基于变分模态分解和门控循环单元的电力负荷预测方法与流程

本发明涉及一种基于变分模态分解和门控循环单元的电力负荷预测方法，具体涉及一种电力负荷预测技术领域。

背景技术：

电力系统是由电力网、电力用户组成，其中电网的作用就是对各类用户尽可能经济地提供可靠而合乎标准要求的电能，以随时满足用户侧负荷需求。但是由于电力的生产与使用具有其特殊性，即电能是不能大规模储存的。这就要求系统发出电力随时紧跟系统负荷的变化，以实现动态平衡，否则，就会影响供、用电的质量。因此，电力负荷预测是电力系统自动化的一项重要内容。

随着新能源技术的发展，大规模间歇性新能源发电系统以及电动汽车和需求侧响应等新型负荷类型的广泛接入，带来了电力系统的高度随机性和动态变化特性，对传统的负荷预测方法提出了极大挑战。

技术实现要素：

本发明是为了解决上述问题而进行的，目的在于提供一种基于变分模态分解和门控循环单元的电力负荷预测方法，变分模态分解是一种新型自适应信号处理方法，可以很好地反映信号局部变化信息。门控循环单元是深度学习中的一类重要方法，具有训练参数少的优点，可以很好地应用于分析时间序列类型的数据。

本发明提供了一种基于变分模态分解和门控循环单元的电力负荷预测方法，具有这样的特征，包括如下步骤：步骤1，获取原始负荷数据，进入步骤2；步骤2，采用变分模态分解方法将原始负荷数据分解为k个特征互异的模态函数，进入步骤3；步骤3，对k个特征互异的模态函数进行分别归一化处理，并将各归一化后的模态函数分为训练集和测试集，进入步骤4；步骤4，对归一化后的模态函数的训练集分别进行门控循环单元网络训练，根据训练结果，建立预测模型，进入步骤5；步骤5，使用损失函数检测预测模型，当损失函数大于阈值时，继续更新模型；损失函数值降低到小于阈值时，停止更新模型，进入步骤6；步骤6，将各归一化模态函数的测试集代入预测模型并叠加，得到电力负荷预测结果并对预测结果进行评价。

在本发明提供的基于变分模态分解和门控循环单元的电力负荷预测方法中，还可以具有这样的特征：其中，采用变分模态分解方法将原始负荷数据分解为k个特征互异的模态函数的方法包括如下步骤：步骤2-1，对每个模态函数uk(t)，采用hilbert变换计算相应的解析信号，得到其单侧频谱，计算公式为其中，j为虚数单位；δ(t)为单位脉冲函数；步骤2-2，对每一模态函数uk(t)，通过与其对应的中心频率ωk的指数项混叠，将每个模态的频谱解调到相应基频带，计算公式为步骤2-3，由解调信号的高斯平滑法估计出各模态信号带宽，求解带约束条件的变分问题，其目标函数为：

式中，uk(t)为输入信号的模态函数；{uk}表示模态集合{u1,u2,......,uk}；ωk是与输入信号的第k阶模态相对应的中心频率；{ωk}表示分解后的模态对应的一组中心频率{ω1,ω2,......,ωk}；f(t)是输入信号；δ(t)是单位脉冲函数；步骤2-4，采用二次惩罚因子α和拉格朗日乘法算法λ(t)，将约束性变分问题变为非约束性变分问题，扩展的拉格朗日表达式如下

式中，是对函数求时间t的偏导数；步骤2-5，采用交替方向乘子法，交替更新以及λⁿ⁺¹寻求扩展拉格朗日表达式的“鞍点”，其中，可利用傅里叶等距变换转变到频域：

式中，x为包含所有模态函数的集合；步骤2-6，将ω用ω-ωk代替，其非负频率区间积分形式为

此时，二次优化问题的解为

中心频率的更新方法为

式中，相当于当前剩余量的维纳滤波；为当前模态函数功率谱的重心；对进行傅里叶逆变换，其实部则为{uk(t)}；步骤2-7，原始负荷序列被表示为k个模态函数的和：

在本发明提供的基于变分模态分解和门控循环单元的电力负荷预测方法中，还可以具有这样的特征：其中，步骤3中进行归一化处理的公式为

式中，为变量归一化后的数据，x(i)为变量原始数据，xmax、xmin分别为原始数据的最大值和最小值。

在本发明提供的基于变分模态分解和门控循环单元的电力负荷预测方法中，还可以具有这样的特征：其中，预测模型的公式表示如下：

zt＝σ(w^(z)xt+u^(z)ht-1)

rt＝σ(w^(r)xt+u^(r)ht-1)

其中，xt为第t时刻该层隐藏层的输入；ht为第t时刻当前层的输出；ht-1为t-1时刻的输出；zt和rt分别更新门和重置门；为输入xt和前一时刻输出ht-1的汇总；σ和tanh为激活函数，分别为sigmoid函数和双曲正切函数；u^(z)和w^(z)为更新门中的训练参数矩阵；u^(r)和w^(r)为重置门中的训练参数矩阵；u和w为求取过程中的训练参数矩阵，*代表矩阵乘法。

在本发明提供的基于变分模态分解和门控循环单元的电力负荷预测方法中，还可以具有这样的特征：其中，所述损失函数为式中，n为样本个数；yi为实际值；为预测值。

在本发明提供的基于变分模态分解和门控循环单元的电力负荷预测方法中，还可以具有这样的特征：其中，对预测结果进行评价的方法为用平均绝对百分比误差和/或均方根误差作为模型预测效果评价指标进行评价，平均绝对百分比误差的计算公式为

式中，yi为预测值；为实际值；n为样本数量，

均方根误差的计算公式为

式中，yi为预测值；为实际值；n为样本数量。

发明的作用与效果

根据本发明所涉及的基于变分模态分解和门控循环单元的电力负荷预测方法，因为采用了变分模态分解方法将原始负荷数据分解为多个特征互异的模态函数，所以，本发明可以在波动性较强的负荷序列中有效提取其内在具有紧支撑傅里叶频谱特性的负荷分量，且具有可调节模态分量个数的优点，进而减少预测的计算规模。

根据本发明所涉及的基于变分模态分解和门控循环单元的电力负荷预测方法，因为使用了门控循环单元对数据进行训练并建立模型，所以，本发明减少了训练参数的个数，为最终的预测保证了高时效性。

附图说明

图1是本发明的实施例中基于变分模态分解和门控循环单元的电力负荷预测方法的流程图；

图2是本发明的实施例中原始负荷序列及vmd分解结果；以及

图3是本发明的实施例中不同模型负荷预测曲线与实际曲线。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。

<实施例>

图1是本发明的实施例中基于变分模态分解和门控循环单元的电力负荷预测方法的流程图。

如图1所示，本实施例提供的基于变分模态分解和门控循环单元的电力负荷预测方法包括如下步骤：

步骤1，获取电力系统原始负荷数据，本发明采用elia提供的2016年1月1日0时至2016年7月31日23时的负荷值作为研究对象，数据采样时间周期为1h，进入步骤2；

步骤2，采用变分模态分解方法(variationalmodedecomposition,vmd)将原始负荷数据分解为k个特征互异的模态函数，进入步骤3；

vmd方法采用非递归、变分模态分解处理原信号，对测量噪声具有更好的鲁棒性。vmd假设每个“模态”是具有不同中心频率的有限带宽，该方法主要过程是利用维纳滤波法去噪，通过初始化有限带宽参数α和中心频率获得k个估计的中心频率ωk，然后采用交替方向乘子法更新各模态函数及其中心频率，并将各模态解调到响应基频带，最终达到使每个模态估计带宽之和最小的目的。

具体地，在本实施例中，将原始负荷序列f(t)分解为一系列有限带宽模态函数{uk(t)},k＝1,2,...,k，其主要过程为：

步骤2-1，对每个模态函数uk(t)，采用hilbert变换计算相应的解析信号，于是得到其单侧频谱

其中，j为虚数单位；δ(t)为单位脉冲函数。

步骤2-2，对每一模态函数uk(t)，通过与其对应的中心频率ωk的指数项混叠，将每个模态的频谱解调到相应基频带

步骤2-3，由解调信号的高斯平滑法估计出各模态信号带宽，求解带约束条件的变分问题，其目标函数为

其中，{uk}＝{u1,u2,...,uk}，{ωk}＝{ω1,ω2,...,ωk}。

式中，uk(t)为输入信号的模态函数；{uk}表示模态集合{u1,u2,......,uk}；ωk是与输入信号的第k阶模态相对应的中心频率；{ωk}表示分解后的模态对应的一组中心频率{ω1,ω2,......,ωk}；f(t)是输入信号；δ(t)是单位脉冲函数。

步骤2-4，采用二次惩罚因子α和拉格朗日乘法算法λ(t)，将约束性变分问题变为非约束性变分问题。其中α保证信号的重构精度，λ(t)保持约束条件的严格性，扩展的拉格朗日表达式如下

式中，是对函数求时间t的偏导数。

步骤2-5，采用交替方向乘子法解决以上变分问题，通过交替更新

以及λⁿ⁺¹寻求扩展拉格朗日表达式的“鞍点”。

其中，可利用傅里叶等距变换转变到频域：

式中，x为包含所有模态函数的集合。

步骤2-6，将ω用ω-ωk代替，其非负频率区间积分形式为

此时，二次优化问题的解为

在式(8)中具有维纳滤波结构的特点，它直接更新了傅里叶域的模态。此外，还可以通过提取滤波分析信号傅里叶逆变换的实部，在时域内得到这些模态。

根据同样的过程，解得中心频率的更新方法

式中，相当于当前剩余量的维纳滤波；为当前模态函数功率谱的重心；对进行傅里叶逆变换，其实部则为{uk(t)}。

利用式(9)可以轻松地计算这些获得的模态的中心频率这表明新的中心频率被置于他们各自模态的功率谱的重心处。

在本实施例中，vmd分解方法中二次惩罚因子α＝2000；收敛判据r＝10^-7；起始中心频率ω＝0。

此时，原始负荷序列可被表示为k个模态函数的和：(10)。

图2是本发明的实施例中原始负荷序列及vmd分解结果。

如图2所示，经vmd分解为5个分量，大大减少了预测的计算规模，高频分量不利于预测，从图2得到的vmd分解出的高频分量幅值占比较少，有利于降低预测误差，中低频部分的分量的规律性较强，分解得到的低频分量接近原始负荷序列的波动趋势，vmd方法有利于后续建模预测。

步骤3，对k个特征互异的模态函数分量进行归一化处理，并将各归一化后的模态函数分量按一定比例分为训练集和测试集，进入步骤4；

在本实施例中，归一化公式为

式中，为某一变量归一化后的数据；x(i)为变量原始数据；xmax、xmin分别为原始数据的最大值和最小值；

步骤4，对归一化模态函数的训练集分量进行门控循环单元网络(gatedrecurrentunit,gru)训练，根据训练结果，建立预测模型，进入步骤5；

以分解后的模态函数为样本作为gru的输入数据，其中按一定的比例将各个模态函数分为训练集和测试集，分批次送入gru模型训练和测试。gru模型的公式表示如下：

zt＝σ(w^(z)xt+u^(z)ht-1)(12)

rt＝σ(w^(r)xt+u^(r)ht-1)(13)

其中，xt为第t时刻该层隐藏层的输入；ht为第t时刻当前层的输出；ht-1为t-1时刻的输出；zt和rt分别更新门和重置门；为输入xt和前一时刻输出ht-1的汇总；σ和tanh为激活函数，分别为sigmoid函数和双曲正切函数；u^(z)和w^(z)为更新门中的训练参数矩阵；u^(r)和w^(r)为重置门中的训练参数矩阵；u和w为求取过程中的训练参数矩阵，*代表矩阵乘法。

步骤5，使用损失函数检测预测模型，损失函数为

式中，n为样本个数；yi为实际值；为预测值。

当损失函数大于阈值时，继续更新模型；损失函数值降低到小于阈值时，停止更新模型；

步骤6，将归一化模态函数的测试集分量代入预测模型并叠加，得到电力负荷预测结果并对预测结果进行评价。

图3是本发明的实施例中不同模型负荷预测曲线与实际曲线。

分别使用单一gru模型和单一lstm模型对相同的负荷值进行处理，并进行预测，预测结果如图3所示。

为了更好地验证本实施例提供的基于变分模态分解和门控循环单元的电力负荷预测方法的有效性，将本发明实施例提出的模型与单一gru模型和单一lstm模型进行对比。

在本实施例中，采用平均绝对百分误差(meanabsolutepercentageerror,mape)和均方根误差(rootmeansquareerror,rmse)作为预测模型评价指标。

式中，yi为预测值；为实际值；n为样本数量。

预测模型评价结果如表1所示。

表1三种方法的误差统计结果

如表1所示，vmd+gru在两种预测模型评价指标较gru和lstm均展现了更小的误差，证明了本实施例提供具有优越的预测性能，可以很好地应用于电力系统的短期负荷预测。

实施例的作用与效果

根据本实施例所涉及的基于变分模态分解和门控循环单元的电力负荷预测方法，因为采用了变分模态分解方法将原始负荷数据分解为多个特征互异的模态函数，所以，本实施例可以在波动性较强的负荷序列中有效提取其内在具有紧支撑傅里叶频谱特性的负荷分量，且具有可调节模态分量个数的优点，进而减少预测的计算规模。

根据本实施例所涉及的基于变分模态分解和门控循环单元的电力负荷预测方法，因为使用了门控循环单元对数据进行训练并建立模型，所以，本实施例减少了训练参数的个数，为最终的预测保证了高时效性。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。