤S5获得的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型训练成功,进入步骤S10;当平均百分比误差大于8%,则步骤S5获得的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型训练未成功,进入步骤S9;
S9、回到步骤S1,增加原始时间序列数据和对应的输入特征数据,重复步骤S3~步骤S8,直至获得训练成功的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型;
S10、重复步骤S6~步骤S7,进行系统风荷短期预测。
所述步骤S1中的原始时间序列数据包括电负荷数据和风速数据,所述步骤S1中的输入特征数据包括冷负荷数据、气负荷数据、温度数据、湿度数据。
所述步骤S2中的特征子集的筛选具体步骤为:
S21、确定原始时间序列中的电负荷对应的输入特征和原始时间序列中的风速对应的输入特征;
S22、使用归一化方法将原始时间序列数据和输入特征数据缩减至(0,1)之间,归一化公式如下:
式(1)中,xnew(t)是数据归一化后t时刻的值,x(t)是数据归一化前t时刻的值,xmax、xmin是当前时段内多个时刻数据的最大和最小值;
S23、求出当前时段电负荷和当前时段风速分别与对应的各个输入特征的相关系数,两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,其计算公式如下:
式(2)中,ρX,Y为2个变量的相关系数;cov(X,Y)为2个变量的协方差;σX、σY为两个变量的标准差;
S24、筛选出相关系数绝对值大于0.4的输入特征来形成特征子集。
所述步骤S21中的电负荷对应的输入特征有:气负荷、冷负荷、温度、湿度以及前一时段的电负荷,风速对应的输入特征有:温度、湿度以及前一时段的风速;所述步骤S24中的电负荷的特征子集为气负荷、温度、湿度以及前一日的电负荷,风速的特征子集为前一日的风速。
所述步骤S3中的训练集和测试集的划分标准为:原始时间序列数据的前70%-90%为训练集、后30%-10%为测试集。
所述步骤S4中的经验模态分解是将原始时间序列数据分别作为原始时序信号X(t)进行分解,分解的具体步骤为:
S41、将原始时序信号X(t)减去其上下包络线的均值曲线m1(t),得到新的序列c1(t):
c1(t)=X(t)-m1(t) (3);
S42、检验新的序列c1(t)是否满足模态分量所需条件,若满足,则c1(t)成为第1阶模态分量l1(t),若不满足,以新的序列c1(t)为基础,再次进入步骤S41,减去c1(t)上下包络线的均值曲线得到/>
再次检验是否满足模态分量所需条件,若满足,则/>成为第1阶模态分量l1(t),若不满足,再以/>为基础,按照上述方法重复k次,直到/>满足模态分量所需条件;此时/>成为第1阶模态分量l1(t);并从原始时序信号X(t)中分离并得到一阶残差r1(t):
r1(t)=X(t)-l1(t) (5);
S43、一阶残差r1(t)代替原始时序信号X(t)作为新的时序信号来重复步骤S41-S42,得到二阶残差r2(t)和第2阶模态分量l2(t);然后再不断重复直到最后的第n阶残差rn(t)为单调函数,则经验模态分解完成;此时已求得所有的模态分量li(t),则原始时序信号X(t)由n个模态分量和第n阶残差rn(t)表示:
所述步骤S32中的模态分量所需条件为:条件一、在整个数据段内,极值个数与穿过时间轴的点个数相同或相差最多不超过1个;条件二、在数据段任何一处,由局部极大、极小值点形成的包络线均值为零。
所述的经验模态分解能够将复杂的时间信号分离成具有物理意义的从高频到低频的有限个模态分量和残差。
所述步骤S5中的门控循环神经网络模型的前向计算公式为:
式(7)中,符号代表哈达玛积;xt是输入;rt是重置门;zt是更新门;/>是隐藏层状态;ht-1是上一隐藏层的输出;ht是本单元隐藏层的输出;W,Wz,Wr分别是对应权重矩阵。
所述的门控循环神经网络模型拥有记忆层,适用于时序预测,能解决梯度消失和爆炸问题,拥有更少的参数和更快的收敛速度。
所述步骤S10中的进行系统风荷短期预测时,能够将步骤S6获得的预测结果再次作为输入、进行待预测时段后续时段的预测,且能够将后续时段的预测结果作为输入继续进行预测。
在本发明提供的系统风荷短期预测方法中,(EMD-GRU)模型将原始的时间序列进行分解,将其分解为从高频到低频多个模态分量和残差,并分别采用多个模型建模可获得更准确的预测结果,从而提高整体的预测精度。综合能源系统中的电源侧多为可再生能源发电,具有很强的不确定性,同时各种负荷通过耦合设备相互耦合,这些对系统的预测带来了挑战。在此基础上,需要通过相关系数法来对各类负荷之间的耦合特性进行量化,同时考虑到电负荷本身受多种因素影响,因此需要通过计算各类输入特征的相关系数,根据相关性从高到低来对输入特征进行筛选,来避免特征冗余。不同的输入特征对预测结果的影响是不同的,所以这些操作对于模型训练来说是非常必要的。
本发明相比现有技术有如下优点:
本发明通过构建基于经验模态分解和门控循环神经网络结合的负荷预测模型,解决了多能互补系统中源荷预测中存在的耦合性问题,在考虑多种输入特征以及风荷同时预测下取得了较好的效果。
本发明提出的基于经验模态分解和门控循环神经网络结合的负荷预测模型适用于多能互补系统中的风荷预测,该模型考虑了系统中多种能源形式相互耦合的特性,也考虑了风荷预测固有的影响因素。
附图说明
附图1为本发明的考虑多元负荷影响的系统风荷短期预测方法流程图;
附图2为本发明提供的门控循环神经网络模型的结构图;
附图3为本发明中实施例的原始风速数据分解后得到的模态分量和残差图;
附图4为本发明实施例和对比例的四种不同预测方法的电负荷预测结果图;
附图5为本发明实施例和对比例的四种不同预测方法的风速结果图;
附图6为本发明实施例和对比例的四种不同预测方法的平均百分比误差对比图;
附图7为本发明实施例和对比例的四种不同预测方法的均方根误差对比图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种考虑多元负荷影响的系统风荷短期预测方法作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
如图1展示的考虑多元负荷影响的系统风荷短期预测方法流程图和图2展示的门控循环神经网络模型的结构图,一种考虑多元负荷影响的系统风荷短期预测方法,步骤如下:
S1、获取原始时间序列数据和对应的输入特征数据,进入步骤S2和步骤S3;
S2、采用皮尔逊相关系数法对原始时间序列数据和对应的输入特征数据进行筛选,选取相关系数绝对值大于0.4的输入特征作为特征子集,进入步骤S5;
S3、将步骤S1中的原始时间序列数据划分为训练集和测试集,进入步骤S4;
S4、使用经验模态分解将训练集分别分解为对应的多个模态分量和残差,进入步骤S5;
S5、将步骤S2获得的特征子集对应的输入特征数据分别与步骤S4得到的多个模态分量或残差对应结合构成多个输入矩阵集,将输入矩阵集分别输入到门控循环神经网络模型进行训练,获得模态分量或残差对应的多个参数已调的门控循环神经网络预测模型,进入步骤S6;
S6、将待预测时段的前一时段的模态分量或残差、以及特征子集对应的前一时段的输入特征数据分别输入到对应的多个参数已调的门控循环神经网络预测模型中,得出待预测时段的每个模态分量和残差的预测结果,进入步骤S7;
S7、将待预测时段的每个模态分量和残差的预测结果进行相加求和,获得待预测时段的预测结果;
S8、将步骤S7获得的待预测时段的预测结果和步骤S3中的测试集内的待预测时段的数据进行对比,当平均百分比误差不大于8%,则步骤S5获得的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型训练成功,进入步骤S10;当平均百分比误差大于8%,则步骤S5获得的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型训练未成功,进入步骤S9;
S9、回到步骤S1,增加原始时间序列数据和对应的输入特征数据,重复步骤S3~步骤S8,直至获得训练成功的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型;
S10、重复步骤S6~步骤S7,进行系统风荷短期预测。
在上述方法中,特征子集的筛选具体步骤为:
S21、确定原始时间序列中的电负荷对应的输入特征:气负荷、冷负荷、温度、湿度以及前一时段的电负荷,确定原始时间序列中的风速对应的输入特征:温度、湿度以及前一时段的风速;
S22、使用归一化方法将原始时间序列数据和输入特征数据缩减至(0,1)之间,归一化公式如下:
式(1)中,xnew(t)是数据归一化后t时刻的值,x(t)是数据归一化前t时刻的值,xmax、xmin是当前时段内多个时刻数据的最大和最小值;
S23、求出当前时段电负荷和当前时段风速分别与对应的各个输入特征的相关系数,两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,其计算公式如下:
式(2)中,ρX,Y为2个变量的相关系数;cov(X,Y)为2个变量的协方差;σX、σY为两个变量的标准差;
S24、筛选出相关系数绝对值大于0.4的输入特征来形成特征子集,电负荷的特征子集为气负荷、温度、湿度以及前一日的电负荷,风速的特征子集为前一日的风速。
在上述方法中,经验模态分解是将原始时间序列数据分别作为原始时序信号X(t)进行分解,经验模态分解能够将复杂的时间信号分离成具有物理意义的从高频到低频的有限个模态分量和残差,模态分量所需条件为:条件一、在整个数据段内,极值个数与穿过时间轴的点个数相同或相差最多不超过1个;条件二、在数据段任何一处,由局部极大、极小值点形成的包络线均值为零。分解的具体步骤为:
S41、将原始时序信号X(t)减去其上下包络线的均值曲线m1(t),得到新的序列c1(t):
c1(t)=X(t)-m1(t) (3);
S42、检验新的序列c1(t)是否满足模态分量所需条件,若满足,则c1(t)成为第1阶模态分量l1(t),若不满足,以新的序列c1(t)为基础,再次进入步骤S41,减去c1(t)上下包络线的均值曲线得到/>
再次检验是否满足模态分量所需条件,若满足,则/>成为第1阶模态分量l1(t),若不满足,再以/>为基础,按照上述方法重复k次,直到/>满足模态分量所需条件;此时/>成为第1阶模态分量l1(t);并从原始时序信号X(t)中分离并得到一阶残差r1(t):
r1(t)=X(t)-l1(t) (5);
S43、一阶残差r1(t)代替原始时序信号X(t)作为新的时序信号来重复步骤S41-S42,得到二阶残差r2(t)和第2阶模态分量l2(t);然后再不断重复直到最后的第n阶残差rn(t)为单调函数,则经验模态分解完成;此时已求得所有的模态分量li(t),则原始时序信号X(t)由n个模态分量和第n阶残差rn(t)表示:
门控循环神经网络模型的结构图如图2所示,门控循环神经网络模型的前向计算公式为:
式(7)中,符号代表哈达玛积;xt是输入;rt是重置门;zt是更新门;/>是隐藏层状态;ht-1是上一隐藏层的输出;ht是本单元隐藏层的输出;W,Wz,Wr分别是对应权重矩阵。
实施例
EMD-GRU的算法设计主要包括两个部分:对原始时间序列数据进行经验模态分解以及对模态分量进行预测,通过对原始时间序列数据进行分解,得到从高频到低频的不同频率的时间序列和残差;最后用门控循环神经网络进行预测并组合。本发明的实施例中的时间段以日为单位,一日分为24时刻。
一种考虑多元负荷影响的系统风荷短期预测方法,步骤如下:
S1、获取电负荷数据和风速数据作为原始时间序列数据,获取冷负荷、气负荷、温度、湿度以及前一日的电负荷、前一日的风速作为输入特征数据,上述数据来源于某示范运行的区域综合能源系统2014年5月份的历史数据;将电负荷数据和风速数据分别划分为训练集(数据前70%)和测试集(数据后30%)。
S2、在特征工程中,与预测目标相关性较低的特征被称为冗余特征,带入冗余特征的预测模型不仅在会降低预测的精确度,同时因为数据维度增加而使计算效率降低。基于这一理念,在将原始数据进行频域分解,获得具有不同波动规律的负荷分量后,以相关系数法为基准对每个候选特征进行筛选,以此来避免特征冗余的问题;计算输入特征(气负荷、冷负荷、温度、湿度以及前一日的电负荷)分别与当日电负荷的相关系数,计算输入特征(温度、湿度以及前一日的风速)分别与当日风速的相关系数,并选取相关系数绝对值大于0.4的特征作为输入特征子集;
具体步骤如下:
S21、电负荷的输入特征有气负荷、冷负荷、温度、湿度以及前一日的电负荷,风速的输入特征有温度、湿度以及前一日的风速;
S22、使用归一化方法将原始时间序列数据和输入特征数据缩减至(0,1)之间,归一化公式如下:
式(1)中,xnew(t)是数据归一化后t时刻的值,x(t)是数据归一化前t时刻的值,xmax、xmin是当前时段内多个时刻数据的最大和最小值;
S23、求出当前时段电负荷和当前时段风速分别与对应的各个输入特征的相关系数,两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,其计算公式如下:
式(2)中,ρX,Y为2个变量的相关系数;cov(X,Y)为2个变量的协方差;σX、σY为两个变量的标准差;
以电负荷与气负荷为例,其相关系数具体求解公式如下:
上式中,n为24,表示为一天的24时刻;xnew,e(t)为电负荷归一化后t时刻的值;为电负荷24时刻的平均值;xnew,g(t)为气负荷归一化后t时刻的值;/>为气负荷24时刻的平均值;
计算得到的电负荷和风速的皮尔逊相关系数如表1、表2所示,皮尔逊相关系数越接近1,代表影响因素与台区负荷升降一致性越高;而皮尔逊系数为小于0,代表日电价与台区负荷呈接近负相关的关系;
表1电负荷分别与气负荷、冷负荷、温度、湿度、前一天的电负荷的皮尔逊相关系数
输入特征 | 皮尔逊相关系数 |
气负荷 | 0.672 |
冷负荷 | 0.373 |
温度 | 0.695 |
湿度 | 0.413 |
前一天的电负荷 | 0.825 |
表2风速分别与温度、湿度、前一天的风速的皮尔逊相关系数
输入特征 | 皮尔逊相关系数 |
前一天风速 | 0.723 |
温度 | 0.216 |
湿度 | 0.284 |
S24、在多元负荷中,电负荷与气负荷的相关性最高且达到了0.4以上,且由于该综合能源系统能源替代、电转气等技术的应用,电、气负荷的相关性比电、冷负荷的相关性要高;另外用电负荷与湿度、温度、历史负荷均有较强的相关性,风速则只与历史风速有较强的相关性;因此筛选出相关系数绝对值大于0.4的输入特征来形成特征子集:电负荷的特征子集为气负荷、温度、湿度以及前一日的电负荷,风速的特征子集为前一日的风速。
S3、使用经验模态分解将电负荷数据和风速数据的训练集分别分解为对应的多个模态分量和残差,模态分量成立的两个条件为:条件一、在整个数据段内,极值个数与穿过时间轴的点个数相同或相差最多不超过1个;条件二、在数据段任何一处,由局部极大、极小值点形成的包络线均值为零;经验模态分解是将原始时间序列(电负荷和风速)数据分别作为原始时序信号X(t)进行分解,分解的具体步骤为:
S31、将原始时序信号X(t)减去其上下包络线的均值曲线m1(t),得到新的序列c1(t):
c1(t)=X(t)-m1(t) (3);
S32、检验新的序列c1(t)是否满足模态分量所需条件,若满足,则c1(t)成为第1阶模态分量l1(t),若不满足,以新的序列c1(t)为基础,再次进入步骤S31,减去c1(t)上下包络线的均值曲线得到/>
再次检验是否满足模态分量所需条件,若满足,则/>成为第1阶模态分量l1(t),若不满足,再以/>为基础,按照上述方法重复k次,直到/>满足模态分量所需条件;此时/>成为第1阶模态分量l1(t);并从原始时序信号X(t)中分离并得到一阶残差r1(t):
r1(t)=X(t)-l1(t) (5);
S33、一阶残差r1(t)代替原始时序信号X(t)作为新的时序信号来重复步骤S31-S32,得到二阶残差r2(t)和第2阶模态分量l2(t);然后再不断重复直到最后的第n阶残差rn(t)为单调函数,则经验模态分解完成;此时已求得所有的模态分量li(t),则原始时序信号X(t)由n个模态分量和第n阶残差rn(t)表示:
以风速为例,分解结果如图3所示,其中IMF1~IMF3的频率高,表现出强烈的随机性与波动性;IMF4、IMF5的随机性降低,呈现出一定的周期性;IMF6、IMF7和残差分量趋势平缓波动小,波形逐渐接近正弦波;经EMD算法分解的IMF分量频率依次降低,规律性增强,离散型降低,趋势逐渐平稳,反映出风速的特征与规律。
S4、将特征子集对应的输入特征数据分别与多个模态分量或残差对应结合构成多个输入矩阵集,将输入矩阵集分别输入到门控循环神经网络模型进行训练,获得模态分量或残差对应的多个参数已调的门控循环神经网络预测模型;
门控循环神经网络模型的前向计算公式为:
式(7)中,符号代表哈达玛积;xt是输入;rt是重置门;zt是更新门;/>是隐藏层状态;ht-1是上一隐藏层的输出;ht是本单元隐藏层的输出;W,Wz,Wr分别是对应权重矩阵。
将训练集的每个模态分量数据和残差数据以及对应特征子集数据作为输入矩阵集X;电负荷的输入矩阵为前一日的电负荷的模态分量或残差以及前一日的气负荷、温度、湿度;风速的输入矩阵为前一日的风速的模态分量和残差;电负荷和风速的输入矩阵集分别可以表示为:
式(8)中:Xe、Xw分别为电负荷的输入矩阵集、风速的输入矩阵集;lei(t)、lwi(t)分别为电负荷第i个模态分量的t时刻数据、风速第i个模态分量的t时刻数据,时刻为一天的24个小时;ren(t)、rwn(t)分别为电负荷残差的t时刻数据、风速残差的t时刻数据;xg(t)、xte(t)、xhu(t)分别为t时刻的气负荷数据、温度数据和湿度数据;Len、Lwn为电负荷和风速第n个模态分量的输入向量;
电负荷输入矩阵中一个模态分量的输入向量中包含对应的前一日电负荷模态分量或残差的24个数据、前一日气负荷的24个数据、前一日温度的24个数据以及前一日湿度的24个数据,一共96个数据;风速输入矩阵中一个模态分量的输入向量中包含对应的前一日风速模态分量或残差的24个数据。以实施例提供的风速为例,数据集大小为8个模态分量或残差*24个数据;将数据分别输入到8个模型中进行训练,每个模型由24个门控循环神经元组成;训练后分别得到电负荷和风速的多个参数已调门控循环神经网络预测模型;再将待测日的前一日电负荷的模态分量或残差以及气负荷、温度、湿度作为电负荷输入矩阵,分别输入到对应模态分量或残差的参数已调门控循环神经网络预测模型中;将待测日前一日风速的模态分量和残差作为风速输入矩阵,分别输入到对应模态分量的参数已调门控循环神经网络模型中;分别得出待测日电负荷和风速的模态分量和残差的预测。
S5、将得到的待测日电负荷每个模态分量和残差的预测结果和待测日风速每个模态分量和残差的预测结果分别进行加法求和,最后得到待测日电负荷和待测日风速的预测结果。
在步骤S4中,基于经验模态分解和门控循环神经网络结合的预测模型的性能指标为预测结果以平均百分比误差和均方根误差作为衡量精度的评估标准、且以平均百分比误差为基础评估标准,平均百分比误差和均方根误差通过下式计算:
式(9)-式(10)中,pi为第i个数据的真实值;为i个数据的预测值。
对比例
系统风荷预测是一个对实际值的拟合,当平均百分比误差和均方根误差越小时性能越好,这里采用未经过经验模态分解的长短期记忆神经网络(Long Short Term Memory,LSTM)、门控循环神经网络这2种深度学习的预测方法以及差分整合移动平均自回归(Autoregressive Integrated Moving Average,ARIMA)预测模型进行对比分析。图4和图5给出了4种模型的电负荷和风速的预测结果。
通过计算四个预测方法的评估指标,得到图6和图7的对风速和电负荷的预测性能图,图6中是各个预测方法对风速和电负荷的平均百分比误差;而图7中则是均方根误差。图7中左侧的柱子代表风速,其数值对应左边的y轴;而右侧的柱子代表电负荷,其数值对应右边的y轴。
从图4和图5中可知EMD-GRU的预测曲线与真实值最为接近;LSTM和GRU的拟合结果比较相似;而ARIMA的拟合结果较差。从预测性能的柱状图6和图7对比可知无论预测风速还是电负荷,EMD-GRU的MAPE和RMSE均比GRU、LSTM和ARIMA的预测方法更低,这说明了EMD-GRU相比其他三种预测方法拥有更精准的预测能力。
综上所述,本发明提供了一种基于EMD-GRU的混合预测模型来解决综合能源系统的中的源荷预测问题。通过实验分析,该方法能够避免多余特征带来的训练速度降低以及精确度下降,并且使用经验模态分解能够减小单一特征出现的噪声同时提高预测精度;最后通过对比分析,该方法更能综合数据的时序特征和非线性关系,与传统的深度学习算法有更好的预测性能。
在对本发明提供的系统风荷短期预测方法进行使用时,还可以这样使用:以风速为例,首先对周二的风速进行预测:输入为周一24个时刻风速的模态分量或残差、输出为周二24时刻风速的模态分量或残差的预测值;其次对周三的风速进行预测:输入为周二24个时刻风速的模态分量或残差的预测值、输出为周三24时刻风速的模态分量或残差的预测值;然后同样能够对周四、周五…的风速进行预测。
以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然能够对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部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的各实施例的技术方案。本发明未涉及的技术均可通过现有技术加以实现。
Claims (9)
1.一种考虑多元负荷影响的系统风荷短期预测方法,其特征在于:该方法步骤如下:
S1、获取原始时间序列数据和对应的输入特征数据,进入步骤S2和步骤S3;
S2、采用皮尔逊相关系数法对原始时间序列数据和对应的输入特征数据进行筛选,选取相关系数绝对值大于0.4的输入特征作为特征子集,进入步骤S5;
S3、将步骤S1中的原始时间序列数据划分为训练集和测试集,进入步骤S4;
S4、使用经验模态分解将训练集分别分解为对应的多个模态分量和残差,进入步骤S5;
S5、将步骤S2获得的特征子集对应的输入特征数据分别与步骤S4得到的多个模态分量或残差对应结合构成多个输入矩阵集,将输入矩阵集分别输入到门控循环神经网络模型进行训练,获得模态分量或残差对应的多个参数已调的门控循环神经网络预测模型,进入步骤S6;
S6、将待预测时段的前一时段的模态分量或残差、以及特征子集对应的前一时段的输入特征数据分别输入到对应的多个参数已调的门控循环神经网络预测模型中,得出待预测时段的每个模态分量和残差的预测结果,进入步骤S7;
S7、将待预测时段的每个模态分量和残差的预测结果进行相加求和,获得待预测时段的预测结果;
S8、将步骤S7获得的待预测时段的预测结果和步骤S3中的测试集内的待预测时段的数据进行对比,当平均百分比误差不大于8%,则步骤S5获得的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型训练成功,进入步骤S10;当平均百分比误差大于8%,则步骤S5获得的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型训练未成功,进入步骤S9;
S9、回到步骤S1,增加原始时间序列数据和对应的输入特征数据,重复步骤S3~步骤S8,直至获得训练成功的模态分量或残差对应的多个参数已调的门控循环神经网络预测模型;
S10、重复步骤S6~步骤S7,进行系统风荷短期预测。
2.根据权利要求1所述的考虑多元负荷影响的系统风荷短期预测方法,其特征在于:所述步骤S1中的原始时间序列数据包括电负荷数据和风速数据,所述步骤S1中的输入特征数据包括冷负荷数据、气负荷数据、温度数据、湿度数据。
3.根据权利要求1所述的考虑多元负荷影响的系统风荷短期预测方法,其特征在于:所述步骤S2中的特征子集的筛选具体步骤为:
S21、确定原始时间序列中的电负荷对应的输入特征和原始时间序列中的风速对应的输入特征;
S22、使用归一化方法将原始时间序列数据和输入特征数据缩减至(0,1)之间,归一化公式如下:
式(1)中,xnew(t)是数据归一化后t时刻的值,x(t)是数据归一化前t时刻的值,xmax、xmin是当前时段内多个时刻数据的最大和最小值;
S23、求出当前时段电负荷和当前时段风速分别与对应的各个输入特征的相关系数,两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,其计算公式如下:
式(2)中,ρX,Y为2个变量的相关系数;cov(X,Y)为2个变量的协方差;σX、σY为两个变量的标准差;
S24、筛选出相关系数绝对值大于0.4的输入特征来形成特征子集。
4.根据权利要求3所述的考虑多元负荷影响的系统风荷短期预测方法,其特征在于:所述步骤S21中的电负荷对应的输入特征有:气负荷、冷负荷、温度、湿度以及前一时段的电负荷,风速对应的输入特征有:温度、湿度以及前一时段的风速;所述步骤S24中的电负荷的特征子集为气负荷、温度、湿度以及前一日的电负荷,风速的特征子集为前一日的风速。
5.根据权利要求1所述的考虑多元负荷影响的系统风荷短期预测方法,其特征在于:所述步骤S3中的训练集和测试集的划分标准为:原始时间序列数据的前70%-90%为训练集、后30%-10%为测试集。
6.根据权利要求1所述的考虑多元负荷影响的系统风荷短期预测方法,其特征在于:所述步骤S4中的经验模态分解是将原始时间序列数据分别作为原始时序信号X(t)进行分解,分解的具体步骤为:
S41、将原始时序信号X(t)减去其上下包络线的均值曲线m1(t),得到新的序列c1(t):
c1(t)=X(t)-m1(t) (3);
S42、检验新的序列c1(t)是否满足模态分量所需条件,若满足,则c1(t)成为第1阶模态分量l1(t),若不满足,以新的序列c1(t)为基础,再次进入步骤S41,减去c1(t)上下包络线的均值曲线得到/>
再次检验是否满足模态分量所需条件,若满足,则/>成为第1阶模态分量l1(t),若不满足,再以/>为基础,按照上述方法重复k次,直到/>满足模态分量所需条件;此时成为第1阶模态分量l1(t);并从原始时序信号X(t)中分离并得到一阶残差r1(t):
r1(t)=X(t)-l1(t) (5);
S43、一阶残差r1(t)代替原始时序信号X(t)作为新的时序信号来重复步骤S41-S42,得到二阶残差r2(t)和第2阶模态分量l2(t);然后再不断重复直到最后的第n阶残差rn(t)为单调函数,则经验模态分解完成;此时已求得所有的模态分量li(t),则原始时序信号X(t)由n个模态分量和第n阶残差rn(t)表示:
7.根据权利要求6所述的考虑多元负荷影响的系统风荷短期预测方法,其特征在于:所述步骤S32中的模态分量所需条件为:条件一、在整个数据段内,极值个数与穿过时间轴的点个数相同或相差最多不超过1个;条件二、在数据段任何一处,由局部极大、极小值点形成的包络线均值为零。
8.根据权利要求1所述的考虑多元负荷影响的系统风荷短期预测方法,其特征在于:所述步骤S5中的门控循环神经网络模型的前向计算公式为:
式(7)中,符号代表哈达玛积;xt是输入;rt是重置门;zt是更新门;/>是隐藏层状态;ht-1是上一隐藏层的输出;ht是本单元隐藏层的输出;W,Wz,Wr分别是对应权重矩阵。
9.根据权利要求1所述的考虑多元负荷影响的系统风荷短期预测方法,其特征在于:所述步骤S10中的进行系统风荷短期预测时,能够将步骤S6获得的预测结果再次作为输入、进行待预测时段后续时段的预测,且能够将后续时段的预测结果作为输入继续进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311111565.2A CN117239722A (zh) | 2023-08-31 | 2023-08-31 | 一种考虑多元负荷影响的系统风荷短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311111565.2A CN117239722A (zh) | 2023-08-31 | 2023-08-31 | 一种考虑多元负荷影响的系统风荷短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117239722A true CN117239722A (zh) | 2023-12-15 |
Family
ID=89093906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311111565.2A Pending CN117239722A (zh) | 2023-08-31 | 2023-08-31 | 一种考虑多元负荷影响的系统风荷短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117239722A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669995A (zh) * | 2024-02-01 | 2024-03-08 | 大唐东北电力试验研究院有限公司 | 一种综合能源系统的多元负荷优化调度方法、系统和平台 |
CN117808325A (zh) * | 2024-02-29 | 2024-04-02 | 山东浪潮数据库技术有限公司 | 基于用户供需大数据的电力负荷预测方法 |
-
2023
- 2023-08-31 CN CN202311111565.2A patent/CN117239722A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669995A (zh) * | 2024-02-01 | 2024-03-08 | 大唐东北电力试验研究院有限公司 | 一种综合能源系统的多元负荷优化调度方法、系统和平台 |
CN117808325A (zh) * | 2024-02-29 | 2024-04-02 | 山东浪潮数据库技术有限公司 | 基于用户供需大数据的电力负荷预测方法 |
CN117808325B (zh) * | 2024-02-29 | 2024-05-14 | 山东浪潮数据库技术有限公司 | 基于用户供需大数据的电力负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059844B (zh) | 基于集合经验模态分解和lstm的储能装置控制方法 | |
Tian et al. | A prediction approach using ensemble empirical mode decomposition‐permutation entropy and regularized extreme learning machine for short‐term wind speed | |
CN117239722A (zh) | 一种考虑多元负荷影响的系统风荷短期预测方法 | |
CN110580543A (zh) | 一种基于深度信念网络的电力负荷预测方法及系统 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
CN116362398A (zh) | 基于模态分解和重构及lstm-mlr混合模型的电力负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN114912077B (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报方法 | |
CN115169703A (zh) | 一种基于长短时记忆网络组合的短期电力负荷预测方法 | |
CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
Zhang et al. | Achieving wind power and photovoltaic power prediction: An intelligent prediction system based on a deep learning approach | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN115619025A (zh) | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 | |
CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN117407660B (zh) | 一种基于深度学习的区域海浪预报方法 | |
CN111141879A (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
CN117592592A (zh) | 基于vmd-ssa-lstm的输电线路覆冰厚度预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN111882106B (zh) | 基于综合因素和ceemd-igwo-grnn的短期电力负荷预测方法 |
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 |