基于CEEMDAN-LSTM的空间负荷预测方法技术

本发明专利技术是一种基于CEEMDAN

【技术实现步骤摘要】
基于CEEMDAN
‑
LSTM的空间负荷预测方法


[0001]本专利技术涉及电力系统中的空间负荷预测，是一种基于自适应噪声完备集合经验模态分解(complementary ensemble empirical mode decomposition with adaptive noise，CEEMDAN)和长短期记忆神经网络(long
‑
short term memory neural networks，LSTM)的空间负荷预测方法。

技术介绍

[0002]空间电力负荷预测是对待预测区域内未来电力负荷的大小及其分布的预测，又称空间负荷预测。空间负荷预测是城市电网规划的基础，其结果为电力设备的选址定容、系统的安全调度以及经济运行提供了重要的依据，只有提高了空间负荷预测的准确性，才能更合理地指导变电站、馈线、开关设备等的建设和使用，使电网投资及运行更加合理、经济。随着测量、通信、信息物理融合等支撑技术的逐渐成熟，从配电网采集到的数据呈海量增长，如何有效地利用这些数据，来改善空间电力负荷预测效果是目前亟待解决的问题，尚未见基于CEEMDAN
‑
LSTM的空间负荷预测方法的文献报道及实际应用。

技术实现思路

[0003]本专利技术的目的是，克服现有技术的不足，建立一种科学合理，适用性强，效果佳，准确率高的基于CEEMDAN
‑
LSTM的空间负荷预测方法。
[0004]实现本专利技术目的所采用的技术方案是，一种基于CEEMDAN/>‑
LSTM的空间负荷预测方法，其特征是，它包括利用3σ准则确定每个I类元胞各日负荷的合理最大值、采用CEEMDAN技术将各I类元胞历史负荷的日合理最大值时间序列分别分解为多个本征模态分量(intrinsic mode function，IMF)、对分解得到的每个IMF分量分别构建对应的LSTM模型并进行预测，具体内容为：
[0005]1)利用3σ准则确定每个I类元胞各日负荷的合理最大值
[0006]利用3σ准则对各I类元胞历史负荷的实测数据依次进行奇异值检测并修正，从而确定出每个I类元胞各日负荷的合理最大值，具体做法如下：
[0007]将具有s个数据的样本记为[X1,X2,
…
,X
s
]；
[0008]①
先计算整个样本的算数平均值以及样本中每一个数据X1,X2,
…
,Xs对应的残余误差V1,V2,
…
,V
s
，用公式(1)和公式(2)来计算：
[0009][0010][0011]式中，p＝1,2,
…
,s，s是样本中数据的个数；X
p
是样本中的第p个数据；V
p
是样本中第p个数据的残余误差；
[0012]②
再求出整个样本的标准偏差σ，用公式(3)来计算：
[0013][0014]③
将每个数据的残余误差V1,V2,
…
,V
s
取绝对值之后依次与3σ进行比较，V
p
满足式(4)，则认为与V
p
对应的X
p
是奇异数据；
[0015]|V
p
|＞3σ
ꢀꢀꢀ
(4)
[0016]2)采用CEEMDAN技术将各I类元胞历史负荷的日合理最大值时间序列分别分解为多个IMF分量
[0017]采用CEEMDAN算法将各I类元胞历史负荷的日合理最大值时间序列分别分解为不同时间尺度下的多个IMF分量；
[0018]CEEMDAN是一种在经验模态分解算法基础上改进的算法，CEEMDAN算法是在数据分解的每个阶段都添加自适应的白噪声序列，能实现在降低平均次数下提取不同时间尺度上的负荷序列特征信息，并得到重构误差接近于0的若干IMF分量，既避免了模态混叠现象的出现，也解决了集合经验模态分解重构误差大的问题，具体内容如下：
[0019]定义Y
j
(
·
)为通过经验模态分解获得的第j个IMF分量的计算算子；f(n)为原始负荷时间序列；β为自适应系数；b
l
(n)代表第l次实验时加入的具有标准正态分布的白噪声序列；f
l
(n)为第l次实验添加完标准正态分布白噪声后的负荷时间序列；为第l次经验模态分解时得到的第k个IMF分量；k＝1,2,
…
,K，K表示经经验模态分解后产生的IMF分量的个数；为CEEMDAN产生的第m个IMF分量；m＝1,2,
…
,M，M表示经CEEMDAN分解后产生的IMF分量个数；
[0020]①
对原始负荷时间序列f(n)进行d次实验，分别形成d个新的负荷时间序列，计算公式为式(5)：
[0021]f
l
(n)＝f(n)+β0b
l
(n)
ꢀꢀꢀ
(5)
[0022]式中，l＝1,2,
…
,d，d为实验次数；β0为初始自适应系数；
[0023]②
对每个新的负荷时间序列分别进行经验模态分解，取出各自的第一个IMF分量并计算其平均值，得到CEEMDAN的第一个IMF分量和第一个残余分量r1(n),计算公式为式(6)和(7)：
[0024][0025][0026]③
对残余分量r1(n)进行d次实验，构建出d个新的序列r1(n)+β1Y1(b
l
(n))，对每个新序列分别进行经验模态分解直至得到第一个IMF分量，求其平均值进而得到CEEMDAN的第二个IMF分量计算公式为式(8)：
[0027][0028]式中，β1为第二个自适应系数；
[0029]④
对其余的每个阶段，经过计算可得到CEEMDAN的第e个残余分量r
e
(n)和第e+1个
IMF分量计算公式为式(9)和式(10)：
[0030][0031][0032]式中，e＝2,3,
…
,M；β
e
为第e+1个自适应系数；
[0033]5重复执行步骤
④
，直至所获得的残余分量极值点个数至多不超过两个时，经验模态分解不再分解，算法终止，算法终止时，CEEMDAN分解产生的IMF分量个数为M个，原始信号序列f(n)最终被分解为M个IMF分量和一个最终的残余分量R(n)，公式为式(11)：
[0034][0035]3)对分解得到的每个IMF分量分别构建对应的LSTM模型并进行预测
[0036]①
选用LSTM神经网络作为预测模型
[0037]LSTM神经网络是一种特殊的循环神经网络，它在循环神经网络的基础上，加入了三个“门”结构和一个记忆单元，以各I类元胞历史负荷的日合理最大值时间序列为基础，对各序列分解得到的I本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CEEMDAN
‑
LSTM的空间负荷预测方法，其特征是，它包括利用3σ准则确定每个I类元胞各日负荷的合理最大值、采用CEEMDAN技术将各I类元胞历史负荷的日合理最大值时间序列分别分解为多个IMF分量、对分解得到的每个IMF分量分别构建对应的LSTM模型并进行预测，具体内容为：1)利用3σ准则确定每个I类元胞各日负荷的合理最大值利用3σ准则对各I类元胞历史负荷的实测数据依次进行奇异值检测并修正，从而确定出每个I类元胞各日负荷的合理最大值，具体做法如下：将具有s个数据的样本记为[X1,X2,
…
,X
s
]；
①
先计算整个样本的算数平均值以及样本中每一个数据X1,X2,
…
,Xs对应的残余误差V1,V2,
…
,V
s
，用公式(1)和公式(2)来计算：，用公式(1)和公式(2)来计算：式中，p＝1,2,
…
,s，s是样本中数据的个数；X
p
是样本中的第p个数据；V
p
是样本中第p个数据的残余误差；
②
再求出整个样本的标准偏差σ，用公式(3)来计算：
③
将每个数据的残余误差V1,V2,
…
,V
s
取绝对值之后依次与3σ进行比较，V
p
满足式(4)，则认为与V
p
对应的X
p
是奇异数据；|V
p
|＞3σ
ꢀꢀꢀꢀ
(4)2)采用CEEMDAN技术将各I类元胞历史负荷的日合理最大值时间序列分别分解为多个IMF分量采用CEEMDAN算法将各I类元胞历史负荷的日合理最大值时间序列分别分解为不同时间尺度下的多个IMF分量；CEEMDAN是一种在经验模态分解算法基础上改进的算法，CEEMDAN算法是在数据分解的每个阶段都添加自适应的白噪声序列，能实现在降低平均次数下提取不同时间尺度上的负荷序列特征信息，并得到重构误差接近于0的若干IMF分量，既避免了模态混叠现象的出现，也解决了集合经验模态分解重构误差大的问题，具体内容如下：定义Y
j
(
·
)为通过经验模态分解获得的第j个IMF分量的计算算子；f(n)为原始负荷时间序列；β为自适应系数；b
l
(n)代表第l次实验时加入的具有标准正态分布的白噪声序列；f
l
(n)为第l次实验添加完标准正态分布白噪声后的负荷时间序列；为第l次经验模态分解时得到的第k个IMF分量；k＝1,2,
…
,K，K表示经经验模态分解后产生的IMF分量的个数；为CEEMDAN产生的第m个IMF分量；m＝1,2,
…
,M，M表示经CEEMDAN分解后产生的IMF分量个数；
①
对原始负荷时间序列f(n)进行d次实验，分别形成d个新的负荷时间序列，计算公式
为式(5)：f
l
(n)＝f(n)+β0b
l
(n)
ꢀꢀꢀꢀ
(5)式中，l＝1,2,
…
,d，d为实验次数；β0为初始自适应系数；
②
对每个新的负荷时间序列分别进行经验模态分解，取出各自的第一个IMF分量并计算其平均值，得到CEEMDAN的第一个IMF分量和第一个残余分量r1(n),计算公式为式(6)和(7)：(6)和(7)：
③
对残余分量r1(n)进行d次实验，构建出d个新的序列r1(n)+β1Y1(b
l
(n))，对每个新序列分别进行经验模态分解直至得到第一个IMF分量，求其平均值进而得到CEEMDAN的第二个IMF分量计算公式为式(8)：式中，β1为第二个自适应系数；
④
对其余的每个阶段，经过计算可得到CEEMDAN的第e个残余分量r
e
(n)和第e+1个IMF分量计算公式为式(9)和式(10)：计算公式为式(9)和式(10)：式中，e＝2,3,
…
,M；β
e
为第e+1个自适应系数；
⑤
重复执行步骤
④
，直至所获得的残余分量极值点个数至多不超过两个时，经验模态分解不再分解，算法终止，算法终止时，CEEMDAN分解产生的IMF分量个数为M个，原始信号序列f(n)最终被分解为M个IMF分量和一个最终的残余分量R(n)，公式为式(11)：3)对分解得到的每个IMF分量分别构建对应的LSTM模型并进行预测
①
选用LSTM神经网络作为预测模型LSTM神经网络是一种特殊的循环神经网络，它在循环神经网络的基础上，加入了三个“门”结构和一个记忆单元，以各I类元胞历史负荷的日合理最大值时间序列为基础，对各序列分解得到的IMF分量分别搭建各自的LSTM神经网络模型，预测目标年中...

【专利技术属性】
技术研发人员：肖白，高文瑞，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：