一种基于二维经验模态分解的门控循环单元网络负荷预测方法

1.本发明涉及一种基于二维经验模态分解的门控循环单元网络负荷预测方法，属于电力系统的负荷预测技术领域。


背景技术：

2.随着电能与居民生活、工农业生产、社会发展关系愈加密切，智能电网的建设工作的进一步推进，逐步积累了海量的电力数据，并且整体数据量每年增长20％，由tb级向pb级发展。因此，智能电网需要进一步的提升数据存储、数据挖掘以及模式识别的能力，需有效减少损耗、提升一次能源的利用率；提前制定精确的发电计划和合理的调度方案是提高电网稳定性和经济性的重要手段。而建立准确的负荷预测模型不仅可以保证能及时调整电网运行方式、准确编制事故处置预案，确保电网经济、稳定运行，还可以节约发电成本，提高经济效益。
3.传统的离散时间序列数据无法反映观测对象的所有取值和变化范围，而区间值序列由某一特定时期的峰值和低谷值组成，是一种特殊形式的时间序列，使用区间数据可以包含更多的有效信息，如同一时期的变化和趋势。另外，与传统的点值时间序列相比，区间时间序列数据的独特表现形式使得其建模过程更加复杂，难度更大，较于点预测更具有挑战性。区间负荷预测是电力行业运行决策和电力系统规划的重要风险管理工具，先前的研究很少关注电力负荷的区间预测，大多没有考虑区间上下界之间可能存在的关联，因此，研究开发区间负荷预测方法具有重要的理论和现实意义。
4.传统的用负荷预测方法包括线性回归分析、趋势外推法以及周期因子模型法等。而这些预测方法在处理非线性、非平稳、高复杂性的时间序列时，预测效果并不理想。因此，为了简化和划分复杂数据，越来越多的学者采用经验模态分解(emd)对负荷数据进行分解。emd是一种直观的、自适应的信号处理技术，可以将非平稳、复杂的信号分解为几个独立的本征模态函数(imfs)和一个残差项(res)。然而，emd只能处理一维时间序列，bemd可适用于处理复值信号，因此本发明采用bemd对负荷数据进行分解。与单一模型相比，从原始数据分解后的模态分量进行负荷建模预测会增加复杂度和计算量，因此采用元多尺度排列熵(mmpe)对各分解后的二维模态分量进行复杂度分析，将复杂度低的模态分量相加为一个新的分量，降低计算复杂度，减少预测误差的累计，提高负荷预测模型的鲁棒性及预测率。长短期记忆神经(lstm)网络是一种广泛应用的循环神经网络(rnn)，它对数据时序性的适应能力很强，但其参数量较多、模型收敛速度较慢；而门控循环单元网络(gru)是一种基于lstm的优化网络，其简化了lstm的内部单元结构，在保证较高预测精度的同时可有效缩短模型的训练时间。因此，本发明提出了一种基于二维经验模态分解的门控循环单元网络负荷预测算法。


技术实现要素：

5.本发明针对现有技术的不足，解决了emd只能处理一维时间序列，以及分解后的模态分量预测会导致计算复杂度高等问题，提出了一种基于二维经验模态分解的负荷预测算法，该预测模型不仅可以挖掘海量电力负荷数据的特征信息，还可以提高预测模型的预测精度及鲁棒性。
6.为了克服上述现有技术的不足，本发明提供了如下的技术方案：
7.一种基于二维经验模态分解的门控循环单元网络负荷预测方法，包括如下步骤：
8.s1.通过智能电表采集用户负荷数据，得到原始用电负荷数据，根据一定的时间尺度构造区间复值序列；
9.s2.通过二维经验模态分解bemd算法对区间复值序列进行分解，将其根据本身所具有的特点分解为若干对相互独立、且拥有不一样尺度特征的模态分量imf和一对残差序列；
10.s3.采用多元多尺度排列熵mmpe对各分解后的二维模态分量进行复杂度分析，将复杂度低的模态分量相加重构为一个新的分量，降低计算复杂度，减少预测误差的累计，提高负荷预测模型的鲁棒性及预测率；
11.s4.采用门控循环单元网络gru对区间负荷时间序列的上下界进行同步预测；
12.s5.将上述步骤中各模态分量得到的所有上下界的预测结果分别相加得到最终预测值。
13.进一步，所述步骤s1的具体步骤为：
14.2.1利用区间构造法将原始负荷数据转化为区间负荷数据其中t是该时间序列的每个时间点，是该点区间的上界，是该点区间的下界，其区间序列表示如下：其中n为负荷数据的个数；
15.2.2构造复值区间：其中和分别为区间负荷数据的上、下界序列，通过复值变换将其转化为复值序列的虚部和实部，c
t
为变换后的区间复值序列。
16.进一步，所述步骤2的具体实现过程为：
17.3.1令c
t
为变换后的区间复值序列；
18.3.2设定投影方向的数量m，并计算投射方向：
19.3.3以方向对复值序列进行投射：其中r{
·
}表示区间复值序列的实部，表示一个单位复数；
20.3.4找到局部最大值对应的坐标
21.3.5运用三次样条插值函数对集和进行插值，得到上，下包络曲线
22.3.6计算所有包络曲线的平均值然后用原始序列减去均值，即
令然后转到步骤3.2重复直到h
t
满足固有模态函数imf的物理定义，即h
t
相对于局部零均值是对称的，并且具有相同数量的过零点和极值；
23.3.7记录得到的各二维模态分量(imfs)和剩余分量：r
t
＝c
t-h
t
，其中表示第一个imf分量，r
t
表示剩余分量；
24.3.8对剩余分量r
t
重复以上步骤，直至得到所有的imfs分量；
25.3.8—旦获得所有的imfs和一个残差项，则原始复值序列c
t
可表示为：其中i表示imfs的数量，表示imfs。
26.进一步，所述步骤3的具体实现过程：
27.4.1多尺度排列熵mpe能够在多个尺度上有效分析时间序列的复杂度和检测非线性信号的不确定性，具备计算简单、抗噪能力与鲁棒性强等优势；因此，利用多元多尺度排列熵提取分解后的各模态分量所包含的时序特征以此形成特征向量，有利于区间负荷预测的精度进一步提高，mpe的具体理论步骤如下：
28.假设原始时间序列为{xi,i＝1,2,...,n}，进行粗粒化处理后得到粗粒化序列其中，s表示尺度因子，为正整数，表示的是在不同尺度下，时间序列{xi}被分割成的序列长度，为s尺度下的粗粒度时间序列；
29.将处理得到的粗粒度序列进行重构得到：其中τ是延迟时间，m表示嵌入维数，l为重构分量l＝1,2,...,n-(m-1)τ；
30.将所得的y
ls
按递增的顺序排列，则多尺度时间序列有m！种不同的排列方式，计算各个尺度下粗粒度时间序列出现的概率：其中πj表示一种排列序列，f(πj)表示这种粗粒度时间序列出现的频率，则各尺度下的排列熵为当所有序列模式概率相等时，h
mpe
得到最大值，当所有序列模式都相同时，h
mpe
为最小值0；
31.4.2mmpe是多尺度排列熵mpe的一种多维扩展，其具体步骤如下：
32.4.2.1输入区间值数据，导入参数嵌入维度m，延迟向量τ，尺度因子s和阈值θ；
33.4.2.2对区间复值负荷序列进行尺度为s的粗粒度变换，其时间序列为:其中表示相应尺度因子下经多尺度粗粒度变化的区间时间序列；
34.4.2.2对进行m维向量重构，得到重构向量其中嵌入维数向量m＝[m
l
,mu]，τ＝[τ
l
,τu]为延迟向量，m＝m
l
mu为嵌入维数；
[0035]
4.2.3计算数据每个维度的相对概率，中上下界的相对概率其中，πj的相对频率为且
[0036]
4.2.4得到各区间模态分量的复杂度排列熵
[0037]
4.2.5当复杂度大于阈值θ时，将其作为单独分量，而将复杂度小于阈值θ时的几个分量进行相加重构为一个新的分量。
[0038]
进一步，所述步骤4的具体实现：
[0039]
5.1门控循环单元网络gru是lstm网络的改进模型，其对lstm的3个门函数进行优化，将遗忘门和输入门集成为单一的更新门，同时混合神经元状态与隐藏状态，有效的缓解了rnn网络中“梯度消失”的问题并缩减lstm网络单元的参数数量，缩短模型的训练时间，因此gru只有两个门，更新门和重置门，其计算公式为：
[0040]rt
＝σ(wr·
[h
t-1
,x
t
])
[0041]zt
＝σ(wz·
[h
t-1
,x
t
])
[0042][0043][0044]
其中，x
t
为输入变量，r
t
和z
t
分别为重置门和更新门在时刻的输出变量；h
t
和h
t-1
分别为当前时刻t和上一时刻t-1的状态记忆变量，表示候选集；wh、wr、wz分别表示候选集、更新门和重置门的权重系数，σ表示sigmoid激活函数，[]表示向量连接，*代表矩阵点乘；
[0045]
5.2 gru预测模型具体步骤如下：
[0046]
5.2.1将重构后的模态分量的上下界作为gru的输入数据，并将该序列按8:2划分为训练集和预测集；
[0047]
5.2.2构建gru预测模型，采用3层gru模型，网络训练的经验风险函数取平方差函数，三层神经元分别为128，64，12；中间神经元采用丢弃率为0.5的dropout方法以防止网络过拟合；模型参数优化算法选用adam梯度下降法，batch_size为100，学习率learning_rate为0.001；
[0048]
5.2.3通过gru模型对重构后的区间负荷时序数据进行预测。
[0049]
与现有技术相比，本发明的有益效果在于：
[0050]
(1)本发明针对传统的离散时间序列数据无法反映观测对象的所有取值和变化范围，提出了一种区间值时间序列预测，使用区间数据可以包含更多的有效信息，如同一时期的变化和趋势。区间负荷预测是电力行业运行决策和电力系统规划的重要风险管理工具，研究开发区间负荷预测方法具有重要的理论和现实意义。
[0051]
(2)本发明通过bemd对复值信号进行分解，并采用mmpe对各分解后的二维模态分量进行复杂度分析，重构各二维模态分量以捕获内部因素，减少了估计误差的累积，在保证较高预测精度的同时可有效缩短模型的训练时间。
附图说明
[0052]
图1为基于二维经验模态分解的门控循环单元网络负荷预测模型算法流程图
[0053]
图2为重构模态分量流程图
[0054]
图3为gru模型原理图
具体实施方式
[0055]
以本实施例中，一种基于二维经验模态分解的门控循环单元网络负荷预测算法，如图一所示，包括：
[0056]
s1.通过智能电表采集用户负荷数据，得到原始用电负荷数据，根据一定的时间尺度构造区间复值序列。
[0057]
进一步地，步骤1的具体实现：
[0058]
1.1利用区间构造法将原始负荷数据转化为区间负荷数据其中t是该时间序列的每个时间点，是该点区间的上界，是该点区间的下界，其区间序列表示如下：其中n为负荷数据的个数。
[0059]
1.2构造复值区间：其中和分别为区间负荷数据的上、下界序列，通过复值变换将其转化为复值序列的虚部和实部，c
t
为变换后的区间复值序列。
[0060]
s2.通过二维经验模态分解(bemd)算法对区间复值序列进行分解，将其根据本身所具有的特点分解为若干对相互独立、且拥有不一样尺度特征的模态分量(imf)和一对残差序列。
[0061]
进一步地，步骤2的具体实现：
[0062]
2.1令
[0063]
2.2设定投影方向的数量m，并计算投射方向：
[0064]
2.3以方向对复值序列进行投射：其中r{
·
}表示区间复值序列的实部，表示一个单位复数；
[0065]
2.4找到局部最大值对应的坐标
[0066]
2.5运用三次样条插值函数对集和进行插值，得到上，下包络曲线
[0067]
2.6计算所有包络曲线的平均值然后用原始序列减去均值，即令然后转到步骤2.2重复直到h
t
满足固有模态函数(imf)的物理定义。即h
t
相对于局部零均值是对称的，并且具有相同数量的过零点和极值。
[0068]
2.7记录得到的各二维模态分量(imfs)和剩余分量：r
t
＝c
t-h
t
，其中表示第一个imf分量，r
t
表示剩余分量；
[0069]
2.8对剩余r
t
重复以上步骤，直至得到所有的imfs分量；
[0070]
2.8—旦获得所有的imfs和一个残差项，则原始复值序列c
t
可表示为：其中i表示imfs的数量，表示imfs。
[0071]
s3采用多元多尺度排列熵(mmpe)对各分解后的二维模态分量进行复杂度分析，将复杂度低的模态分量相加重构为一个新的分量，降低计算复杂度，减少预测误差的累计，提高负荷预测模型的鲁棒性及预测率，其流程图如图2所示。
[0072]
进一步地，步骤3的具体实现：
[0073]
3.1多尺度排列熵(mpe)能够在多个尺度上有效分析时间序列的复杂度和检测非线性信号的不确定性，具备计算简单、抗噪能力与鲁棒性强等优势。因此，本发明中利用多元多尺度排列熵提取分解后的各模态分量所包含的时序特征以此形成特征向量，有利于区间负荷预测的精度进一步提高。mpe的具体理论步骤如下：
[0074]
假设原始时间序列为{xi,i＝1,2,...,n}，进行粗粒化处理后得到粗粒化序列其中，s表示尺度因子，为正整数，表示的是在不同尺度下，时间序列{xi}被分割成的序列长度，为s尺度下的粗粒度时间序列；
[0075]
将处理得到的粗粒度序列进行重构得到：其中τ是延迟时间，m表示嵌入维数，l为重构分量l＝1,2,...,n-(m-1)τ；
[0076]
将所得的y
ls
按递增的顺序排列，则多尺度时间序列有m！种不同的排列方式，计算各个尺度下粗粒度时间序列出现的概率：其中πj表示一种排列序列，f(πj)表示这种粗粒度时间序列出现的频率，则各尺度下的排列熵为当所有序列模式概率相等时，h
mpe
得到最大值，当所有序列模式都相同时，h
mpe
为最小值0。
[0077]
3.2mmpe是多尺度排列熵(mpe)的一种多维扩展，其具体步骤如下：
[0078]
3.2.1输入区间复值负荷序列，导入参数嵌入维度m，延迟向量τ，尺度因子s和阈值θ；
[0079]
3.2.2对区间值负荷时间序列进行尺度为s的粗粒度变换，其时间序列为:其中表示相应尺度因子下经多粗粒度变化的区间时间序列；
[0080]
3.2.2对进行m维向量重构，得到重构向量其中嵌入维数向量m＝[m
l
,mu]，τ＝[τ
l
,τu]为延迟向量，m＝m
l
mu为嵌入维数；
[0081]
3.2.3计算数据每个维度的相对概率，中上下界的相对概率
其中，πj的相对频率为且
[0082]
3.2.4得到各区间模态分量的复杂度排列熵
[0083]
3.2.5当复杂度大于阈值θ时，将其作为单独分量，而将复杂度小于阈值θ时的几个分量进行相加重构为一个新的分量。
[0084]
s4采用门控循环单元网络(gru)对区间负荷时间序列的上下界进行同步预测，其原理图如图3所示。
[0085]
进一步地，步骤4的具体实现：
[0086]
4.1gru网络是lstm网络的改进模型，其对lstm的3个门函数进行优化，将遗忘门和输入门集成为单一的更新门，同时混合神经元状态与隐藏状态，有效的缓解了rnn网络中“梯度消失”的问题并缩减lstm网络单元的参数数量，缩短模型的训练时间，因此gru只有两个门，更新门和重置门，其计算公式为：
[0087]rt
＝σ(wr·
[h
t-1
,x
t
])
[0088]zt
＝σ(wz·
[h
t-1
,x
t
])
[0089][0090][0091]
其中，x
t
为输入变量，r
t
和z
t
分别为重置门和更新门在时刻的输出变量；h
t
和h
t-1
分别为当前时刻t和上一时刻t-1的状态记忆变量，表示候选集；wh、wr、wz分别表示候选集、更新门和重置门的权重系数，σ表示sigmoid激活函数，[]表示向量连接，*代表矩阵点乘。
[0092]
4.2 gru预测模型具体步骤如下：
[0093]
4.2.1将重构后的模态分量的上下界作为gru的输入数据，并将该序列按8:2划分为训练集和预测集；
[0094]
4.2.2构建gru预测模型，采用3层gru模型，网络训练的经验风险函数取平方差函数，三层神经元分别为128，64，12；中间神经元采用丢弃率为0.5的dropout方法以防止网络过拟合；模型参数优化算法选用adam梯度下降法，batch_size为100，学习率learning_rate为0.001；
[0095]
4.2.3通过gru模型对重构后的区间负荷时序数据进行预测。
[0096]
s5将上述步骤中各模态分量得到的所有上下界的预测结果分别相加得到最终预测值。
[0097]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。