一种基于VMD-Prophet的短期负荷预测方法技术

本发明专利技术公开了一种基于VMD

【技术实现步骤摘要】
一种基于VMD
‑
Prophet的短期负荷预测方法

：
[0001]本专利技术涉及电力负荷预测领域，提出一种基于VMD
‑
Prophet的短期负荷预测方法，适用于进行短期负荷预测以及提高预测的效果。

技术介绍
：
[0002]在我国经济高速发展的背景下，电力负荷的预测已成为一项重要而艰巨的任务。高精度的短期负荷预测对于电力系统的调度管理部门制定高效经济的发电计划、合理安排机组出力、保证电力系统的安全性和稳定性、提高经济效益以及减少不必要的能源消耗有着重要的意义。与此同时，随着智能电网的发展，高精度的负荷预测越来越成为迫切的需求。
[0003]VMD
‑
Prophet预测模型，将输入的原始负荷序列分解为规律性更好的子序列，而且相对于经验模态分解和小波分解，VMD能够更好的还原原始信号，具有更好的噪声鲁棒性。时间序列预测框架Prophet，与传统的时间序列预测方法相比，其具有较好的灵活性，轻松适应多个季节的季节性，并通过分析对趋势做出不同的假设。测量值不必呈等间距分布，也不需要插值缺失值，拟合速度较快。将二者结合起来应用于短期负荷预测中，能有效提高负荷预测的精度。

技术实现思路
：
[0004]为了解决上述问题，本专利技术提出了一种基于VMD
‑
Prophet的短期负荷预测方法。
[0005]一种基于VMD
‑
Prophet的短期负荷预测方法，其特征在于，包括如下步骤：
[0006]S1：在将原始负荷序列带入Prophet模型进行预测之前，对其进行变分模态分解(VMD)，得到规律性更好的子序列；
[0007]S2：使用VMD分解可以将波动的信号分解为K个不同频段的本征模态函数的子信号，具体过程如下：
[0008]使用VMD进行K阶分解时，可以将其看作如下约束变分问题，如式(1)所示：
[0009][0010]式中f(t)是未分解主信号，{u
k
}＝{u1,
…
,u
k
}和{ω
k
}＝{ω1,
…
,ω
k
}分别代表K阶模态的集合及中心频率。δ(t)是狄拉克分布，*表示卷积，为模态函数u
k
对应中心频率ω
k
的指数项，j为虚数。
[0011]引入增广拉格朗日函数，求解上述的约束变分问题的最优解，如式(2)所示：
[0012][0013]式中：α为二次惩罚因子，用于降低高斯噪声的干扰；λ为拉格朗日乘子。使用乘子交替方向法来求解上述约束变分问题的最优解及增广拉格朗日函数。
[0014]最终VMD的更新过程如下，如式(3)
‑
式(5)所示：
[0015][0016][0017][0018]式中分别为f(t)、和λ
n
(t)的傅里叶变换；τ为更新参数；n为迭代参数。
[0019]对于给定的判别精度ε＞0，若满足如下关系，如式(6)所示，则VMD收敛，停止更新。
[0020][0021]S3：将分解后的负荷子序列，分别带入Prophet预测模型中进行预测，最后将各个子序列的预测结果进行累加，得到最终的预测结果；
[0022]S4：采用平均绝对值百分误差(MAPE)和均方根误差(RMSE)两项指标对预测结果进行评价，具体如下式(7)式(8)所示：
[0023][0024][0025]式中：x
predicted
为负荷预测结果，x
real
为负荷真实值。
[0026]S5：VMD算法参数分别设置为：初始中心频率ω＝0，收敛判据e＝10
‑7，二次惩罚因子及分解阶数经过反复实验最终设为α＝2000，K＝3。
[0027]S6：基于Anaconda平台，编程语言为Python，创建Python版本为3.7的虚拟环境，在Spyder 中完成VMD
‑
Prophet预测模型的搭建；
[0028]S7：在Spyder中通过Python编程来实现VMD
‑
Prophet预测模型对于各个负荷子序
列的预测；
[0029]S8：在Spyder中测试VMD
‑
Prophet预测模型对于负荷预测的效果。
[0030]进一步地，S2中所述的VMD算法将原始负荷序列分解为规律性更好的子序列，同时将预测过程中存在的一些影响预测结果的趋势分量或噪声分量单独提取出来，减小趋势分量或噪声分量对短期电力负荷整体预测的影响。
[0031]进一步地，S3所述Prophet预测模型具有较好的灵活性，能轻松适应多个季节的季节性，并通过分析对趋势做出不同的假设；此外测量值不必呈等间距分布，也不需要插值缺失值，并且拟合速度较快。
[0032]进一步地，S4中所述的评价指标，以平均绝对值百分误差和均方根误差对预测结果进行评价，对预测结果进行量化。
[0033]进一步地，S6中所述的VMD
‑
Prophet负荷预测模型，可以在Anaconda平台创建的虚拟环境中，通过Python编程在Spyder中来实现，直接进行负荷序列的分解和预测。
[0034]如上所述，本专利技术提供的一种基于VMD
‑
Prophet的短期负荷预测方法，具有如下效果：
[0035]1、首先将准备好的数据分为训练集和测试集，训练集用于模型的训练，测试集用于评估最终模型的精度，然后在Prophet预测模型的基础上，引入VMD分解，将原始负荷序列分解为规律性更好的子序列，同时减小趋势分量或噪声分量对短期电力负荷整体预测的影响，将分解好的子序列分别输入Prophet预测模型中进行预测；
[0036]2、与其他用于负荷预测的模型LSTM、SARIMA以及未对输入信号进行VMD分解的 Prophet进行比较，证明VMD
‑
Prophet模型的预测效果最好。
[0037]下面结合附图和具体实施方式对本专利技术作详细说明。
附图说明：
[0038]图1是本专利技术一种基于VMD
‑
Prophet的短期负荷预测方法的预测流程图；
[0039]图2是本专利技术一种基于VMD
‑
Prophet的短期负荷预测方法的负荷VMD分解结果图；
[0040]图3是本专利技术一种基于VMD
‑
Prophet的短期负荷预测方法的原数据、LSTM、SARIMA、 Prophet以及VMD
‑
Prophet的各个模型预测曲线对比图。
[0041]图4是本专利技术一种基于VMD
‑
Prophet的短期负荷预测方法与各模型对未来一天负荷预测的精度结果。
具体实施方式：
[0042]参照图1
‑
图4。本专利技术一种基于VMD...

【技术保护点】

【技术特征摘要】
1.一种基于VMD
‑
Prophet的短期负荷预测方法，其特征在于，包括如下步骤：S1：在将原始负荷序列带入Prophet模型进行预测之前，对其进行变分模态分解(VMD)，得到规律性更好的子序列；S2：使用VMD分解可以将波动的信号分解为K个不同频段的本征模态函数的子信号，具体过程如下：使用VMD进行K阶分解时，可以将其看作如下约束变分问题，如式(1)所示：式中f(t)是未分解主信号，{u
k
}＝{u1,
…
,u
k
}和{ω
k
}＝{ω1,
…
,ω
k
}分别代表K阶模态的集合及中心频率。δ(t)是狄拉克分布，*表示卷积，为模态函数u
k
对应中心频率ω
k
的指数项，j为虚数。引入增广拉格朗日函数，求解上述的约束变分问题的最优解，如式(2)所示：式中：α为二次惩罚因子，用于降低高斯噪声的干扰；λ为拉格朗日乘子。使用乘子交替方向法来求解上述约束变分问题的最优解及增广拉格朗日函数。最终VMD的更新过程如下，如式(3)
‑
式(5)所示：式(5)所示：式(5)所示：式中分别为f(t)、和λ
n
(t)的傅里叶变换；τ为更新参数；n为迭代参数。对于给定的判别精度ε＞0，若满足如下关系，如式(6)所示，则VMD收敛，停止更新。
S3：将分解后的负荷子序列，分别带入Prophet预测模型中进行预测，最后将各个子序列的预测结果进行累加，得到最终的预测结果；S4：采用平均绝对值百分误差(MAPE)和均方根误差(RMSE)两项指标对预测结果进行评价，具体如下式(7)式(8)所示：价，具体如下式(7)式(8)所示：式中：x
predicted
为负荷预测结果，x

【专利技术属性】
技术研发人员：王海英，席鹏程，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：