一种基于互补集合经验模态分解的短期电力负荷预测方法

1.本发明涉及电力系统负荷预测技术领域，具体涉及一种基于互补集合经验模态分解的短期电力负荷预测方法。


背景技术：

2.随着我国电网不断发展，电力负荷的变化也越来越复杂，电力负荷预测的研究已成为电网管理的重要内容。短期电力负荷预测通常指对未来一天到七天的负荷进行预测，它是调度中心制定发电计划及发电厂报价的依据，也是能量管理系统(ems)的重要组成部分，对电力系统的运行、控制和计划有着非常重要的影响。提高电力系统短期负荷预测的精度既能增强电力系统运行的安全性，又能改善电力系统运行的经济性。
3.目前对短期电力负荷预测的方法主要分为两类：传统预测方法和机器学习方法。传统预测方法包括线性回归法、灰色模型法、自回归滑动平均等，这些方法通常采用线性模型，虽结构简单，但存在预测精度低等问题；机器学习方法包括支持向量回归、随机森林、人工神经网络、深度学习法等，在处理非线性问题方面有较大优势，但大都忽略了负荷数据在时序上的相关性。长短时记忆神经网络(lstm)是一种改进的循环神经网络(rnn)，它成功解决了原始循环神经网络梯度消失与梯度爆炸问题，在处理和预测时间序列方面表现优异，成为当下负荷预测的热点方法之一。


技术实现要素：

4.针对现有技术的不足，为进一步提高模型的预测速度及精度，兼顾负荷数据的时序性与波动性，本发明提出了一种基于互补集合经验模态分解的短期电力负荷预测方法，其特征在于，该预测方法包括如下步骤：
5.步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；
6.步骤2：将数据集划分为训练集和验证集两部分；
7.步骤3：将输入数据通过互补集合经验模态分解(ceemd)分解为有限个imf分量和一个残余分量；
8.步骤4：对各分量应用lstm神经网络进行预测，并用贝叶斯算法对lstm网络超参数寻优；
9.步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。
10.进一步的，步骤1包括如下子步骤：
11.根据所获取的每间隔15分钟的电力负荷数据，首先对缺失值采用均值法进行填补，再用箱型图法辨别负荷数据中的异常值，将异常值视为缺失值，使用均值法补全，最后为消除量纲影响，将所有数据进行0-1归一化处理，归一化公式为：其中x、xd分别为处理前后的负荷数据，x
max
、x
min
分别为原始负荷数据中的最大值和最小值。
12.进一步的，步骤3中互补集合经验模态分解(ceemd)包括如下子步骤：
13.互补集合经验模态分解(ceemd)通过向原始信号中加入正负成对的辅助白噪声，在集合平均时相消，能有效提高分解效率，克服集合经验模态分解重构误差大、分解完备性差的问题。ceemd分解步骤如下:
14.(1)在原始信号x(t)中加入符号相反的一组高斯白噪声信号，得到一组新的信号：
[0015][0016][0017]
式中为正噪声，为负噪声。
[0018]
(2)对以及进行emd分解，得到一组imf分量。
[0019][0020][0021]
式中为加入正噪声后的第j个imf分量，为加入负噪声后的第j个imf分量；
[0022]
(3)重复步骤(1)、(2)，添加m次不同的高斯白噪声；
[0023]
(4)对所有分量集合求均值，得到最终的分解结果为：
[0024][0025]
式中ij表示得到的第j个imf分量。
[0026]
进一步的，步骤4中搭建lstm神经网络模型包括如下子步骤：
[0027]
在lstm神经网络模型中设置丢弃层、隐藏层和输出层，损失函数采用mse，使用贝叶斯算法对lstm网络的隐藏层层数、隐藏层单元数、初始化学习率、丢弃率、学习率衰减率、学习率衰减周期进行寻优，得到模型的最佳超参数。
[0028]
与现有技术相比，本发明的技术方案具有以下特点：
[0029]
1.本发明采用ceemd分解方法，继承了emd和eemd方法善于处理非线性非平稳信号序列的优点，且ceemd在信号分解的过程中，加入正负成对的辅助白噪声，在集合平均时相消，能有效提高分解效率，克服eemd重构误差大、分解完备性差的问题。
[0030]
2.本发明引入贝叶斯优化算法，使得模型预测精度得到进一步的提升，能得到较为满意的预测效果。
附图说明
[0031]
为了更清楚地说明本发明的技术方案，下面将对附图作简单地介绍。
[0032]
图1为本发明提出的基于互补集合经验模态分解的短期电力负荷预测流程图。
[0033]
图2为负荷数据经ceemd分解后各分量的波形图。
[0034]
图3为模型中贝叶斯优化lstm的超参数及范围。
[0035]
图4为预测结果与真实值的对比图。
具体实施方式
[0036]
下面结合附图对本发明作进一步的说明。
[0037]
图1中具体包括以下步骤：
[0038]
步骤1：获取电力负荷数据，并对所得到的数据集进行预处理；
[0039]
步骤2：将数据集划分为训练集和验证集两部分；
[0040]
步骤3：将输入数据通过互补集合经验模态分解(ceemd)分解为有限个imf分量和一个残余分量；
[0041]
步骤4：对各分量应用lstm神经网络进行预测，并用贝叶斯算法对lstm网络超参数寻优；
[0042]
步骤5：将各分量预测结果叠加重构后，得到最终的预测结果，并将预测结果与真实负荷数据值对比。
[0043]
进一步的，步骤1包括如下子步骤：
[0044]
根据所获取的每间隔15分钟的电力负荷数据，首先对缺失值采用均值法进行填补，再用箱型图法辨别负荷数据中的异常值，将异常值视为缺失值，使用均值法补全，最后为消除量纲影响，将所有数据进行0-1归一化处理，归一化公式为：其中x、xd分别为处理前后的负荷数据，x
max
、x
min
分别为原始负荷数据中的最大值和最小值。
[0045]
进一步的，步骤3中互补集合经验模态分解(ceemd)包括如下子步骤：
[0046]
互补集合经验模态分解(ceemd)通过向原始信号中加入正负成对的辅助白噪声，在集合平均时相消，能有效提高分解效率，克服集合经验模态分解重构误差大、分解完备性差的问题。ceemd分解步骤如下:
[0047]
(1)在原始信号x(t)中加入符号相反的一组高斯白噪声信号，得到一组新的信号：
[0048][0049][0050]
式中为正噪声，为负噪声。
[0051]
(2)对以及进行emd分解，得到一组imf分量。
[0052][0053][0054]
式中为加入正噪声后的第j个imf分量，为加入负噪声后的第j个imf分量；
[0055]
(3)重复步骤(1)、(2)，添加m次不同的高斯白噪声；
[0056]
(4)对所有分量集合求均值，得到最终的分解结果为：
[0057][0058]
式中ij表示得到的第j个imf分量。
[0059]
进一步的，步骤4中搭建lstm神经网络模型包括如下子步骤：
[0060]
在lstm神经网络模型中设置丢弃层、隐藏层和输出层，损失函数采用mse，使用贝叶斯算法对lstm网络的隐藏层层数、隐藏层单元数、初始化学习率、丢弃率、学习率衰减率、学习率衰减周期进行寻优，得到模型的最佳超参数。
[0061]
实施例一：
[0062]
在本实例中，将前七天每15min间隔的负荷数据作为模型输入，下一天每15min间隔的负荷数据作为模型输出，按7:3划分训练集和测试集，预测后七日的负荷值，负荷数据经ceemd分解后的各分量结果图如图2所示，lstm模型中待优化的超参数如图3所示，横坐标代表预测日期，模型预测效果如图4所示，可以看出，预测结果与真实负荷曲线高度吻合。