一种短期电力负荷预测方法与流程

本发明涉及一种短期电力负荷预测方法，属于电力。

背景技术：

1、电力是人类生产和生存的重要资源，准确预测电力负荷消耗可帮助供电公司做出明智决策，如转移高峰负荷以维持可靠的电力供应并减少二氧化碳排放。然而，由于非线性和非平稳的时间序列数据与气候变化相关，预测用电量具有挑战性。为应对这一挑战，本发明提出了一种基于经验模态分解(empirical mode decomposition，emd)、改进蚁狮优化算法(improved antlion optimizer，ialo)和双向长短期记忆网络(bi-directional longshort-term memory,bilstm)结合而成的emd-ialo-bilstm预测模型。首先使用emd将信号分解为其本征模态信号(intrinsic mode function,imf)，这样我们就可以在多个时间尺度上分析数据，并获取信号中被隐藏的特征信息；然后使用bilstm对分解产生的子分量进行预测，同时为了避免bilstm参数取值不同影响预测预测结果，引入ialo算法对模型的超参数进行优化；最后将预测结果进行叠加得到最终结果。结果表明，相较于bilstm、emd-bigru(bi-directional gated recurrent unit,bigru)，本发明所提的方法具有更高的预测精度，验证了本发明的有效性。

2、在电力技术领域，方法的发展经历了从经验预测到传统预测再到现代预测的演变。经验预测方法在理论上相对简单，但随着电力负荷类型和随机性的增加，仅凭主观经验进行预测缺乏客观的理论支持。传统预测方法包括回归分析、时间序列分析、灰色理论和卡尔曼滤波等，这些方法被广泛应用于电力负荷预测。例如，王艳松采用逐步回归分析法对海上油田中长期电力负荷进行预测，然而在实际工程中，线性回归方法可能降低预测精度为了克服传统方法的局限性，刘鑫蕊提出了一种结合极值梯度提升和不可追踪卡尔曼滤波的电网虚假数据注入攻击检测方法。该方法在计算量适中的同时，具有较高的预测精度。然而，该方法的挑战在于构造相应的状态方程，这可能是一个复杂的过程。

3、现代预测方法主要包括专家系统方法、人工神经网络(ann)、门控循环单元(gru)、长短时记忆网络(long short term memory,lstm)预测模型和组合预测方法。人工神经网络方法通过模拟人脑的思维和工作方式，对历史负荷数据进行定期总结学习，从而得出历史负荷数据的变化规律。蔡秋娜建立了一种新的鲁棒人工神经网络框架，提高了传统人工神经网络的预测能力。人工神经网络在负荷预测方面有较好的效果，但该方法的问题是确定其相关参数需要一定的时间。为了克服传统神经网络预测误差大、运算时间长的缺点，引入lstm模型，lstm模型具有学习速度快的特点。胡如乐提出了一种母线负荷预测方法，该方法基于ssa-bilstm神经网络。通过采用ssa-bilstm，可以更好地提取母线负荷序列的信息，从而提高了预测的准确性。陆继翔则采用了cnn和istm神经网络的线性堆叠方式进行组合预测。该方法利用cnn来提取特征，并将生成的特征向量作为输入量，通过lstm神经网络进行预测。另外，杨龙对lstm进行了改进，增加了反向隐含层。他提出了一种考虑特征选择的bilstm短期预测模型，该模型适用于对特征敏感的新能源系统负荷预测，这种改进的模型可以更好地捕捉序列中的上下文信息，并提高预测的准确性。但bilstm参数取值不同可能导致预测结果不稳定，需对bilstm模型的超参数进行优化。因此，选择合适的智能算法对lstm超参数进行优化，对提高电力负荷预测精度具有重要意义。

4、综上，本发明首先使用emd将信号分解为其本征模态信号(intrinsic modefunction,imf)，获取信号中被隐藏的特征信息；然后使用bilstm对分解产生的子分量进行预测，同时为了避免bilstm参数取值不同影响预测预测结果，引入ialo算法对模型的超参数进行优化，通过实际案例结果验证了本发明方法的有效性。

技术实现思路

1、为了解决上述现有技术中存在的问题，本发明提出了一种短期电力负荷预测方法。

2、本发明的技术方案如下：

3、一方面，本发明提供了一种短期电力负荷预测方法，包括如下步骤：

4、基于经验模态分解算法、改进蚁狮优化算法和双向长短期记忆网络模型构建emd-ialo-bilstm短期电力负荷预测模型；

5、获取目标电网的历史电力负荷数据，基于经验模态分解算法将整个历史数据序列分解为本征模态信号，提取本征模态信号中的特征序列形成训练集；

6、所述双向长短期记忆网络模型用于输入训练集中的特征序列，并输出相应的电力负荷预测结果；

7、利用所述改进蚁狮优化算法寻找双向长短期记忆网络模型的最优超参数；

8、根据所述最优超参数和训练集，训练emd-ialo-bilstm短期电力负荷预测模型，得到训练好的emd-ialo-bilstm短期电力负荷预测模型；

9、基于训练好的emd-ialo-bilstm短期电力负荷预测模型对目标电网进行短期负荷预测。

10、作为优选，所述利用所述改进的蚁狮优化算法寻找双向长短期记忆网络模型的最优超参数，具体包括：

11、所述超参数的包括隐藏层神经元个数、学习率和迭代次数；

12、所述改进的蚁狮优化算法将蚁狮的位置视为优化问题的解，并通过捕食适应度高的蚂蚁来不断更新蚁狮的最优个体位置来确定最优超参数；其改进的蚁狮优化算法的步骤为：

13、通过蚁狮优化算法对蚂蚁种群进行初始化，对蚂蚁种群中每个个体设置唯一的超参数组合、初始位置以及速度，并将它们的位置分布在搜索空间中；使用交叉验证法构建适应度函数，根据适应度函数计算出每个个体的适应度值；根据所述适应度值更新每个个体的位置；使用差分算法策略进行迭代，根据适应度值不断更新个体的位置；当达到终止条件时，确定最优个体位置，得到双向长短期记忆网络模型的最优超参数；

14、所述适应度函数基于双向长短期记忆网络模型的预测精度所构建。

15、作为优选，所述差分算法策略主要包括变异、交叉和选择，其具体步骤为：

16、对蚁狮和蚂蚁进行个体变异的表达式如下式所示：

17、

18、其中，r1≠r2≠r3≠w；为第w个变异个体；f是变异因子，为[0,1]内的随机数；和是在第t代种群中随机选择的不同个体；

19、将变异个体与目标个体进行二项式交叉操作生新个体公式如下所示：

20、

21、其中，zr是在[0,1]内随机选择的整数，d表示向量维度；rw,z(0,1)是0和1之间均匀分布的随机数；cr∈[0,1]为交叉因子；

22、采用选择机制从产生的解和当前解中根据其适应度函数值选择最佳的当前解进行下一次迭代，公式如下所示：

23、

24、其中：f为适应度函数。

25、另一方面，本发明还提供一种短期电力负荷预测系统，包括：

26、模型组成模块，基于经验模态分解算法、改进蚁狮优化算法和双向长短期记忆网络模型构建emd-ialo-bilstm短期电力负荷预测模型；

27、基础信息获取模块，获取目标电网的历史电力负荷数据，基于经验模态分解算法将整个历史数据序列分解为本征模态信号，提取本征模态信号中的特征序列形成训练集；

28、模型优化模块，所述双向长短期记忆网络模型用于输入训练集中的特征序列，并输出相应的电力负荷预测结果；利用所述改进蚁狮优化算法寻找双向长短期记忆网络模型的最优超参数；

29、短期电力负荷预测预测模块，根据所述最优超参数和训练集，训练emd-ialo-bilstm短期电力负荷预测模型，得到训练好的emd-ialo-bilstm短期电力负荷预测模型；

30、基于训练好的emd-ialo-bilstm短期电力负荷预测模型对目标电网进行短期负荷预测。

31、作为优选，所述利用所述改进的蚁狮优化算法寻找双向长短期记忆网络模型的最优超参数，具体包括：

32、所述超参数的包括隐藏层神经元个数、学习率和迭代次数；

33、所述改进的蚁狮优化算法将蚁狮的位置视为优化问题的解，并通过捕食适应度高的蚂蚁来不断更新蚁狮的最优个体位置来确定最优超参数；其改进的蚁狮优化算法的步骤为：

34、通过蚁狮优化算法对蚂蚁种群进行初始化，对蚂蚁种群中每个个体设置唯一的超参数组合、初始位置以及速度，并将它们的位置分布在搜索空间中；使用交叉验证法构建适应度函数，根据适应度函数计算出每个个体的适应度值；根据所述适应度值更新每个个体的位置；使用差分算法策略进行迭代，根据适应度值不断更新个体的位置；当达到终止条件时，确定最优个体位置，得到双向长短期记忆网络模型的最优超参数；

35、所述适应度函数基于双向长短期记忆网络模型的预测精度所构建。

36、作为优选，所述差分算法策略主要包括变异、交叉和选择，其具体步骤为：

37、对蚁狮和蚂蚁进行个体变异的表达式如下式所示：

38、

39、其中，r1≠r2≠r3≠w；为第w个变异个体；f是变异因子，为[0,1]内的随机数；和是在第t代种群中随机选择的不同个体；

40、将变异个体与目标个体进行二项式交叉操作生新个体公式如下所示：

41、

42、其中，zr是在[0,1]内随机选择的整数，d表示向量维度；rw,z(0,1)是0和1之间均匀分布的随机数；cr∈[0,1]为交叉因子；

43、采用选择机制从产生的解和当前解中根据其适应度函数值选择最佳的当前解进行下一次迭代，公式如下所示：

44、

45、其中：f为适应度函数。

46、再一方面，本发明还提供一种电子设备，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本发明任一实施例所述的一种短期电力负荷预测方法。

47、再一方面，本发明还提供一种计算机可读介质，用于存储一个或者多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如本发明任一实施例所述的一种短期电力负荷预测方法。

48、本发明具有如下有益效果：

49、1、本发明提出了一种经验模态分解(empirical mode decomposition，emd)、改进蚁狮优化算法(improved antlion optimizer，ialo)和双向长短期记忆网络(bi-directional long short-term memory,bilstm)结合而成的新型emd-ialo-bilstm负荷预测模型，通过具体算例与bi-lstm、emd-bi-gru等方法进行比较结果表明，相较于，本发明所提的方法具有更高的预测精度。

50、2、本发明采用采差分策略对alo算法进行改进，并利用ialo算法对bilstm模型的超参数进行优化，解决了原有bilstm参数取值不同影响预测预测结果的问题。结果表明引入ialo优化算法使得模型具有较优的超参数，提高了模型的预测精度。