基于模态分解和重构及LSTM-MLR混合模型的电力负荷预测方法技术

本发明专利技术涉及一种基于模态分解和重构及LSTM

【技术实现步骤摘要】
基于模态分解和重构及LSTM
‑
MLR混合模型的电力负荷预测方法


[0001]本专利技术属于负荷预测
，具体涉及基于模态分解和重构及LSTM
‑
MLR混合模型的电力负荷预测方法。

技术介绍

[0002]“构建清洁低碳安全高效的能源体系，控制化石能源总量，着力提高利用效能，实施可再生能源替代行动，深化电力体制改革，构建以新能源为主体的新型电力系统”等一系列举措将使电源结构和电网特性出现重大变化。这些重大的变化在为我国电力行业的发展带来重大机遇的同时，也带来了风险与挑战。要构建清洁低碳安全高效的能源体系，电力系统则需要在技术创新、体系体制等方面进行突破。
[0003]电能作为一种安全、高效的清洁能源，在国家现阶段的能源替代、环境保护等方面发挥着至关重要的作用。电能无法大规模储存，调度部门需要根据负荷侧的动态需求变化实时地改变发电量。如若不然，可能会导致电能质量下降，破坏电力系统的安全稳定运行，对电力负荷进行预测，可以有效避免上述问题。进一步地，提高电力负荷预测的准确度，对于改善电能质量，提高电网运行的安全性和经济性有着重要意义。

技术实现思路

[0004]对电力负荷预测，有助于维持源荷两端的动态平衡，保障电力系统稳定且高效地运行。分布式能源的大规模并网以及气象和节假日等因素的影响，使得负荷序列呈现明显的波动性、非线性、非平稳性，针对电力负荷这一特征，为进一步提高负荷预测准确度，本专利技术提出基于模态分解和重构及LSTM
‑
MLR混合模型的电力负荷预测方法。首先，获取负荷原始数据，通过互补集合经验模态分解(CEEMD)将原始负荷数据分解成若干个不同频率的本征模型函数(IMF)；其次，计算出各个子序列的模糊熵值(FE)，将CEEMD分解后的各分量重构为高频、低频和趋势序列；在此基础上，利用变分模态分解(VMD)对重构后的高频序列进行重分解；最后，将重分解后所有序列中的高频分量输入到长短期记忆(LSTM)神经网络中进行训练预测，将重分解和未经过VMD分解的低频序列和趋势序列输入到多元线性回归(MLR)中进行训练预测。
[0005]本专利技术采用的技术方案为：基于模态分解和重构及LSTM
‑
MLR混合模型的电力负荷预测方法，包括如下步骤：
[0006]S1：获取原始负荷数据，通过CEEMD将负荷数据分解成若干个不同频率的本征模型函数；
[0007]S2：计算各个子序列的FE值，将CEEMD分解后的各分量重构为高频、低频和趋势序列；
[0008]S3：利用VMD对重构后的高频序列进行重分解；
[0009]S4：将重分解后所有序列中的高频分量输入到LSTM中进行训练预测，将重分解和
未经过VMD分解的低频序列和趋势序列输入到MLR中进行训练预测；
[0010]S5：模型预测效果评价。
[0011]具体的，所述步骤S1：获取原始负荷数据，通过CEEMD将负荷数据分解成若干个不同频率的本征模型函数。经验模态分解(EMD)在分解时间尺度上的突变信号时常常会发生模态混叠的现象，模态混叠的现象会使分解的IMF分量失去了其物理意义。为了解决EMD在数据分解上的缺点，引入CEEMD，CEEMD通过向原始信号中加入正负成对的白噪声信号来解决模态混叠问题。并且由于加入的白噪声信号是正负成对的，可以使序列重构后得到的序列中存在的噪声信号保持在一个很小的量级，不会影响负荷预测的效果。具体步骤如下：
[0012]1)在原始序列x(t)中加入正负成对的高斯白噪声:
[0013][0014]式中，k为所加噪声幅值系数，m为添加的噪声次数。
[0015]2)用EMD的方法对加入噪声后的x
m
(t)、x
′
m
(t)进行分解。以x
m
(t)为例，求出x
m
(t)中的极小值和极大值，然后进行差值拟合，得到上下包络线v(t)和u(t)，通过计算v(t)和u(t)得到第一组IMF分量:
[0016][0017]新的序列由原始数据序列与分解出的分量IMF1(t)作差得到：
[0018]h(t)＝x
m
(t)
‑
IMF1(t)
[0019]再对h(t)进行分解，重复上述步骤，当迭代精度满足要求或者新的序列为单调函数时停止分解，得到残余分量r(t)，分解结果可以表示为：
[0020][0021]式中，k为分解次数；IMF
i
(t)为第i个IMF分量。
[0022]3)将x
m
(t)和x
′
m
(t)分解得到的各IMF分量求平均值，重复上述步骤直到达到终止条件：
[0023][0024]式中，IMF
i,m
为第m次加入正白噪声EMD分解的第i个IMF分量；IMF
′
i,m
为第m次加入负白噪声序列EMD分解的第i个IMF分量。c
i,m
为第m次分解得到的第i个IMF分量。
[0025]4)将最终分解的IMF分量均值作为最终结果：
[0026][0027]式中，N为加入白噪声的次数。
[0028]具体的，所述步骤S2：计算各个子序列的FE值，将CEEMD分解后的各分量重构为高频、低频和趋势序列。FE是在样本熵的基础上通过引入模糊隶属度函数所做出的改进，它不仅保留了SE在测量时间序列复杂性方面好的特性，还改善了SE对相关参数取值较为敏感的
问题，其鲁棒性更好。本专利技术采用FE对CEEMD分解后的分量进行重组，对一个多维的N点采样时间序列{X(i)|i＝1,2,
…
,N}，FE的具体的计算步骤如下：
[0029]1)时间序列去掉均值X0(i)之后的结果用表示(m表示特征向量的维数大小)：
[0030][0031][0032]2)随机定义两向量之间的间隔为两者所对应元素绝对值之间的最大差值，式中，用来表示两段向量之间的直线距离，即间的长度，计算公式为：
[0033][0034]3)利用模糊隶属函数的指数函数计算两向量之间的相似度：
[0035][0036]4)模糊隶属函数的维数推广至m+1维度上的数学形式如下：
[0037][0038]式中，r表示模糊均值的相似容限度。
[0039]5)最终可以得到模糊熵计算的公式为：
[0040][0041]具体的，所述步骤S3：利用VMD对重构后的高频序列进行重分解。随后采用VMD对重组后的高频序列进行重分解，在得到分解分量的过程中，通过迭代搜索变分模型最优解来确定各分量中心频率和有限带宽，从而自适应地实现信号的频域分频和各分量的有效分离。VMD最小化每个分量的估计带宽之和，并用交替方向乘法器来提取相应的中心频率。假设原始信号被分解为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，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模态分解和重构及LSTM
‑
MLR混合模型的电力负荷预测方法，包括如下步骤：S1：获取原始负荷数据，通过CEEMD将负荷数据分解成若干个不同频率的本征模型函数；S2：计算各个子序列的FE值，将CEEMD分解后的各分量重构为高频、低频和趋势序列；S3：利用VMD对重构后的高频序列进行重分解；S4：将重分解后所有序列中的高频分量输入到LSTM中进行训练预测，将重分解和未经过VMD分解的低频序列和趋势序列输入到MLR中进行训练预测；S5：模型预测效果评价。2.根据权利要求1所述的一种基于模态分解和重构及LSTM
‑
MLR混合模型的电力负荷预测方法，其特征在于，步骤S1中，获取原始负荷数据，通过CEEMD将负荷数据分解成若干个不同频率的本征模型函数。经验模态分解(EMD)在分解时间尺度上的突变信号时常常会发生模态混叠的现象，模态混叠的现象会使分解的IMF分量失去了其物理意义。为了解决EMD在数据分解上具有的缺点，引入CEEMD。CEEMD通过向原始信号中加入正负成对的白噪声信号来解决模态混叠问题。并且由于加入的白噪声信号是正负成对的，可以使序列重构后得到的序列中存在的噪声信号保持在一个很小的量级，不会影响负荷功率预测的效果。分解算法的具体步骤如下：1)在原始序列x(t)中加入正负成对的高斯白噪声:式中，k为所加噪声幅值系数，m为添加的噪声次数。2)用EMD的方法对加入噪声后的x
m
(t)、x
′
m
(t)进行分解。以x
m
(t)为例，求出x
m
(t)中的极小值和极大值，然后进行差值拟合，得到上下包络线v(t)和u(t)，通过计算v(t)和u(t)得到第一组IMF分量:新的序列由原始数据序列与分解出的分量IMF1(t)作差得到h(t)＝x
m
(t)
‑
IMF1(t)再对h(t)进行分解，重复上述步骤，当迭代精度满足要求或者新的序列为单调函数时停止分解，得到残余分量r(t)，分解结果可以表示为：式中，k为分解次数；IMF
i
(t)为第i个IMF分量。3)将x
m
(t)和x
′
m
(t)分解得到的各IMF分量求平均值，重复上述步骤直到达到终止条件：式中，IMF
i,m
为第m次加入正白噪声EMD分解的第i个IMF分量；IMF
′
i,m
为第m次加入负白噪声序列EMD分解的第i个IMF分量。c
i,m
为第m次分解得到的第i个IMF分量。
4)将最终分解的IMF分量均值作为最终结果：式中，N为加入白噪声的次数。3.根据权利要求1所述的一种基于模态分解和重构及LSTM
‑
MLR混合模型的电力负荷预测方法，其特征在于，所述步骤S2中，计算各个子序列的FE值，将CEEMD分解后的各分量重构为高频、低频和趋势序列。FE是在样本熵的基础上通过引入模糊隶属度函数所做出的改进，它不仅保留了SE在测量时间序列复杂性方面好的特性，还改善了SE对相关参数取值较为敏感的问题，其鲁棒性更好。本发明采用FE对CEEMD分解后的分量进行重组，对一个多维的N点采样时间序列{X(i)|i＝1,2,
…
,N}，FE的具体的计算步骤如下：1)时间序列去掉均值X0(i)之后的结果用表示(m表示特征向量的维数大小)：表示(m表示特征向量的维数大小)：2)随机定义两向量之间的间隔为两者所对应元素绝对值之间的最大差值，式中，用来表示两段向量之间的直线距离，即间的长度，计算公式为：3)利用模糊隶属函数的指数函数计算两向量之间的相似度：4)模糊隶属函数的维数推广至m+1维度上的数学形式如下：式中，r表示模糊均值的相似容限度。5)最终可以得到模糊熵计算的公式为：4.根据权利要求1所述的一种基于模态分解和重构及LSTM
‑
MLR混合模型的电力负荷预测方法，其特征在于，所述步骤S3中，利用VMD对重构后的高频序列进行重分解。采用VMD对重组后的高频序列进行重分解，在得到分解分量的过程中，通过迭代搜索变分模型最优解来确定各分量中心频率和有限带宽，从而自适应地实现信号的频域分频和各分量的有效分离。VMD最小化每个分量的估计带宽之和，并用交替方向乘法器来提取相应的中心频率。假设原始信号被分解为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，约束条件为所有模态之和与原始信号相等，则相应约束变分表达式为：
式中：f(t)为结果FE重构后的高频分量；u
k
为各IMF模...

【专利技术属性】
技术研发人员：苗桂喜，王鑫，元亮，孙浩然，席晟哲，连勇，呼建礼，赵悠悠，王琪，张芳，孙大江，王刚，郑惠瀛，孟红杰，王丽晔，白方亮，赵会勇，
申请(专利权)人：国网河南省电力公司安阳供电公司，
类型：发明
国别省市：