本发明涉及电力负荷预测,特别是涉及一种基于深度学习的电力负荷量预测方法。
背景技术:
1、电力系统负荷预测是根据电力负荷、经济、社会、气象等历史数据去探索电力负荷历史数据变化规律对未来负荷的影响,寻求电力负荷与各种相关因素之间的内在联系,对未来电力负荷进行科学预测。电力负荷预测不准确可能会引发电力系统故障导致大规模停电,影响社会正常生产和生活。因此,准确的负荷预测建模对保证电力系统安全、稳定运行具有重要意义。
2、传统负荷预测模型缺乏适应和预测能力、鲁棒性较差,预测结果不准确,其精度难以满足负荷预测的要求。
技术实现思路
1、本发明所要解决的技术问题是针对电力负荷预测精度问题,提供一种结合模态分解技术和深度学习的电力负荷预测方法,兼顾模型训练时间和预测精度,实现高精度的电力负荷短期预测,为电力负荷精准调控提供一定技术参考。为了实现上述发明目的,本发明所采取的技术方案为:
2、一种基于深度学习的电力负荷预测方法,它包括以下实现步骤:
3、(1)对负荷数据进行经验模态分解;(2)子序列分类;(3)高频分量再分解和参数优化;(4)模型搭建;(5)结果预测,具体为:
4、步骤1:采用经验模态分解将原始负荷数据进行分解,得到n个本征模态函数imfi(i=1,2,..,n)以及残差量。
5、具体方法是:
6、1)对原始信号利用三次样条进行插值,寻找其上、下包络线xmax(t)和xmin(t),并计算平均包络线为
7、2)原序列信号与包络均值mj-1(t)相减,x(t)-mj-1(t)=hj(t),得到hj(t)。该处的hj(t)为残差剩余信号。
8、3)为得到较平滑序列,对上述步骤重复操作,将剩余分量进行分解直至满足终止条件。
9、步骤2:对子序列进行样本熵计算并分类。
10、对经验模态分解后所得的各imf分量按照频率从高到低排列。利用样本熵函数计算本征模态函数imfi(i=1,2,..,n)及残差量residual的样本熵,评估模态分量复杂性;利用k均值聚类算法将其分成三类,形成高中低频分量。
11、步骤3:对高频分量采用变分模态vmd算法进行再分解,得到一系列模态分量。
12、vmd分解本质上为求解变分问题,可建立如下优化问题进行解决:
13、
14、其中,α为惩罚因子;λ为拉格朗日乘法算子,uk为第k个模态函数分量;wk为第k个模态函数的中心频率;δ(t)为狄拉克函数,||·||表示范数,f(t)表示原始信号,*表示卷积算子。
15、步骤4:对每个子序列建立相应lstm模型进行训练预测,其中以麻雀搜索优化算法辅助模型参数选择;
16、步骤为:首先,随机生成一组超参数进行lstm模型训练。然后,通过评估lstm模型在验证集上的性能确定每组超参数的适应度。根据适应度评估结果对麻雀搜索算法中的所有麻雀进行排序,将适应度较高的麻雀排在前面。根据排序结果选择麻雀进行交配和突变操作,以生成新的超参数组合。不断重复操作直到算法收敛,即找到最优的超参数组合。将麻雀搜索优化算法所得参数送入lstm完成模型训练。
17、步骤5:模型预测及评估。
18、将每个lstm预测模型所得预测值进行反归一化处理,再进行聚合操作得到最终的实际预测值。引入均方根误差(rmse)、平均绝对误差(mae)、确定系数(r2)指标来检验模型的预测效果。
19、本发明的有益效果为:
20、本发明通过引入模态分解,可将非平稳、非线性原始时间序列转化为若干子序列并重构,解决了短期电力负荷波动大、难以准确预测问题;通过对高频分量进行二次分解,可以有效地提取时序数据显著特征,将二次分解得到的子序列和未二次分解的子序列作为模型输入特征,有效提高了预测精度;利用ssa优化lstm网络、vmd分解的关键参数选取问题,解决人工参数调整耗时和预测效果差的问题。
1.一种基于深度学习的短期电力负荷量预测方法,其特征在于,它包括以下实现步骤:(1)对负荷数据进行经验模态分解;(2)子序列分类;(3)高频分量再分解和参数优化;(4)模型搭建;(5)结果预测。
2.根据权利要求1所述的基于深度学习的短期电力负荷量预测方法,其特征在于,具体方法步骤为:步骤(1):采用经验模态分解将原始负荷数据进行分解,得到n个本征模态函数imfi(i=1,2,..,n)以及残差量;
3.根据权利要求2所述的基于深度学习的短期电力负荷量预测方法,其特征在于,步骤(1)的具体方法是:
4.根据权利要求2所述的基于深度学习的短期电力负荷量预测方法,其特征在于,步骤(3)的具体方法是:
5.根据权利要求2所述的基于深度学习的短期电力负荷量预测方法,其特征在于,步骤(3)的具体方法是:
6.根据权利要求2所述的基于深度学习的短期电力负荷量预测方法,其特征在于,步骤(4)的具体方法是:
7.根据权利要求2所述的基于深度学习的短期电力负荷量预测方法,其特征在于,步骤(5)中:均方根误差反映预测值的离散性和模型误差的大小: