一种短期电力负荷的预测系统及方法与流程

本发明涉及电力负荷预测，具体涉及一种短期电力负荷的预测系统及方法。

背景技术：

1、精确的电力负荷预测对电力系统的稳定运行和高效管理具有重要价值和意义。其中短期负荷预测(stlf)在电力系统应用中至关重要，因为准确预测未来电力需求是确保电力系统可靠高效运行的必要条件，并且它可以帮助实现电网资源的最优调度和储能系统的高效管理。然而，短期负荷预测并非易事，负荷需求受到各种因素的综合影响，如天气变化、季节性波动、工业活动等，这些因素之间错综复杂的相互关系使得准确预测负荷需求变得具有挑战性。近年来，为了克服这些挑战，短期负荷预测的研究已经迅速发展，并涌现出多种预测方法。

2、目前，深度神经网络模型在stlf方面备受欢迎，尤其是长短期记忆网络(lstm)模型在这一方面受到许多研究人员的青睐，但是，由于lstm模型存在梯度消失的问题，使得其对长序列的预测能力有限，可能无法准确捕捉到长期依赖关系，从而导致误差累积。并且在面对具有多个变量和相互影响的复杂问题时，单一模型的预测精度通常较低。

技术实现思路

1、本发明的目的就是针对现有技术的缺陷，提供一种短期电力负荷的预测系统及方法，通过引入多个模型和多种变量，以更为全面的视角分析和预测问题，相对于单一模型提高了预测的准确性和可靠性。

2、本发明提供一种短期电力负荷的预测系统，包括：数据预处理系统，用于将电力负荷序列通过vmd方法分解为高、中、低频率的本征模态；初步预测系统，用于将每个所述本征模态输入informer模型，得到每个所述本征模态的预测结果，再将每个所述本征模态的预测结果相加得到初步电力负荷预测值；误差修正系统，用于建立dmd模型，再通过所述dmd模型预测待预测日误差时间序列，最后将所述待预测日误差时间序列与所述初步电力负荷预测值相加得到最终预测结果。

3、vmd(variational mode decomposition)是一种数据分解技术，用于将复杂的非线性或非平稳信号分解为多个固有模态函数的叠加。其基本思想是将信号分解为一系列具有不同频率和振幅的分量，从而提取出信号中的信息，这些分量被称为本征模态(intrinsic mode functions，imf)。

4、麻雀搜索算法(ssa)是一种基于自然界麻雀觅食行为以及反捕食行为的启发式优化算法。这种算法具有寻优能力强，收敛速度快的优点。该算法模拟了麻雀在寻找食物时的策略，通过群体协作和信息交流来寻找最优解。在ssa算法中，问题被抽象为一个多维的搜索空间，麻雀代表了解空间中的一个候选解。每只麻雀都有一个位置向量，表示其当前的解。通过计算适应度函数评估每个候选解的优劣，并使用一些策略(如探索速率和记忆因子)来调整麻雀的移动。

5、informer是一种新的深度学习模型，专为长时间序列预测而设计。

6、进一步的，所述数据预处理系统将原始电力负荷序列通过vmd技术分解为高、中、低频率的本征模态的具体方法为：

7、步骤s1：将原始信号f分解为k个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，它的约束条件是分解后的模态分量之和等于原始信号f，估计带宽之和的公式如下：

8、

9、其中，k为分解个数，uk为分解后的模态分量，ωk为中心频率，*为卷积运算符，f为原始信号，δ(t)为狄拉克函数，为梯度运算符，t为时域变量，j为复数中的虚数单位；

10、步骤s2：对步骤s1中公式引入拉格朗日乘法算子λ，将其转化为非约束变分问题，得到增广拉格朗日表达式：

11、

12、其中，λ为拉格朗日乘法算子，α为惩罚因子；

13、步骤s3：通过交替方向乘子法以及傅里叶等距变换，对模态分量及中心频率迭代寻优，迭代过程为：

14、

15、

16、

17、其中，为的傅里叶变换，为的傅里叶变换，为f(t)的傅里叶变换，为λ(t)的傅里叶变换，γ为噪声容忍度，用来满足信号保真度要求，ω为频域变量，为n+1次迭代后的中心频率，为n+1次迭代后的拉格朗日乘子λn+1(t)的傅里叶变换，为n次迭代后的拉格朗日乘子λn(t)的傅里叶变换；

18、步骤s4：vmd流程：

19、步骤s4.1：初始化ωk，

20、步骤s4.2：根据步骤s3对ωk进行迭代；

21、步骤s4.3：将原始信号f减去并作为下次一循环的原始信号，转到步骤s4.2；

22、步骤s4.4：又根据相关的算法更新拉格朗日乘数

23、步骤s4.5：判断是否满足停止条件，如果是，停止迭代，反之转到步骤s4.1；

24、对最终输出的做傅里叶反变换就得到了k个本征模态{u1，u2，...，uk}。

25、更进一步的，分解个数k和惩罚因子α通过麻雀算法确定：

26、步骤a1：初始化麻雀算法中的麻雀种群数、最大迭代次数、最大寻优边界范围、最小寻优边界范围；

27、步骤a2：计算适应度值，排序找出麻雀算法中当前适应度值最高的为最好个体，适应度值最低的为最差个体；

28、步骤a3：麻雀算法中的群体内的最好个体在搜索过程中会优先获取食物，作为麻雀算法中的发现者，其可获得比麻雀算法中追随者更大的觅食搜索范围，在每次迭代的过程中，麻雀算法中发现者的位置更新方式如下：

29、

30、其中，为麻雀算法中麻雀的位置，表示种群中第i个麻雀个体在j维的位置，t为当前迭代数，n为最大迭代数，β为随机数，β∈[0，1]，q为服从随机正态分布的随机数，r2为预警值，r2∈[0，1]，st为安全值，st∈[0.5，1]；

31、如果预警值r2＜st，说明没有麻雀算法中的捕食者出现，周围环境安全，发现者可以执行广泛的搜索，反之，说明有麻雀算法中的捕食者出现，威胁到了麻雀算法中的种群安全，种群中的某些个体会发出警报，此时所有麻雀算法中的个体需要飞去其他安全的地方进行觅食；

32、步骤a4：麻雀算法中的追随者所执行的规则是：一旦麻雀算法中的追随者监督到麻雀算法中的发现者寻找到更好的食物，它们会立即离开当前的位置去争夺食物，如果寻找成功，则会立即得到麻雀算法中发现者位置的食物，麻雀算法中追随者的更新位置公式如下：

33、

34、其中，xworst为麻雀算法中当前最差食物位置，为麻雀算法中t+1时刻最优发现者位置，为麻雀算法中t时刻最优发现者位置，a+为每个元素都为1或-1且结构为1×d的矩阵，l为元素都是1并且结构为1×d的矩阵，为适应度的边界值，当时，则表明适应度值低的第i个跟随者需要去别的位置寻找食物，反之则说明第i个跟随者已获得食物；

35、步骤a5：假设麻雀算法中种群内的20％的个体会意识到危险，所述20％的个体的初始位置在种群中随机产生：

36、

37、其中，σ为服从正态分布的随机数，为第t次迭代时的全局最优麻雀位置，b为随机数，b∈[-1，1]，fi为麻雀算法中麻雀i的个体适应度值，fg为全局最佳适应度值，fω为当前最差适应度值，ε为常数；

38、当fi＞fg时，说明麻雀算法中麻雀i处于群体边缘位置

39、当fi＝fg时，说明麻雀算法中麻雀i正在受到危险，需要与其他麻雀相互靠近以避免被捕食；

40、步骤a6：判断是否满足停止条件，若满足，输出麻雀算法中最优麻雀位置和最佳适应度值fg，否则返回步骤a3；

41、步骤a7：得到分解个数k和惩罚因子α，公式如下：

42、

43、α＝fg。

44、进一步的，所述初步预测系统得到初步电力负荷预测值的具体方法为：

45、通过皮尔森相关性分析评估每个所述本征模态与特征之间的相关程度，所述特征包括温度、露点温度、相对湿度、降水量、风速、气压和每小时能源价格，选择与本征模态函数是正相关的特征构成特征矩阵，将每个本征模态及其对应的特征矩阵一起输入进informer模型，得到每个本征模态的预测结果，再将每个所述本征模态的预测结果相加得到初步电力负荷预测值，表示如下：

46、y＝y1+y2+…+yi，

47、y＝{y1，y2，...，yn}∈r24×n

48、其中，y为初步电力负荷预测值，yi为本征模态的预测结果，yn为n时刻的初步电力负荷预测值。

49、进一步的，所述误差修正系统得到最终预测结果的具体方法为：

50、将误差时间序列集合为误差数据样本集ψ＝[ψ0，ψ2，...，ψn]∈rm×(n+1)，其中m＝24为误差样本长度，内部相邻元素之间的间隔为1h，由误差数据样本ψ创建两个快照矩阵ψ0和ψ1，建立dmd模型，表示如下：

51、

52、其中，ψn为第n个误差样本；

53、假设有线性近似：aψ0≈ψ1，其中，a是基于koopman算法的近似计算线性算子；

54、最终预测结果的计算过程如下：

55、步骤d1：对矩阵ψ0进行奇异值分解：

56、ψ0≈u∑vh

57、其中，是正交矩阵，是对角矩阵，是正交矩阵；

58、步骤d2：构造a的相似矩阵fdmd：

59、

60、其中，是正交矩阵；

61、步骤d3：对fdmd进行特征值分解：

62、fdmd＝qλq-1

63、

64、其中，λ＝diag(λ1，λ2，...，λk，λm-1)，λk为fdmd的特征值，q为相似变换矩阵；

65、步骤d4：计算误差系统的动态模态矩阵φ：

66、

67、

68、其中，是φ的伪逆，λ为对角矩阵，λk为k个对角矩阵相乘；

69、步骤d5：误差时间序列的预测值ψ(t)可以表示为：

70、ψ(t)＝φdiag(eλt)b

71、其中，b＝φ-1ψ0为动态模式的初始振幅；

72、得到待预测日误差时间序列为对应时间的初步电力负荷预测序列为y＝{yt，yt+1，...，yn}，最终预测结果z为：

73、

74、一种短期电力负荷的预测方法，包括：

75、步骤1：将电力负荷序列通过vmd方法分解为高、中、低频率的本征模态；

76、步骤2：将每个所述本征模态输入informer模型，得到每个所述本征模态的预测结果，再将每个所述本征模态的预测结果相加得到初步电力负荷预测值；

77、步骤3：建立dmd模型，再通过所述dmd模型预测待预测日误差时间序列，最后将所述待预测日误差时间序列与所述初步电力负荷预测值相加得到最终预测结果。

78、进一步的，步骤1还包括：

79、步骤1.1：将原始信号f分解为k个分量，保证分解序列为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，它的约束条件是分解后的模态分量之和等于原始信号f，估计带宽之和的公式如下：

80、

81、其中，k为分解个数，uk为分解后的模态分量，ωk为中心频率，*为卷积运算符，f为原始信号，δ(t)为狄拉克函数，为梯度运算符，t为时域变量，j为复数中的虚数单位；

82、步骤1.2：对步骤1.1中公式引入拉格朗日乘法算子λ，将其转化为非约束变分问题，得到增广拉格朗日表达式：

83、

84、其中，λ为拉格朗日乘法算子，α为惩罚因子；

85、步骤1.3：通过交替方向乘子法以及傅里叶等距变换，对模态分量及中心频率迭代寻优，迭代过程为：

86、

87、

88、

89、其中，为的傅里叶变换，为的傅里叶变换，为f(t)的傅里叶变换，为λ(t)的傅里叶变换，γ为噪声容忍度，用来满足信号保真度要求，ω为频域变量，为n+1次迭代后的中心频率，为n+1次迭代后的拉格朗日乘子λn+1(t)的傅里叶变换，为n次迭代后的拉格朗日乘子λn(t)的傅里叶变换；

90、步骤1.4：vmd流程：

91、步骤1.4.1：初始化ωk，

92、步骤1.4.2：根据步骤1.3对ωk进行迭代；

93、步骤1.4.3：将原始信号f减去并作为下次一循环的原始信号，转到步骤1.4.2；

94、步骤1.4.4：又根据相关的算法更新拉格朗日乘数

95、步骤1.4.5：判断是否满足停止条件，如果是，停止迭代，反之转到步骤1.4.1；

96、对最终输出的做傅里叶反变换就得到了k个本征模态{u1，u2，...，uk}。

97、更进一步的，分解个数k和惩罚因子α通过麻雀算法确定：

98、步骤a：初始化麻雀算法中的麻雀种群数、最大迭代次数、最大寻优边界范围、最小寻优边界范围；

99、步骤b：计算适应度值，排序找出麻雀算法中当前适应度值最高的为最好个体，适应度值最低的为最差个体；

100、步骤c：麻雀算法中的群体内的最好个体在搜索过程中会优先获取食物，作为麻雀算法中的发现者，其可获得比麻雀算法中追随者更大的觅食搜索范围，在每次迭代的过程中，麻雀算法中发现者的位置更新方式如下：

101、

102、其中，为麻雀算法中麻雀的位置，表示种群中第i个麻雀个体在j维的位置，t为当前迭代数，n为最大迭代数，β为随机数，β∈[0，1]，q为服从随机正态分布的随机数，r2为预警值，r2∈[0，1]，st为安全值，st∈[0.5，1]；

103、如果预警值r2＜st，说明没有麻雀算法中的捕食者出现，周围环境安全，发现者可以执行广泛的搜索，反之，说明有麻雀算法中的捕食者出现，威胁到了麻雀算法中的种群安全，种群中的某些个体会发出警报，此时所有麻雀算法中的个体需要飞去其他安全的地方进行觅食；

104、步骤d：麻雀算法中的追随者所执行的规则是：一旦麻雀算法中的追随者监督到麻雀算法中的发现者寻找到更好的食物，它们会立即离开当前的位置去争夺食物，如果寻找成功，则会立即得到麻雀算法中发现者位置的食物，麻雀算法中追随者的更新位置公式如下：

105、

106、其中，xworst为麻雀算法中当前最差食物位置，为麻雀算法中t+1时刻最优发现者位置，为麻雀算法中t时刻最优发现者位置，a+为每个元素都为1或-1且结构为1×d的矩阵，l为元素都是1并且结构为1×d的矩阵，为适应度的边界值，当时，则表明适应度值低的第i个跟随者需要去别的位置寻找食物，反之则说明第i个跟随者已获得食物；

107、步骤e：假设麻雀算法中种群内的20％的个体会意识到危险，所述20％的个体的初始位置在种群中随机产生：

108、

109、其中，σ为服从正态分布的随机数，为第t次迭代时的全局最优麻雀位置，b为随机数，b∈[-1，1]，fi为麻雀算法中麻雀i的个体适应度值，fg为全局最佳适应度值，fω为当前最差适应度值，ε为常数；

110、当fi＞fg时，说明麻雀算法中麻雀i处于群体边缘位置

111、当fi＝fg时，说明麻雀算法中麻雀i正在受到危险，需要与其他麻雀相互靠近以避免被捕食；

112、步骤f：判断是否满足停止条件，若满足，输出麻雀算法中最优麻雀位置和最佳适应度值fg，否则返回步骤c；

113、步骤g：得到分解个数k和惩罚因子α，公式如下：

114、

115、α＝fg。

116、进一步的，步骤2中，得到初步电力负荷预测值的具体方法为：

117、通过皮尔森相关性分析评估每个所述本征模态与特征之间的相关程度，所述特征包括温度、露点温度、相对湿度、降水量、风速、气压和每小时能源价格，选择与本征模态函数是正相关的特征构成特征矩阵，将每个本征模态及其对应的特征矩阵一起输入进informer模型，得到每个本征模态的预测结果，再将每个所述本征模态的预测结果相加得到初步电力负荷预测值，表示如下：

118、y＝y1+y2+…+yi，

119、y＝{y1，y2，...，yn}∈r24×n

120、其中，y为初步电力负荷预测值，yi为本征模态的预测结果，yn为n时刻的初步电力负荷预测值。

121、步骤3中，得到最终预测结果的具体方法为：

122、将误差时间序列集合为误差数据样本集ψ＝[ψ0，ψ2，...，ψn]∈rm×(n+1)，其中m＝24为误差样本长度，内部相邻元素之间的间隔为1h，由误差数据样本ψ创建两个快照矩阵ψ0和ψ1，建立dmd模型，表示如下：

123、

124、其中，ψn为第n个误差样本；

125、假设有线性近似：aψ0≈ψ1，其中，a是基于koopman算法的近似计算线性算子；

126、最终预测结果的计算过程如下：

127、步骤3.1：对矩阵ψ0进行奇异值分解：

128、ψ0≈u∑vh

129、其中，是正交矩阵，是对角矩阵，是正交矩阵；

130、步骤3.2：构造a的相似矩阵fdmd：

131、

132、其中，是正交矩阵；

133、步骤3.3：对fdmd进行特征值分解：

134、fdmd＝qλq-1

135、

136、其中，λ＝diag(λ1，λ2，...，λk，λm-1)，λk为fdmd的特征值，q为相似变换矩阵；

137、步骤3.4：计算误差系统的动态模态矩阵φ：

138、

139、

140、其中，是φ的伪逆，λ为对角矩阵，λk为k个对角矩阵相乘；

141、步骤3.5：误差时间序列的预测值ψ(t)可以表示为：

142、ψ(t)＝φdiag(eλt)b

143、其中，b＝φ-1ψ0为动态模式的初始振幅；

144、得到待预测日误差时间序列为对应时间的初步电力负荷预测序列为y＝{yt，yt+1，...，yn}，最终预测结果z为：

145、

146、一种计算机可读介质，所述计算机可读介质上存储有计算机程序，所述计算机程序在运行时执行上述的信息交互方法。

147、本发明的有益效果为：

148、1.相较于单一深度学习模型预测，本发明提出了一种结合vmd数据分解技术、informer深度学习模型和dmd误差修正模型的短期电力负荷组合预测模型。在informer深度学习模型之前采用基于vmd的数据分解模型，实现了将电力负荷数据分解为不同频段的信号，降低了数据信号的复杂程度，减少原始数据的非平稳性对预测精度的影响。在informer深度学习模型之后加入了基于dmd的误差修正模型，dmd误差修正模型能够提取误差序列中的动态特征，并进行误差序列预测，从而减少了误差累积现象，实现了误差修正，有效地提高了预测精度。该组合模型在提高预测准确性方面具有明显优势，为电力系统运行和调度提供了更可靠的预测结果。