基于模态分解与神经网络的电量电价层级融合预测方法与流程

文档序号:37053408发布日期:2024-02-20 20:54阅读:15来源:国知局
基于模态分解与神经网络的电量电价层级融合预测方法与流程

本发明涉及数据处理领域,特别涉及基于模态分解与神经网络的电量电价层级融合预测方法。


背景技术:

1、随着新型电力系统的构建,可再生能源发电比重不断上升,电量已经成为电力行业尤其是大型发电企业、分布式发电单位所重点关注的指标。企业亟需对电量进行测算,才能对电量的情况更好的掌握与了解,并在此基础上制定更加合理的计划。与此同时,在电力市场中,电价是所有市场参与者最重要的信号,精准的电价预测对于发电商、用户、市场监管者等主体具有非常重要的意义。因此,优良的电量电价预测技术不但对于各主体而言具有非常大的现实意义,而且对于电费的计算与电费管理者对电费回收的预期进行有效把握。

2、而在电力系统中,电量预测和电价预测是两个非常重要的环节。准确的电量预测可以帮助电力系统合理规划电力生产,提高能源利用率;而准确的电价预测则可以帮助电力公司和消费者合理安排电力购买和消费,提高市场运营效率。

3、目前,现有技术中电量预测和电价预测的方法通常采用各类神经网络模型,但电量相关参数存在多因素交互的复杂关系,如果在简单的预处理后直接进行模型训练,不论是在训练效率还是精确度上,效果都较差,且单一模型的短板无法弥补。而如果采用多种模型进行预测,由于相互之间架构不同、输入输出格式不同,导致复杂度增加的同时却难以提高预测准确率。


技术实现思路

1、针对现有技术存在的难以利用多模型对电量电价进行准确高效预测的问题,本发明提供了基于模态分解与神经网络的电量电价层级融合预测方法,利用模态分解技术能够分离出数据中的噪声和异常值,减少它们对预测结果的影响,结合imf分量和模糊熵值,得到一个更加丰富和具有代表性的基础特征向量,并基于层级融合的方式利用不同的神经网络模型逐步提取和融合了数据的多种特征,在各步骤之间形成互补,提高了预测的精度和全面性。

2、以下是本发明的技术方案。

3、基于模态分解与神经网络的电量电价层级融合预测方法,包括以下步骤:

4、s1、数据预处理:获取目标对象的历史用电量及关联信息并进行预处理;

5、s2、基于层级融合的底层处理:利用模态分解算法将预处理后的数据分解为多个imf分量,对每个imf分量计算其模糊熵值,将得到的imf分量和模糊熵值合并,得到基础特征向量;

6、s3、基于层级融合的中层处理:调用训练好的双向长短期记忆神经网络模型,输入基础特征向量,基于学习到的数据中的时间依赖关系计算并输出时间特征向量;

7、s4、基于层级融合的高层处理:调用训练好的卷积神经网络模型,输入时间特征向量,基于学习到的数据中的空间特征计算并输出空间特征向量;

8、s5、基于层级融合的顶层处理:基于模糊熵值将输出的时间特征向量和空间特征向量进行加权融合,基于梯度提升机得到最终的电量预测值;

9、s6、基于所述电量预测值,根据目标对象所适用的电价计费准则计算电价预测值。

10、本发明中,针对电量电价预测问题,基于层级融合理念,利用模态分解算法捕捉数据的局部特征和周期性变化,提高了对数据的细节把握,模糊熵值反映了数据的复杂度,有助于更全面地描述数据的特性,因此结合imf分量和模糊熵值,可以得到更加丰富和具有代表性的基础特征向量,为后续层级提供了高质量数据。并利用双向长短期记忆神经网络模型理解电量的时序变化,得到时间特征向量;利用卷积神经网络模型理解电量数据的空间分布和关联性,得到空间特征向量;能够充分挖掘待预测信息的全方位特征,最后基于模糊熵值将两种特征向量加权融合,能够使两种神经网络模型在各自擅长情况下的优势被放大,以帮助梯度提升机得到更准确的电量预测值。本发明解决了多模型共用时产生的兼容性、准确性问题,产生“一加一大于二”的效果。

11、作为优选,所述s1、数据预处理:获取目标对象的历史用电量及关联信息并进行预处理,包括:

12、获取目标对象的历史用电量及关联信息;

13、进行异常值去除和缺失值填补,得到清洗后数据;

14、对清洗后数据进行归一化,得到预处理后的数据。

15、作为优选,所述s2、基于层级融合的底层处理中,利用模态分解算法将预处理后的数据分解为多个imf分量,包括:

16、利用自适应噪声完全集合经验模态分解算法,将预处理后的数据作为原始信号,添加满足高斯分布的随机噪声序列到原始信号中,得到混合信号;

17、对混合信号进行emd分解,得到一阶imf分量;

18、去除一阶imf分量后,重复执行噪音序列混合、emd分解和分量去除,得到不同阶的若干imf分量。

19、作为优选,所述s2、基于层级融合的底层处理中,对每个imf分量计算其模糊熵值,将得到的imf分量和模糊熵值合并,得到基础特征向量,包括:

20、对于给定的imf分量,确定采样序列和长度;

21、计算采样序列中不同多维矢量之间对应元素差值的最大值,基于元素差值的最大值和相似容忍度计算不同多维矢量的相似度;

22、基于相似度分别计算相邻维数的关系维度,基于关系维度的对数计算模糊熵值。

23、作为优选,所述s3、基于层级融合的中层处理中,双向长短期记忆神经网络模型的训练过程包括:

24、将基础特征向量整理成适合训练的格式,组织成三维的张量,表示为[样本数, 时间步长, 特征数],并进行归一化或标准化处理,将处理结果分为训练集和验证集;

25、导入所需的深度学习库,定义一个包含输入层、隐藏层、输出层的双向长短期记忆神经网络模型并配置模型参数;

26、使用定义好的模型类和参数进行模型实例化;

27、编译模型,选择损失函数和优化器;

28、利用训练集对双向长短期记忆神经网络模型进行训练,同时使用验证集进行模型验证,根据验证结果调整模型参数,直至满足预设条件后停止训练,得到训练好的双向长短期记忆神经网络模型。

29、作为优选,所述s4、基于层级融合的高层处理中,卷积神经网络模型的训练过程包括:

30、对时间特征向量进行重塑,以符合卷积神经网络模型的输入要求,并分为训练集和验证集;

31、导入所需的深度学习库,定义一个包含输入层、卷积层、池化层、全连接层、输出层的卷积神经网络模型并配置模型参数;

32、使用定义好的模型类和参数进行模型实例化;

33、编译模型,选择损失函数和优化器;

34、利用训练集对卷积神经网络模型进行训练,同时使用验证集进行模型验证,根据验证结果调整模型参数,直至满足预设条件后停止训练,得到训练好的卷积神经网络模型。

35、作为优选,所述s5、基于层级融合的顶层处理:基于模糊熵值将输出的时间特征向量和空间特征向量进行加权融合,基于梯度提升机得到最终的电量预测值,包括:

36、比较模糊熵值与预设阈值的大小;

37、如模糊熵值等于预设阈值,则将输出的时间特征向量和空间特征向量进行平权融合拼接;

38、如模糊熵值大于预设阈值,则增加时间特征向量的权重值,减少空间特征向量的权重值,再进行融合拼接;

39、如模糊熵值小于预设阈值,则减少时间特征向量的权重值,增加空间特征向量的权重值,再进行融合拼接;

40、利用主成分分析法进行降维,得到降维拼接向量;

41、将降维拼接向量输入至训练好的梯度提升机,输出最终的电量预测值。

42、本发明还提供了基于模态分解与神经网络的电量电价层级融合预测系统,所述系统运行时执行上述的基于模态分解与神经网络的电量电价层级融合预测方法。

43、本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现上述基于模态分解与神经网络的电量电价层级融合预测方法的步骤。

44、本发明还提供一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现上述基于模态分解与神经网络的电量电价层级融合预测方法的步骤。

45、本发明的实质性效果包括:

46、针对电量电价预测问题,本发明引入了一种基于层级融合的策略,利用模态分解算法来精准捕捉数据的局部特征和周期性变化,从而增强了对数据细节的敏感度。模糊熵值则作为数据复杂度的衡量标准,有助于更全面地揭示数据的内在特性。通过将imf分量与模糊熵值相结合,能够生成更为丰富和具有代表性的基础特征向量,为后续层级提供了优质的数据输入。

47、为了深入理解电量的时序变化,本发明采用了双向长短期记忆神经网络模型,从而得到了时间特征向量。同时,借助卷积神经网络模型来解析电量数据的空间分布和关联性,进而得到了空间特征向量。这两种模型使本发明能够全面挖掘待预测信息的各种特征。

48、在此基础上,通过模糊熵值将这两种特征向量进行加权融合,以最大限度地放大各自模型在特定场景下的优势,进而助力梯度提升机生成更为精准的电量预测值。这一创新方法有效地解决了多模型并用时可能产生的兼容性和准确性问题,实现了模型融合后性能提升的目标,真正实现了“一加一大于二”的效果。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1