【技术实现步骤摘要】
本专利技术属于电力负荷预测，涉及一种电力负荷预测方法及系统，具体涉及一种基于改进灰狼优化算法和vmd-wpe-cnn-bilstm-am的负荷预测方法及系统。
技术介绍
1、电力负荷预测在电力系统的规划和运行中扮演着重要的角色。它不仅是确保电力供需平衡、维护电网稳定性的基础，还直接影响电力公司的经济效益和投资决策。准确的负荷预测能够帮助优化发电资源配置，降低运营成本，同时为电力基础设施投资提供可靠依据。在当前能源结构转型和智能电网发展的背景下，负荷预测的重要性更加凸显，精准可靠的负荷预测可以确保电力系统稳定可靠运行并实现电能智能调度，降低电力系统运营成本，因此，提高电力负荷预测的准确性对于实现电力系统的高效、经济、可靠运行具有重大意义。
2、当下电力负荷预测主要有机器学习和深度学习等方法，然而单一的预测模型往往效果不佳，同时由于电力负荷具有高复杂性和非线性强的特点，故而其预测结果通常较差。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种基于改进灰狼优化算法和vmd-wpe-cnn-bilstm-am的负荷预测方法及系统。
2、本专利技术的方法采用的技术方案是：一种基于改进灰狼优化算法的电力负荷预测方法，包括以下步骤：
3、步骤1：对原始数据进行归一化预处理，所述原始数据包括电力负荷、温度、湿度、气压、风速、降雨量、电价、是否为工作日、用电时段等
4、步骤2：对预处理后的数据进行变分模态分解，获得
5、所述改进灰狼优化算法，首先使用logistic混沌映射进行种群初始化，然后融合差分变异和人工兔扰动变异来进行灰狼位置变异，最后在灰狼最优位置处进行精英反向学习变异；
6、步骤3：计算得到的各子序列的加权排列熵，将加权排列熵值相近的分量进行聚合重构；
7、步骤4：将聚合重构后的子序列分别带入预测模型进行预测，将预测结果进行叠加得到最终的预测结果。
8、作为优选，步骤1中所述归一化预处理，采用公式为：
9、；
10、其中，为处理后的数据， x为原始数据，和分别是原始数据中最大值以及最小值。
11、作为优选，步骤2中，所述变分模态分解，采用的约束变分模型为：
12、；
13、其中，表示 t时刻第 k个模态分量，为的中心频率；为拉格朗日算子；为单位脉冲函数；为偏导运算；为卷积运算； j表示虚数单位；为待分解的信号序列，<>为内积运算符；
14、步骤2的具体实现过程是：
15、首先在频谱中进行如下迭代：
16、；
17、；
18、式中：为的傅里叶变换； n表示第 n次迭代， i表示第 i个固有模态函数；表示第 n+1次迭代时，第 i个模态分量傅里叶变换后的频域表达；表示第 n次迭代时，拉格朗日算子傅里叶变换后的频域表达；表示第 n次迭代时，第 k个模态分量的中心频率；表示频率；
19、然后对进行迭代，为拉格朗日算子更新的参数；
20、最后通过计算得到迭代停止条件，为预先设定的允许误差；迭代完成后输出分解后得到的各个子序列。
21、作为优选，步骤2中，所述使用改进灰狼优化算法对变分模态分解的模态数k和惩罚因子进行寻优，具体实现包括以下子步骤：
22、（1）设置变分模态分解参数范围，初始化灰狼优化算法；
23、（2）计算适应度函数值wfe，并记录最佳个体位置；
24、首先计算输入的原始信号幅值h，若变分模态分解后得到m个分量，计算各分量的模糊熵值，之后计算各分量的平均幅值；在改进灰狼优化算法优化变分模态分解时，适应度函数最终的表达式为：
25、；
26、；
27、（3）判断是否满足最大迭代次数，若是，选取wfe最小时的模态数k和惩罚因子作为变分模态分解参数输出；若否，则更新灰狼位置并回转执行步骤（2）。
28、作为优选，步骤2中，使用logistic混沌映射进行灰狼优化算法种群初始化，采用公式为：
29、；
30、式中：为第 n个混沌数， n为迭代次数；为控制参数，为[0,4]间实数；是[0,1]区间，这是受计算式的值域范围所确定的。
31、作为优选，步骤2中所述融合差分变异和人工兔扰动变异来进行灰狼位置变异；变异后的灰狼位置为：
32、；
33、式中：，，； t为当前迭代次数；为第次迭代时灰狼位置，为变异后产生的新的位置，为当前最优位置， f为(0，1)间的随机值；为服从正太分布的某一数，和均为(0，1)间随机值；表示1到d之间的随机整数值；为最大迭代次数；d 为变量维度；round为四舍五入取整函数； g为判断因子，为(0，1)间随机值，当g小于等于0.5的时候采用差分变异改变灰狼位置，当g大于0.5的时候采用人工兔扰动变异来改变灰狼位置。
34、作为优选，步骤2中所述在灰狼最优位置处进行精英反向学习变异，采用公式为：
35、；
36、式中：为精英反向学习生成的最优位置；为(0，1)间随机数；和分别为灰狼最优位置的最小值和最大值。
37、作为优选，步骤3的具体实现包括以下子步骤：
38、步骤3.1：针对子序列进行 m维相空间重构，获得子序列组；
39、；
40、其中，1≤ i≤ n，为延迟时间， m为嵌入维数，n为时间序列长度；
41、步骤3.2：计算各子序列权重 ωi；
42、；
43、步骤3.3：计算各子序列排序形式的加权概率；
44、；
45、其中，为的排序形式 πk本文档来自技高网...
【技术保护点】
1.一种基于改进灰狼优化算法的电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤1中所述归一化预处理，采用公式为：
3.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤2中，所述变分模态分解，采用的约束变分模型为：
4.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤2中，所述使用改进灰狼优化算法对变分模态分解的模态数K和惩罚因子进行寻优，具体实现包括以下子步骤：
5.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤2中，使用Logistic混沌映射进行灰狼优化算法种群初始化，采用公式为：
6.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤2中所述融合差分变异和人工兔扰动变异来进行灰狼位置变异；变异后的灰狼位置为：
7.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤2中所述在灰狼最优位置处进行
8.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤3的具体实现包括以下子步骤：
9.根据权利要求1-8任一项所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤4中所述预测模型，为训练好的预测模型；所述预测模型，为卷积神经网络CNN、双向长短时记忆神经网络Bi-LSTM和注意力网络Attention相结合的模型；
10.一种基于改进灰狼优化算法的电力负荷预测系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于改进灰狼优化算法的电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤1中所述归一化预处理，采用公式为：
3.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤2中，所述变分模态分解，采用的约束变分模型为：
4.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤2中，所述使用改进灰狼优化算法对变分模态分解的模态数k和惩罚因子进行寻优，具体实现包括以下子步骤：
5.根据权利要求1所述的基于改进灰狼优化算法的电力负荷预测方法，其特征在于：步骤2中，使用logistic混沌映射进行灰狼优化算法种群初始化，采用公式为：
6.根据权利要求1所述的基于...
【专利技术属性】
技术研发人员：汪繁荣，张旭东，李俊杰，梅涛，汪筠涵，肖悦，
申请(专利权)人：湖北工业大学，
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。