基于集成学习的短期发电量预测方法技术

本发明专利技术公开了基于集成学习的短期发电量预测方法，涉及短期发电量预测技术领域。为了解决现有模型没有充分考虑电量历史数据的周期性，因此导致现有模型存在预测精度低的问题。基于集成学习的短期发电量预测方法，所述方法包括以下步骤：通过MSTL充分提取原始序列的趋势项、周期项、残差项，对不同分量分别预测，提高了模型预测精度；对于周期项充分考虑了影响观测点的相邻的历史数据和距离观测点较远的若干个周期的历史时刻数据，是减小短期发电量预测误差的关键；通过对MSTL分解的残余项采用VMD算法进一步分解，降低了残余项的复杂性，对分量分别预测，进一步提升了模型的性能。能。能。

【技术实现步骤摘要】
基于集成学习的短期发电量预测方法


[0001]本专利技术涉及短期发电量预测
，特别涉及基于集成学习的短期发电量预测方法。

技术介绍

[0002]短期发电量的精准预测是电力系统提高发电工作经济性的关键，尤其在帮助电网合理预留备用容量，调整机组组合方案和电量调度方案、优化发电计划等方面起着至关重要的作用；传统的短期电量预测主要是基于时间序列算法、机器学习算法和深度神经网络算法的单一模型，由于发电量受多种因素影响，呈现出波动性、变异性和非线性，因此单一模型很难实现较高的预测精度；为解决以上问题，不少研究学者将两个及两个以上单一模型和数据预处理方法进行组合，以提高预测精度，例如：
[0003]参考文献(1)【一种结合时间序列分解的短期电力组合预测方法】，提出基于改进奇异谱分析方法的组合预测模型，通过多元线性回归和长短时记忆神经网络方法对分离出的趋势负荷和随机负荷进行预测，然后叠加得到预测结果；
[0004]参考文献(2)【基于模态分解与集成学习的短期电力负荷预测方法】，提出基于模态分解的短期电力负荷预测模型，利用集成经验模态分解方法将原始负荷分解为高、低频分量，用LSTM和极限学习机模型分别对高低频分量进行预测，实现对负荷的预估；
[0005]参考文献(3)【基于VMD
‑
CNN
‑
BIGRU的电力系统短期负荷预测】，提出基于变分模态分解的卷积神经网络双向门控循环单元混合网络的短期负荷预测方法，改善了训练时长和预测效果；
[0006]参考文献(4)【GRU结合STL分解的短期电量预测方法】采用季节性局部加权回归算法将原始电量数据分解为趋势、周期和残差三个分量，然后用门控循环单元模型对各分量进行预测，最后叠加实现电量短期预测；
[0007]虽然现有组合预测模型很多，但都没有充分考虑电量历史数据的周期性，因此导致现有模型存在预测精度低的问题，降低了模型的整体性能。

技术实现思路

[0008]本专利技术的目的在于提供基于集成学习的短期发电量预测方法，通过MSTL充分提取原始序列的趋势项、周期项、残差项，对不同分量分别预测，提高了模型预测精度；对于周期项充分考虑了影响观测点的相邻的历史数据和距离观测点较远的若干个周期的历史时刻数据，是减小短期发电量预测误差的关键；通过对MSTL分解的残余项采用VMD算法进一步分解，降低了残余项的复杂性，对分量分别预测，进一步提升了模型的性能，以解决上述
技术介绍
中提出的问题。
[0009]为实现上述目的，本专利技术提供如下技术方案：
[0010]基于集成学习的短期发电量预测方法，所述预测方法包括以下步骤：
[0011]S1：分解原始数据，通过MSTL对原始数据进行分解，提取内在的趋势项、季度周期
项、年度周期项和分解残余项，具体步骤包括：通过STL分解提取出小周期项及其所对应的趋势项和残差项，将已提取出的趋势项和残差项叠加，并对叠加后的序列再次进行STL分解，以提取大周期项及其所对应的趋势项和残差项，MSTL分解结果如式所示：
[0012]Y(t)＝T(t)+S1(t)+S2(t)+
…
+S
n
(t)+R(t)，其中，n为原始数据中周期项的数量，Y(t)为原始序列，T(t)为分解出的趋势项，S(t)为季节项，R(t)为残差项，Si(t)，i＝1,2,
…
n；
[0013]S2：预测趋势项，通过MLR对趋势项进行预测，具体操作步骤如下：将趋势项中观测点的时刻t作为因变量，滞后的n个数据t
‑
1,t
‑
2,
…
,t
‑
n作为自变量，运用多元线性回归理论建立一个多元一次方程的数学模型，利用相关理论或统计软件对此模型进行显著性、可信度、拟合优度和标准误差进行统计检验，多元回归模型的一般表达式如式所示：
[0014]y＝β0+β1x1+β2x2+
…
+β
k
x
k
+ε，其中，β
i
,i＝0,1,
…
k为待定参数，β0为截距项，β1…
β
k
为自变量的系数，ε为随机变量，实际应用中可以忽略；
[0015]S3：预测周期项，对于季度周期项和年度周期项，同时考虑与观测点相邻的历史数据和距离观测点较远的若干个周期的历史时刻数据，充分挖掘历史发电量数据的潜在规律，采用LSTM模型对两个周期项进行预测；
[0016]S4：预测残余项，通过VMD将残余项进一步分解，具体操作步骤包括构造变分问题和求解变分问题两部分，对VMD分量仍采用LSTM模型进行预测；
[0017]S5：重构预测结果，将所有分量的预测结果进行重构，以此得到短期发电量预测值。
[0018]进一步的，S1中STL分解方法的具体步骤如下：
[0019]通过使用Loess来提取三个分量的平滑估计，将时间序列分解成三个主要分量：趋势项、季节项和残差项，如式所示：
[0020]Y(t)＝T(t)+S(t)+R(t)，其中Y(t)为原始序列，T(t)为分解出的趋势项，S(t)为季节项，R(t)为残差项。
[0021]进一步的，S3中在预测周期项之前，还需使用自相关函数ACF分析其自相关系数，选取与自身相关度较高的滞后周期数，将滞后于观测点的相邻数据和滞后于观测点较远的若干个周期的历史时刻数据作为MSTL分解的周期项特征集，基于该特征集对周期项进行预测。
[0022]进一步的，周期项特征集包括两部分特征：一部分特征是与观测点相邻的历史时刻数据，第二部分特征是距离观测点较远的若干个周期的历史时刻数据；
[0023]其中，一部分特征包括：观测点近段时间以来数据的变化规律；第二部分特征包括：时间序列的周期规律，同时考虑序列近期变化情况和在历史周期上的变化情况来提高序列预测精度。
[0024]进一步的，S3中LSTM结构可用于解决时间序列的长期和短期依赖问题，LSTM神经网络的计算过程如下：
[0025]S3.1：将新的信息和上一时刻隐藏层神经元的输出值送到输入门，根据输入门的激活状态，将该时刻输入信息选择性存储到存储单元，输入门的激活状态和输入门的输入、输出公式如式所示：
[0026]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)；
[0027][0028][0029]其中，h
t
‑1为t
‑
1时刻隐藏层输出门的输出值，x
t
为t时刻原始序列的信息，σ为Sigmod函数，所以门的激活状态取值为[0,1]，W
i
,W
c
分别为输入门和单元状态的权重，b
i
,b
c
分别为输入门和单元状态的偏置项；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于集成学习的短期发电量预测方法，其特征在于：所述预测方法包括以下步骤：S1：分解原始数据，通过MSTL对原始数据进行分解，提取内在的趋势项、季度周期项、年度周期项和分解残余项，具体步骤包括：通过STL分解提取出小周期项及其所对应的趋势项和残差项，将已提取出的趋势项和残差项叠加，并对叠加后的序列再次进行STL分解，以提取大周期项及其所对应的趋势项和残差项，MSTL分解结果如式所示：Y(t)＝T(t)+S1(t)+S2(t)+
…
+S
n
(t)+R(t)，其中，n为原始数据中周期项的数量，Y(t)为原始序列，T(t)为分解出的趋势项，S(t)为季节项，R(t)为残差项，Si(t)，i＝1,2,
…
n；S2：预测趋势项，通过MLR对趋势项进行预测，具体操作步骤如下：将趋势项中观测点的时刻t作为因变量，滞后的n个数据t
‑
1,t
‑
2,
…
,t
‑
n作为自变量，运用多元线性回归理论建立一个多元一次方程的数学模型，利用相关理论或统计软件对此模型进行显著性、可信度、拟合优度和标准误差进行统计检验，多元回归模型的一般表达式如式所示：y＝β0+β1x1+β2x2+
…
+β
k
x
k
+ε，其中，β
i
,i＝0,1,
…
k为待定参数，β0为截距项，β1…
β
k
为自变量的系数，ε为随机变量，实际应用中可以忽略；S3：预测周期项，对于季度周期项和年度周期项，同时考虑与观测点相邻的历史数据和距离观测点较远的若干个周期的历史时刻数据，充分挖掘历史发电量数据的潜在规律，采用LSTM模型对两个周期项进行预测；S4：预测残余项，通过VMD将残余项进一步分解，具体操作步骤包括构造变分问题和求解变分问题两部分，对VMD分量仍采用LSTM模型进行预测；S5：重构预测结果，将所有分量的预测结果进行重构，以此得到短期发电量预测值。2.如权利要求1所述的基于集成学习的短期发电量预测方法，其特征在于：S1中STL分解方法的具体步骤如下：通过使用Loess来提取三个分量的平滑估计，将时间序列分解成三个主要分量：趋势项、季节项和残差项，如式所示：Y(t)＝T(t)+S(t)+R(t)，其中Y(t)为原始序列，T(t)为分解出的趋势项，S(t)为季节项，R(t)为残差项。3.如权利要求1所述的基于集成学习的短期发电量预测方法，其特征在于：S3中在预测周期项之前，还需使用自相关函数ACF分析其自相关系数，选取与自身相关度较高的滞后周期数，将滞后于观测点的相邻数据和滞后于观测点较远的若干个周期的历史时刻数据作为MSTL分解的周期项特征集，基于该特征集对周期项进行预测。4.如权利要求3所述的基于集成学习的短期发电量预测方法，其特征在于：周期项特征集包括两部分特征：一部分特征是与观测点相邻的历史时刻数据，第二部分特征是距离观测点较远的若干个周期的历史时刻数据；其中，一部分特征包括：观测点近段时间以来数据的变化规律；第二部分特征包括：时间序列的周期规律，同时考虑序列近期变化情况和在历史周期上的变化情况来提高序列预测精度。5.如权利要求1所述的基于集成学习的短期发电量预测方法，其特征在于：S3中LSTM结构可用于解决时间序列的长期和短期依赖问题，LSTM神经网络的计算过程如下：S3.1：将新的信息和上一时刻隐藏层神经元的输出值送到输入门，根据输入门的激活状态，将该时刻输入信息选择性存储到存储单元，输入门的激活状态和输入门的输入、输出
公式如式所示：i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)；)；其中，h
t
‑1为t
‑
...

【专利技术属性】
技术研发人员：荀超，郑欢，肖芬，胡臻达，刘林，黄世诚，曾伟薇，涂夏哲，黄夏楠，林伟伟，
申请(专利权)人：国网福建省电力有限公司经济技术研究院，
类型：发明
国别省市：