System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于短期负荷预测,具体涉及一种基于变分模态分解和双向门控循环单元网络(vmd-bigru)的短期负荷预测方法。
技术介绍
1、随着社会快速发展,电力系统负荷需求日趋增长。电力需求会受到天气,季节,假期以及其他因素的影响,具有一定的不确定性,会使得电力负荷产生一定的波动,因此对于精准的预测电力系统负荷意义重大。通过准确地预测负荷水平,可以帮助决策者和规划者合理配置资源、优化运营策略、提高能源效率、减少环境负担等。
2、目前负荷预测的方法主要可以分为传统负荷预测方法和智能预测方法。其中,传统预测方法主要有回归分析法、时间序列法和灰色模型法等等,优点是模型的结构简单,预测速度较快等,但是往往准确度不高。智能预测方法大大的提高了预测的准确度,因此在目前的负荷预测中得到了广泛得应用,主要有人工神经网络法、支持向量机法和小波分析法等。
3、现阶段负荷预测的基本思路就是找到影响因素与负荷之间的非线性关系。有研究利用经验模态分解对初始的负荷功率信号分解为一系列本征模态函数,之后利用门控循环神经网络进行短期的负荷预测,预测结果显示采用经验模态分解可以显著的提高负荷功率的预测精度。但是由于目前的负荷预测研究基本都建立在数据完整的前提之下,忽略了在监测系统收集历史电力负荷数据样本可能会出现不足的情况,进而会影响负荷预测结果的准确性。所以,在考虑到数据样本不足的情况下采用可以灵活捕捉现有数据中的关键特征成为了提高负荷预测精度的新方向。
技术实现思路
1、本专利技术的目的是
2、本专利技术的目的是这样实现的:一种基于vmd-bigru的短期负荷预测方法,它包括以下步骤:
3、步骤1、收集和处理历史电力负荷数据和相关特征数据;
4、步骤2、利用变分模态分解负荷和特征数据,再利用注意力机制对模态分量进行加权融合;
5、步骤3、构建基于bigru的深度学习模型来预测短期电力负荷,主要包括:输入层、隐藏层和输出层;
6、步骤4、利用多策略改进的粒子群优化算法优化模型,并利用优化后的模型进行负荷预测。
7、进一步的,所述步骤1包括:
8、从监测系统等数据源获取历史电力负荷数据和相关特征数据,并构成原始电力负荷序列和相关特征数据序列,进行清洗去除异常数据及归一化处理,从而得到预处理后的电力负荷和相关特征数据的序列,合并后记为a=[a1,a2,…,ak,…,an],ak为第k个时刻的序列数据。
9、进一步的,所述步骤2包括:
10、步骤2.1、利用变分模态分解法分解电力负荷数据和相关特征数据序列,得到b组模态分量,其中第j组的分量记为1≤j≤b;
11、步骤2.2、根据注意力机制计算出各个模态分量之间的相似度,以得到各模态分量的注意力权重α,其中,第j组的第k个时刻的模态分量的权重表示为利用式(1)对每个模态分量进行加权处理:
12、
13、式(1)中,为第j组第k个时刻加权处理后的模态分量,并且
14、步骤2.3、将经过注意力加权后的数据集划分为训练集ql、验证集qm和测试集qr。
15、进一步的,所述步骤3包括:
16、步骤3.1、构建bigru输入层;
17、将步骤2.3得到的训练集ql输入到bigru的深度学习模型中,作为模型bigru的输入,通过输入层后输出ql,t时刻的输出记为qt,t≤l;
18、步骤3.2、构建bigru隐藏层;
19、t时刻输入层的输出qt通过正向gru和反向gru分别进行前向传递,利用式(2)得到正向gru的隐藏状态向量p′t和反向gru的隐藏状态向量pt:
20、
21、式(2)中,p′t-1和pt+1分别为t-1时刻的正向隐藏层状态向量和反向隐藏层状态向量;
22、利用式(3)得到t时刻的隐藏层输出pt:
23、pt=rtp′t+stpt+ut (3)
24、式(3)中,rt和st分别为t时刻前向传播gru单元隐藏层输出权重和t时刻后向传播gru单元隐藏层输出权重,ut为t时刻隐藏层状态所对应的偏置量,ql通过隐藏层的输出为pl;
25、步骤3.3、构建bigru输出层;
26、bigru模型的输出层是由全连接层构成,将pl输入输出层中,从而得到负荷预测值go,再进行反归一化处理得到负荷预测值g。
27、进一步的,所述步骤4包括:
28、步骤4.1、初始化粒子群优化算法和bigru网络模型的参数,随机生成bigru网络,其初始化参数包括粒子总数x、惯性权重λ、迭代次数θ、最大迭代次数θmax、粒子位置x和粒子速度v,并利用tent混沌映射初始化粒子群,随机生成初始的粒子群,获得第y个粒子在第θ次迭代的速度和位置其中每个粒子代表bigru网络模型参数的组合,1≤y≤x,1≤θ≤θmax;
29、步骤4.2、计算第y个粒子在第θ次迭代的适应度值
30、步骤4.3、利用式(4)对粒子的位置和速度进行更新,并引入动态非线性时间因子辅助更新:
31、
32、式(4)中,β为收缩因子,f和f′为粒子间的作用力,和分别为第y个粒子在第θ次迭代时的局部最优位置和全局最优位置,μ1和μ2为在[0,1]范围内的两个均匀分布的随机数,η为范围在[0.5,1]的随机数;
33、步骤4.4、重复步骤4.2和4.3,获得第θ+1代粒子群x个粒子的位置和速度,并找到粒子的最优位置和最佳适应度值;
34、步骤4.5、最优粒子的变异率为z,rand(0,1)为[0,1]内的随机数,若z>rand(0,1),则对最优位置的粒子进行多项式变异,计算出新的适应度值与之前的对比取最优,若z≤rand(0,1),不进行变异,保持粒子种群的最优位置和最佳适应度值;
35、步骤4.6、若迭代次数θ<θmax,则返回步骤4.2,若迭代次数θ≥θmax,则输出最优解;
36、步骤4.7、获得具有最佳适应度值的粒子参数带入到bigru网络模型中进行训练,从而得到好的负荷预测模型;
37、步骤4.8、利用训练好的bigru模型进行预测,获得短期负荷预测结果。
38、本专利技术的有益效果:
39、1、本专利技术针对历史电力负荷数据特征提取问题,采用变分模态分解法和注意力机制可以将历史电力负荷数据分解成不同频率的模态,从而提取出负荷数据中的周期性和趋势等信息本文档来自技高网...
【技术保护点】
1.一种基于VMD-BiGRU的短期负荷预测方法,其特征在于,它包括以下步骤:
2.如权利要求1所述的一种基于VMD-BiGRU的短期负荷预测方法,其特征在于,所述步骤1包括:
3.如权利要求2所述的一种基于VMD-BiGRU的短期负荷预测方法,其特征在于,所述步骤2包括:
4.如权利要求3所述的一种基于VMD-BiGRU的短期负荷预测方法,其特征在于,所述步骤3包括:
5.如权利要求4所述的一种基于VMD-BiGRU的短期负荷预测方法,其特征在于,所述步骤4包括:
【技术特征摘要】
1.一种基于vmd-bigru的短期负荷预测方法,其特征在于,它包括以下步骤:
2.如权利要求1所述的一种基于vmd-bigru的短期负荷预测方法,其特征在于,所述步骤1包括:
3.如权利要求2所述的一种基于vmd-bigru的短期负荷...
【专利技术属性】
技术研发人员:王小明,赵文广,徐斌,汤伟,潘瑞聪,吴红斌,梁伟,台德群,凌晓斌,尹元亚,潘文虎,苏志朋,宋铭敏,徐涛,黄进,陈彦斌,张聪颖,俞鹏,汪恕东,陈昊,崔椿洪,
申请(专利权)人:国网安徽省电力有限公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。