CN117458489A - 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法 - Google Patents

一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法 Download PDF

Info

Publication number
CN117458489A
CN117458489A CN202311806058.0A CN202311806058A CN117458489A CN 117458489 A CN117458489 A CN 117458489A CN 202311806058 A CN202311806058 A CN 202311806058A CN 117458489 A CN117458489 A CN 117458489A
Authority
CN
China
Prior art keywords
sequence
emd
electricity price
lstm
time
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.)
Granted
Application number
CN202311806058.0A
Other languages
English (en)
Other versions
CN117458489B (zh
Inventor
夏玉雄
徐哲壮
肖师荣
谢俊伟
王任良
余明敏
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.)
Fujian Huading Zhizao Technology Co ltd
Original Assignee
Fujian Huading Zhizao Technology Co ltd
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 Fujian Huading Zhizao Technology Co ltd filed Critical Fujian Huading Zhizao Technology Co ltd
Priority to CN202311806058.0A priority Critical patent/CN117458489B/zh
Publication of CN117458489A publication Critical patent/CN117458489A/zh
Application granted granted Critical
Publication of CN117458489B publication Critical patent/CN117458489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Finance (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种电价和多维时序变量的EMD‑Bi‑LSTM短期预测方法，涉及储能系统相关领域，将实时电价波动和多维时序变量纳入负荷预测模型中，通过综合考虑实时电价的波动以及气象、假期等多维时序变量的影响，能够更准确地预测电力市场改革和智能电网建设背景下的负荷需求；通过采用经验模态分解（EMD）方法对原始负荷数据和实时电价进行分解，并使用Bi‑LSTM模型进行预测，能够更好地捕捉负荷信号的特性以及处理负荷数据的非平稳性和突变情况，为电力系统的负荷管理和调度提供可靠支持。

Description

一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法
技术领域
本发明涉及储能系统相关领域，具体是一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法。
背景技术
电力是人类生产和生存必不可少的资源；准确预测电力负荷消耗可以帮助供电公司做出明智的决策，例如高峰负荷转移，以保持可靠的电力供应并减少二氧化碳排放；在研究电力需求时，存在季节性、趋势性、噪声、异常值等方面，要求供电公司采用准确的负荷预测技术，以减少电力生产损失和成本。
在电力市场改革与智能电网建设的大背景下，电力将逐渐回归商品属性，电价也将实时波动，从而间接影响各主体调度和决策的正确性和经济性；然而传统的负荷预测方法并未考虑到实时电价波动的影响，而是采用时间序列衡量在不同季节气象因素对负荷的影响，造成负荷预测精度较低，且由于没有其他影响因素的矫正，对于一些突变也无法正确处理；因此设计一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法。
中国专利申请号为：CN202210508129.8，名称为：基于LSTM神经网络的短期用电负荷预测方法；该方法首先设计LSTM神经网络的短期用电负荷预测模型，旨在提供准确的短期用电负荷预测；收集和整理与用电负荷相关的历史数据，进行数据预处理，包括数据清洗、去除异常值等操作；
上述现有技术采用单一模型构建神经网络，并未考虑到在模型结构层面还具有进一步优化的空间；在考虑影响历史用电负荷的情况下，未充分考虑实时电价、气象因素、假期日等多维度的影响因素，从而无法更好地捕捉负荷预测中的相关因素。
中国专利申请号为：CN202011128170.X，名称为：一种基于LSTM-BP神经网络的用户用电负荷预测方法；该方法结合用户侧的需求响应及荷网侧的负荷时空特性，从电网信息采集系统中获取所需用户历史用电特征；
上述现有技术适用于在不同季节的相同时段的需求响应相同或相似的情况，而对于受季节影响较大，难以仅依据单一季节的数据构建短期负荷预测模型，无法准确地捕捉负荷的非线性特征，因此亟待利用一种预测分析的数据处理方法，将非平稳信号分离为不同尺度和频率的成分，以便更好地理解和分析信号特征。
发明内容
因此，为了解决上述不足，本发明在此提供一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法。
本发明是这样实现的，构造一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，该装置包括以下步骤：
步骤一：确定系统采集的电价序列、电力负荷时间序列、负荷数据、气象因子、假期日类型、时间序列、实时电价相关因素为样本特征，通过拉格朗日插值法对缺失值进行补足，对异常值进行选择剔除，利用Pearson相关度对全部特征量进行打分排名；
步骤二：利用EMD算法将步骤一中的电价序列和电力负荷时间序列进行平稳化处理，得到用于预测的本征模态，具体得到历史负荷序列和实时电价EMD分解结果；
步骤三：根据步骤二中得到的历史负荷序列和实时电价EMD分解结果，为避免时间序列的非平稳性在回归过程中所产生的伪回归现象，在建立模型之前需要对每个时间序列进行ADF单位根检验，筛选分解的平稳序列，筛选内容具体为历史负荷、实时电价分量；
步骤四：根据步骤三中通过ADF单位根检验的历史负荷序列、实时电价分量，以及步骤一中气象因子、假期日类型相关特征重新构造新的数据集；
步骤五：构建多维时序变量的EMD-Bi-LSTM深度学习模型，利用网格搜索进行深层神经网络的超参数调节，结合Adam算法对目标函数进行优化；
步骤六：预测每个本征模函数，根据步骤三中的历史负荷和实时电价分量以及步骤一中的气象因子、假期日类型特征构造数据集，采用超参优化后的混合模型Bi-LSTM，将每个分量的预测结果合并，以给予总体预测。
本发明具有如下优点：本发明通过改进在此提供一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，与同类型设备相比，具有如下改进：
本发明所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，将实时电价波动和多维时序变量纳入负荷预测模型中，通过综合考虑实时电价的波动以及气象、假期等多维时序变量的影响，能够更准确地预测电力市场改革和智能电网建设背景下的负荷需求；通过采用经验模态分解（EMD）方法对原始负荷数据和实时电价进行分解，并使用Bi-LSTM模型进行预测，能够更好地捕捉负荷信号的特性以及处理负荷数据的非平稳性和突变情况，为电力系统的负荷管理和调度提供可靠支持。
附图说明
图1是本发明流程图；
图2是本发明的EMD算法流程图；
图3是本发明的箱型图异常值检测原理图。
具体实施方式
下面结合附图1-图3和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
请参阅图1~图3，本发明的一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，包括以下步骤：
步骤1、确定系统采集的历史负荷序列、气象因子、假期日类型、时刻、实时电价等因素为样本特征，通过拉格朗日插值法对缺失值进行补足，对异常值进行选择剔除，利用Pearson相关度对全部特征量进行打分排名，筛选输入特征。
步骤1.1、选用2015年至2018年四年的电网数据、实时电价和气象因素作为研究对象，对所有数据进行数据预处理，此处所述的数据包括历史负荷序列、实时电价、气象因素以及假期日等数据；通过丢弃、补全、真值转换等方法依次对缺失值进行补足，对异常值进行选择剔除；经过预处理的部分电网数据如表1所示：
时间 生物质发电负荷 天然气发电负荷 煤发电负荷 … 实际总负荷 日前价格 实际价格 温度(单位：开尔文K) 天气条件
35059 2018-12-3119:00:00+01:00 297.0 7634.0 2628.0 … 30653.0 68.85 77.02 292.15 0
35060 2018-12-3120:00:00+01:00 296.0 7241.0 2566.0 … 29735.0 68.40 76.16 293.45 0
35061 2018-12-3121:00:00+01:00 292.0 7025.0 2422.0 … 28071.0 66.88 74.30 292.79 1
35062 2018-12-3122:00:00+01:00 293.0 6562.0 2293.0 … 25801.0 63.93 69.89 292.93 2
35063 2018-12-3123:00:00+01:00 290.0 6926.0 2166.0 … 24455.0 64.27 69.88 293.41 1
表1
步骤1.2、利用Pearson相关度对电力负荷时间序列及其他特征量进行打分排名，根据阈值筛选相关系数矩阵，获取相关性≥阈值0.65的特征列，本次预测模型的输入特征如表2所示：
项目 特征变量描述（特征数）
气象特征 温度、湿度、降雨、天气状况（4）
假期日特征 待预测日t时刻的季节类型、类型日、所处的时间点（3）
电价 日前电价、实时电价（2）
历史负荷特征 待预测日的前1天、前2天、前3天、前7天的t时刻负荷（4）
总特征数 13
表2
步骤2：利用EMD算法将电价序列和电力负荷时间序列进行平稳化处理，得到用于预测的本征模态。
步骤2.1、应用EMD算法对待预测日的前1天、前2天、前3天、前7天的t时刻负荷时间序列进行经验模态分解，得到4个IMF分量和一个残差分量/>。
步骤2.1.1、将步骤1中待预测日的前1天、前2天、前3天、前7天的t时刻负荷序列进行进一步预处理，使用差分方法去除趋势和季节性成分，使其满足EMD算法的要求。
步骤2.1.2、将其输入电力负荷时间序列作为初始序列，对初始序列执行以下过程，直到满足停止准则：
a.通过求取序列的极大值和极小值来提取序列中的局部极值点，构成上下包络线。
b.计算上下包络线的平均值，得到当前序列的均值函数。
c.通过将当前序列减去均值函数，得到当前序列的一维内禀模态函数（IMF）。
d.判断当前得到的IMF是否是一个合格的IMF。合格的IMF需要满足两个条件：
在序列中的极值点数目和跨越零点的次数相等或相差不超过1。
在整个序列上，极值点处的振幅的平均值为零。
e.如果当前得到的IMF不符合合格IMF的条件，则将其作为新的初始序列，并重复步骤2.1.2。
f.如果当前得到的IMF符合合格IMF的条件，则将其保存，并将其从初始序列中减去。
g.将步骤2.1.2得到的IMF累加，得到最终的分解结果。
步骤2.1.3、残差分量定义为最终的分解结果中剩余的序列，即未被分解的部分。
步骤2.2、同步骤2.1，替换输入时间序列，应用EMD算法对日前电价、实时电价的时序输入进行经验模态分解，得到4个IMF分量和一个残差分量。
通过以上方式，可完成电价序列和电力负荷时间序列进行平稳化处理，得到用于预测的本征模态。对应流程图如图2所示。
步骤3、根据步骤2中得到的历史负荷和实时电价EMD分解结果，对每个时间序列进行ADF单位根检验，挑选分解的平稳序列。
步骤3.1、提出原假设（H0）是时间序列具有单位根，即非平稳性。备择假设（H1）是时间序列是平稳的。
步骤3.2、检验回归模型中的系数γ是否显著不为零，ADF单位根检验的回归模型如公式（3-1）所示：
（3-1）
其中，表示一阶差分运算，/>表示时间序列，/>表示时间，/>是常数项，/>是时间趋势项，/>和/>是回归系数，/>是滞后阶数，/>是误差项。
分别对历史负荷、电价各自分解的每个分量的测量点进行ADF测试，以和为例，其历史负荷分解/>的ADF测试如表3、电价分解/>的ADF测试如表4所示：
；
表3
；
表4
步骤3.3、根据实验结果，和/> 显著不为零，则可以拒绝原假设，认为分量/>和/>序列是平稳的；本次实验对历史负荷、电价剩余的分量/>以及/>，残差/>以及/>进行验证，结果为剩余变量都通过ADF单位根检验，认为各个分量是平稳的。
步骤3.4、筛选通过ADF单位根的历史负荷、实时电价分量，即和，/>和/>，累计10个分量。
步骤4、根据步骤3中通过ADF单位根检验的历史负荷、实时电价分量，以及步骤1中气象因子、假期日类型等特征重新构造新的数据集。
步骤5、构建多维时序变量的EMD-Bi-LSTM深度学习模型，利用网格搜索进行深层神经网络的超参数调节，结合Adam算法对目标函数进行优化。
步骤5.1、针对搭建Bi-LSTM网络，初始化一个Sequential模型，添加Embedding层、双向LSTM层、输出层。
步骤5.2、针对Bi-LSTM神经网络的结构类型超参数，通过网格搜索确定性能最优的结构，确定500的隐藏层和8的小批量大小，学习率为，以均匀分布方法初始化权重。
步骤5.3、针对Bi-LSTM神经网络的训练类型超参数，通过Adam算法进行训练超参数配置，一阶矩估计的指数衰减率为0.9，二阶矩估计/>的指数衰减率为0.999，矫正偏差为/>。
步骤6、预测每个本征模函数，根据历史负荷、实时电价分量以及气象因子、假期日类型特征构造数据集，以此新数据集作为各个相同的参数的Bi-LSTM模型的输入，进行预测，并采用超参优化后的混合模型Bi-LSTM，将每个分量的预测结果合并，以给予总体预测。
具体为：根据步骤4得到的新数据集1的特征有①气象因子；②假期日类型；③和/>，由此构造的新数据集输入到Bi-LSTM1模型内，得到一个输出Result1；根据步骤6得到的新数据集2的特征有①气象因子；②假期日类型；③/>和/>，由此构造的新数据集输入到Bi-LSTM2模型内，得到一个输出Result2……依次循环，直到余项为止，最后再将结果累加，得到负荷预测结果。
将EMD-Bi-LSTM模型与传统的LSTM模型进行对比，对应2018年1月、4月、7月、10月的模型误差评价指标如表5所示：
月份 模型 RMSE均方根误差 MAE平均绝对误差 MAPE%平均绝对百分比误差% 相关系数
1月 EMD-Bi-LSTM 0.3610 0.2823 4.4072 0.9596
LSTM 0.6157 0.4738 7.4283 0.8743
4月 EMD-Bi-LSTM 0.4453 0.3700 4.8688 0.9877
LSTM 0.7089 0.5636 7.6004 0.9686
7月 EMD-Bi-LSTM 0.4087 0.3243 5.0503 0.9700
LSTM 0.6511 0.5016 7.5092 0.9292
10月 EMD-Bi-LSTM 0.2332 0.1880 5.1595 0.9882
LSTM 0.3864 0.3055 8.3027 0.9685
平均值 EMD-Bi-LSTM 0.3621 0.2912 4.8721 0.9749
LSTM 0.5905 0.461125 7.71015 0.93515
表5
步骤6.1、预测本征模函数；经验模态分解是一种将非线性和非平稳信号分解为一组本征模函数的方法：
1、将预测用的原始信号定义为输入信号。
2、初始化当前模式函数（CurrentModeFunction，CMF）为输入信号：。
3、对于每个IMF的提取：
a.找到局部极大值点和局部极小值点，通过寻找信号中的零交叉点来确定极值点。
b.使用极值点之间的插值来构造上包络线（UpperEnvelope，UE）和下包络线（LowerEnvelope，LE）。
c.计算均值函数（MeanFunction，MF）作为包络线的平均值：。
d.计算当前模式函数与均值函数之间的差值作为细节函数：。
e.判断细节函数是否满足IMF的条件，即在极值点处的零交叉，并且极值点的个数比极值点和零交叉点的个数差异小于等于1。
f.如果满足IMF的条件，则将细节函数作为当前的IMF，并将其从当前模式函数中减去：。
g.如果不满足IMF的条件，则将当前模式函数作为IMF的最终结果，并停止提取IMF。
h.重复步骤a到g，直到提取出所有的IMF。
4、最后剩下的当前模式函数被视为信号的残差项。
通过结果分析，相较于传统LSTM模型，考虑实时电价和多维时序变量的EMD-Bi-LSTM短期负荷预测模型能够更准确地预测电力市场改革和智能电网建设背景下的负荷需求。
本发明通过改进提供一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，将实时电价波动和多维时序变量纳入负荷预测模型中，通过综合考虑实时电价的波动以及气象、假期等多维时序变量的影响，能够更准确地预测电力市场改革和智能电网建设背景下的负荷需求；通过采用经验模态分解（EMD）方法对原始负荷数据和实时电价进行分解，并使用Bi-LSTM模型进行预测，能够更好地捕捉负荷信号的特性以及处理负荷数据的非平稳性和突变情况，为电力系统的负荷管理和调度提供可靠支持。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,异形件根据说明书的和附图的记载均可以进行订制,各个零件的具体连接方式均采用现有技术中成熟的螺栓铆钉、焊接等常规手段，机械、零件和设备均采用现有技术中,常规的型号,加上电路连接采用现有技术中常规的连接方式,在此不再详述。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：包括以下步骤：
步骤一：确定系统采集的电价序列、电力负荷时间序列、负荷数据、气象因子、假期日类型、时间序列、实时电价相关因素为样本特征，通过拉格朗日插值法对缺失值进行补足，对异常值进行选择剔除，利用Pearson相关度对全部特征量进行打分排名；
步骤二：利用EMD算法将步骤一中的电价序列和电力负荷时间序列进行平稳化处理，得到用于预测的本征模态，具体得到历史负荷序列和实时电价EMD分解结果；
步骤三：根据步骤二中得到的历史负荷序列和实时电价EMD分解结果，为避免时间序列的非平稳性在回归过程中所产生的伪回归现象，在建立模型之前需要对每个时间序列进行ADF单位根检验，筛选分解的平稳序列，筛选内容具体为历史负荷、实时电价分量；
步骤四：根据步骤三中通过ADF单位根检验的历史负荷、实时电价分量，以及步骤一中气象因子、假期日类型相关特征重新构造新的数据集；
步骤五：构建多维时序变量的EMD-Bi-LSTM深度学习模型，利用网格搜索进行深层神经网络的超参数调节，结合Adam算法对目标函数进行优化；
步骤六：预测每个本征模函数，根据步骤三中的历史负荷和实时电价分量以及步骤一中的气象因子、假期日类型特征构造数据集，采用超参优化后的混合模型Bi-LSTM，将每个分量的预测结果合并，以给予总体预测。
2.根据权利要求1所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：所述步骤一中还包括：
步骤1.1：利用拉格朗日插值法对负荷数据、实时电价分量中的空缺值做填补，利用箱型图识别异常值；
步骤1.2：针对气象因子，考虑天气状况，具体为最高温度、最低温度、湿度、风速相关特征；针对假期日类型，分解提取出特征，将其转化成可识别的数字信号；使用one-hot编码将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点，让特征之间的距离计算更加合理；
步骤1.3：根据皮尔逊相关度对全部特征量进行打分排序；利用Pearson相关度对电力负荷时间序列及其他特征量进行打分排名，根据阈值筛选相关系数矩阵，获取相关性≥阈值的特征列，如以下公式所示；
；
表示Pearson相关系数，/>表示样本数量，/>和/>分别表示第/>个样本的两个变量的取值，/>和/>分别表示两个变量的均值；其中，样本对象为电力负荷时间序列及气象因子、假期日类型等数据，此处/>表示电力负荷时间序列，/>表示气象因子、假期日类型等特征数据列。
3.根据权利要求2所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：所述步骤一中的步骤1.1还包括：
步骤1.1.1：利用个离散点/>，通过插值函数即可得到插值多项式，如以下两个公式所示：
；
；
式中为插值函数；/>为插值多项式；利用已知的数求出拉格朗日插值多项式，再将待求节点代入该多项式，求出目标值，完成对负荷数据、实时电价中的空缺值填补；
步骤1.1.2：利用箱型图识别异常值，异常值被定义为大于或小于的值，/>是上四分位数，表示全部观察值中有/>的数据比他大，/>是下四分位数，表示全部数据中有/>的数据比他小，/>是四分位间距，是/>和/>的差，其间包含了观察值的一半；
步骤1.1.3：数据归一化，用线性函数归一化方法将原始数据转换到范围，如以下公式所示：
；
其中，是原始数据，/>和/>分别是原始数据的最小值和最大值；/>是归一化后的标准数据。
4.根据权利要求3所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：所述步骤二中还包括：
步骤2.1：应用EMD算法对电力负荷时间序列进行经验模态分解，得到K个IMF分量和一个残差分量/>；
步骤2.2：同步骤2.1，应用EMD算法对电价序列进行经验模态分解，得到K个IMF分量和一个残差分量/>。
5.根据权利要求4所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：所述步骤二中的步骤2.1还包括：
步骤2.1.1：将步骤一中电力负荷时间序列进行进一步预处理，使用差分或滤波器方法去除趋势和季节性成分，使其满足EMD算法的要求；
步骤2.1.2：输入电力负荷时间序列作为初始序列，对初始序列执行以下过程，直到满足停止准则：
a.通过求取序列的极大值和极小值来提取序列中的局部极值点，构成上下包络线；
b.计算上下包络线的平均值，得到当前序列的均值函数，均值函数公式如以下公式所示：
；
其中，是均值函数，/>是上包络线，/>是下包络线；
c.通过将当前序列减去均值函数，得到当前序列的一维内禀模态函数（IMF），IMF公式如以下公式所示：
；
其中，是当前得到的IMF，/>是当前序列；
d.判断当前得到的IMF是否是一个合格的IMF；合格的IMF需要满足两个条件：
在序列中的极值点数目和跨越零点的次数相同或相差不超过1；
在整个序列上，极值点处的振幅的平均值为零；
e.如果当前得到的IMF不符合合格IMF的条件，则将其作为新的初始序列，并重复步骤2.1.2；
f.如果当前得到的IMF符合合格IMF的条件，则将其保存，并将其从初始序列中减去；
g.将步骤2.1.2得到的IMF累加，得到最终的分解结果；
步骤2.1.3：残差分量定义为最终的分解结果中剩余的序列，即未被分解的部分。
6.根据权利要求5所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：所述步骤三中还包括：
步骤3.1：提出原假设H0是时间序列具有单位根，即非平稳性；备择假设H1是时间序列是平稳的；
步骤3.2：检验回归模型中的系数γ是否显著不为零，ADF单位根检验的回归模型如以下公式所示：
；
其中，表示一阶差分运算，/>表示时间序列，/>表示时间，/>是常数项，/>是时间趋势项，/>和/>是回归系数，/>是滞后阶数，/>是误差项；
步骤3.3：如果显著不为零，则可以拒绝原假设，认为时间序列是平稳的；如果/>不显著不为零，则无法拒绝原假设，认为时间序列具有单位根，即非平稳的；
步骤3.4：筛选通过ADF单位根的历史负荷、实时电价分量。
7.根据权利要求6所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：所述步骤五中还包括：
步骤5.1：针对搭建Bi-LSTM网络，初始化一个Sequential模型，添加Embedding层、双向LSTM层、输出层；
步骤5.2：针对Bi-LSTM神经网络的结构类型超参数，通过网格搜索穷举法列出不同的参数组合，确定性能最优的结构，确定学习率、批次大小、隐含层的数量和单元数、权重初始化；
步骤5.3：针对Bi-LSTM神经网络的训练类型超参数，通过Adam算法纠正学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大的问题。
8.根据权利要求7所述一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：所述步骤5.3中Adam算法的原理过程如下：
步骤5.3.1：初始化参数；
学习率、衰减率一/>、衰减率二/>、小数值/>；
步骤5.3.2：初始化变量；
动量变量、学习率变量/>、迭代次数/>；
步骤5.3.3：在每次迭代中，计算梯度；
步骤5.3.4：更新动量变量和学习率变量/>；
动量更新；
学习率更新；
步骤5.3.5：根据动量和学习率的更新计算参数更新量；
动量校正：；
学习率校正：；
参数更新：；
步骤5.3.6：更新参数；
步骤5.3.7：增加迭代次数；
步骤5.3.8：重复步骤5.3.3到步骤5.3.7，直到达到设定的迭代次数或满足终止条件。
CN202311806058.0A 2023-12-26 2023-12-26 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法 Active CN117458489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311806058.0A CN117458489B (zh) 2023-12-26 2023-12-26 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311806058.0A CN117458489B (zh) 2023-12-26 2023-12-26 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法

Publications (2)

Publication Number Publication Date
CN117458489A true CN117458489A (zh) 2024-01-26
CN117458489B CN117458489B (zh) 2024-03-12

Family

ID=89582243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311806058.0A Active CN117458489B (zh) 2023-12-26 2023-12-26 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法

Country Status (1)

Country Link
CN (1) CN117458489B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118211789A (zh) * 2024-03-19 2024-06-18 国网江苏省电力有限公司南通供电分公司 一种面向钢铁企业的负荷响应潜力感知方法及系统
CN118277747A (zh) * 2024-06-03 2024-07-02 江西安控科技发展有限公司 一种基于人工智能的用电行为分析方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222700A (zh) * 2020-01-07 2020-06-02 东北电力大学 基于动态网络分位数模型的日前电价概率预测方法
CN112329990A (zh) * 2020-10-20 2021-02-05 昆明理工大学 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN113657937A (zh) * 2021-08-17 2021-11-16 江南大学 基于eemd-cnn+sae-rfr混合算法的日前电价预测方法
CN114693334A (zh) * 2021-12-15 2022-07-01 合肥工业大学 基于CEEMD和ConvLSTM的碳价预测方法和系统
CN114997470A (zh) * 2022-05-11 2022-09-02 江苏慧智能源工程技术创新研究院有限公司 基于lstm神经网络的短期用电负荷预测方法
CN115829141A (zh) * 2022-12-14 2023-03-21 福建华鼎智造技术有限公司 一种基于短期智能电表数据的储能系统优化配置方法
CN116090359A (zh) * 2023-04-11 2023-05-09 南京师范大学 一种基于组合预测模型的综合能源系统多元负荷预测方法
CN116957698A (zh) * 2023-06-29 2023-10-27 内蒙古龙源新能源发展有限公司 一种基于改进时序模式注意力机制的电价预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222700A (zh) * 2020-01-07 2020-06-02 东北电力大学 基于动态网络分位数模型的日前电价概率预测方法
CN112329990A (zh) * 2020-10-20 2021-02-05 昆明理工大学 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN113657937A (zh) * 2021-08-17 2021-11-16 江南大学 基于eemd-cnn+sae-rfr混合算法的日前电价预测方法
CN114693334A (zh) * 2021-12-15 2022-07-01 合肥工业大学 基于CEEMD和ConvLSTM的碳价预测方法和系统
CN114997470A (zh) * 2022-05-11 2022-09-02 江苏慧智能源工程技术创新研究院有限公司 基于lstm神经网络的短期用电负荷预测方法
CN115829141A (zh) * 2022-12-14 2023-03-21 福建华鼎智造技术有限公司 一种基于短期智能电表数据的储能系统优化配置方法
CN116090359A (zh) * 2023-04-11 2023-05-09 南京师范大学 一种基于组合预测模型的综合能源系统多元负荷预测方法
CN116957698A (zh) * 2023-06-29 2023-10-27 内蒙古龙源新能源发展有限公司 一种基于改进时序模式注意力机制的电价预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118211789A (zh) * 2024-03-19 2024-06-18 国网江苏省电力有限公司南通供电分公司 一种面向钢铁企业的负荷响应潜力感知方法及系统
CN118277747A (zh) * 2024-06-03 2024-07-02 江西安控科技发展有限公司 一种基于人工智能的用电行为分析方法及系统

Also Published As

Publication number Publication date
CN117458489B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN117458489B (zh) 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法
CN110414788B (zh) 一种基于相似日和改进lstm的电能质量预测方法
CN110309603B (zh) 一种基于风速特性的短期风速预测方法及系统
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN106980910B (zh) 中长期电力负荷测算系统及方法
CN110321934B (zh) 一种检测用户用电异常数据的方法及系统
CN112801388B (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
CN114004139A (zh) 一种光伏发电功率预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN115293326A (zh) 电力负荷预测模型的训练方法、装置及电力负荷预测方法
CN116258269A (zh) 一种基于负荷特征分解的超短期负荷动态预测方法
CN105023066A (zh) 一种基于季节调整的业扩报装分析预测系统及方法
CN111178585A (zh) 基于多算法模型融合的故障接报量预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN116578551A (zh) 一种基于gru-gan的电网数据修复方法
CN117592593A (zh) 基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
Shi et al. Load forecasting for regional integrated energy system based on two-phase decomposition and mixture prediction model
Zhang et al. Prediction method of line loss rate in low‐voltage distribution network based on multi‐dimensional information matrix and dimensional attention mechanism‐long‐and short‐term time‐series network
Alvarez Meza et al. Parameter selection in least squares-support vector machines regression oriented, using generalized cross-validation
CN111340525A (zh) 一种分时电价尖峰电价的确定方法和系统

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
GR01 Patent grant
GR01 Patent grant