一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于CEEMDAN
‑
WPE和机器学习的短期台区电力负荷预测方法


[0001]本专利技术涉及电力系统负荷预测
，特别涉及一种基于
CEEMDAN
‑
WPE
和机器学习的短期台区电力负荷预测方法
。

技术介绍

[0002]在“双碳目标”的激励下，分布式新能源将越来越多地被接入到配电网中
。
由于分布式能源波动性
、
间歇性特征显著，县域电网调峰及清洁能源消纳压力大，低压台区间歇性
、
季节性重过载
/
烧损及客户投诉现象频发
。
台区负荷的精准预测是源荷协同匹配优化控制和能源系统高效运行的基础支撑，因此，提升短期台区负荷预测精度的研究具有重要意义
。
[0003]目前短期电力负荷预测的实现方法有：统计方法和机器学习方法
。
其中，机器学习方法是当前研究的热点，包括支持向量机
、
随机森林
、
神经网络
、
极端梯度提升树等
。
而由于台区负荷相较于市级
、
县级的总负荷，受到外部影响因素更大，随机性更明显，单一模型难以对此进行全面建模
。
[0004]为了提高短期台区电力负荷预测精度，本专利技术提出一种基于
CEEMDAN
‑
WPE
和机器学习的短期台区电力负荷预测方法
。
采用
CEEMDAN
对原始负荷序列进行分解，并根据
WPE
分析各模态复杂度，进行序列重组，在减少台区负荷非平稳性的同时，降低建模难度
。
考虑不同重组分量和模型复杂度上的差异，采用泛化性能好
、
复杂度较高的
Stacking
集成学习模型预测复杂度高的重组分量，采用对时序数据有较好建模效果
、
复杂度较低的
LSTM
模型预测复杂度低的重组分量，更符合实际工程需求
。

技术实现思路

[0005]本专利技术的目的之一是要提供一种基于
CEEMDAN
‑
WPE
和机器学习的短期台区电力负荷预测方法，用于提高短期台区电力负荷预测精度
。
[0006]为实现上述第一专利技术的目的，本专利技术提供了如下方案：一种基于
CEEMDAN
‑
WPE
和机器学习的短期台区电力负荷预测方法，包括以下步骤：步骤1：对原始台区负荷数据进行预处理后，采用自适应噪声完备集合经验模态分解
(CEEMDAN)
算法将负荷数据分解为多个模态分量和残差分量
。
[0007]步骤
S2
：基于加权排列熵
(WPE)
算法，将各模态分量和残差分量重组为重组分量，并分别定义低和高复杂度重组分量
。
[0008]步骤
S3
：对各重组分量进行处理
。
分别将低和高复杂度分量数据集，输入到长短期记忆
(LSTM)
神经网络模型和
Stacking
集成学习中，进行训练和预测
。
[0009]步骤
S4
：将各重组分量的预测结果叠加，输出最终预测结果
。
[0010]进一步，所述对原始台区负荷数据进行预处理包括：若连续缺失值的时间跨度少于4个小时，依据前一日相同时段的负荷值，对台区负
荷数据的缺失值进行填充
。
否则，对缺失值所在整日数据进行删除
。
[0011]进一步，所述步骤
S1
中
CEEMDAN
算法按如下步骤
S11
至步骤
S14
，实现对负荷序列
x(t)
的分解，得到模态分量
IMF
j
(t)
和残差项
R(t)
；步骤
S11
：在负荷序列
x(t)
中添加均值为0的高斯白噪声，进行
N
次，得到
N
个待分解序列
。
第
i(i=1,2,..,N)
个待分解序列
x
i
(t)
为：其中，
ε0为白噪声系数，
δ
i
(t)
为第
i
次添加的白噪声
。
[0012]步骤
S12
：采用
EMD
算法分别对
x
i
(t)
进行分解，得到第一个模态分量
IMF1(t)
为：得到第一个残余分量
r1(t)
为：步骤
S13
：采用
EMD
算法分别对第
j
‑1个残余分量加上白噪声的信号进行分解，得到第
j
个模态分量
IMF
j
(t)
为：其中，
ε
j
‑1为白噪声系数，
E
j
‑1(
·
)
为通过
EMD
计算的第
j
‑1个模态分量
。
[0013]得到第
j
个残余分量
r
j
(t)
为：步骤
S14
：重复
S3
直到残余分量极值点数不超过2个
。
此时，负荷序列被分解为
K
个模态分量和残差项
R(t)
：进一步，所述步骤
S2
中，采用
WPE
算法评估各模态分量和残差分量的
WPE
值
。
基于
k
‑
means
对
WPE
值进行聚类，采用肘部法则确认聚类个数
k
值
。
根据聚类情况，将对应的模态分量叠加为一个重组分量
。
根据重组分量的
WPE
值，最低的重组分量定义为低复杂度重组分量，其余重组分量定义为高复杂度重组分量
。
[0014]进一步，所述
WPE
算法按如下步骤
S21
至步骤
S24
，实现对时间序列
X
的评估，得到时间序列
X
对应的
WPE
值；步骤
S21
：将待评估时间序列
X=(x1,x2,
…
,x
N
)
进行
m
维相空间重构，得到重构分量：；式中，
m
为重本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CEEMDAN
‑
WPE
和机器学习的短期台区电力负荷预测方法，其特征在于：所述方法包括以下步骤：步骤
S1
：对原始台区负荷数据进行预处理后，采用
CEEMDAN
算法将负荷数据分解为多个模态分量和残差分量；步骤
S2
：基于
WPE
算法，将各模态分量和残差分量重组为重组分量，并分别定义低和高复杂度重组分量；步骤
S3
：对各重组分量进行处理，分别将低和高复杂度分量数据集，输入到
LSTM
神经网络模型和
Stacking
集成学习中，进行训练和预测；步骤
S4
：将各重组分量的预测结果叠加，输出最终预测结果
。2.
根据权利要求1所述的一种基于
CEEMDAN
‑
WPE
和机器学习的短期台区电力负荷预测方法，其特征在于：所述步骤
S1
中，对原始台区负荷数据进行预处理包括：若连续缺失值的时间跨度少于4个小时，依据前一日相同时段的负荷值，对台区负荷数据的缺失值进行填充；否则，对缺失值所在整日数据进行删除
。3.
根据权利要求1所述的一种基于
CEEMDAN
‑
WPE
和机器学习的短期台区电力负荷预测方法，其特征在于：所述步骤
S1
中，
CEEMDAN
算法按如下步骤
S11
至步骤
S14
，实现对负荷序列
x(t)
的分解，得到模态分量
IMF
j
(t)
和残差项
R(t)
；步骤
S11
：在负荷序列
x(t)
中添加均值为0的高斯白噪声，进行
N
次，得到
N
个待分解序列，第
i(i=1,2,..,N)
个待分解序列
x
i
(t)
为：
;
其中，
ε0为白噪声系数，
δ
i
(t)
为第
i
次添加的白噪声；步骤
S12
：采用
EMD
算法分别对
x
i
(t)
进行分解，得到第一个模态分量
IMF1(t)
为：；其中，为第
i
个待分解序列
x
i
(t)
经过
EMD
算法分解的第1个模态分量；得到第一个残余分量
r1(t)
为：步骤
S13
：采用
EMD
算法分别对第个残余分量加上白噪声的信号进行分解，得到第个模态分量
IMF
j
(t)
为：；其中，
ε
j
‑1为白噪声系数，
E
j
‑
1(
·
)
为通过
EMD
计算的第
j
‑1个模态分量；
得到第
j
个残...

【专利技术属性】
技术研发人员：梁海峰，李国锋，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：