一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法与流程

一种基于自适应啁啾模态分解和ssa-bilstm的短期负荷组合预测方法
技术领域
1.本发明涉及负荷预测技术，尤其是涉及一种基于自适应啁啾模态分解和ssa-bilstm 的短期负荷组合预测方法。


背景技术：

2.目前，有关负荷预测的方法可分为以下三类，一是以线性回归、arima和指数平滑为代表的传统预测方法。传统方法虽然结构简单易于实施，但在非线性时序预测问题方面表现很差。二是以机器学习和深度学习为代表的人工智能方法，此类方法提高了对非线性问题的处理能力。近几年随着计算机算力的提升，尤其是以神经网络为代表的深度学习模型，被广泛应用于负荷预测；三是组合预测法，组合预测法的常见思路分为两种：一种是将启发式优化算法与单个预测模型进行组合，对模型的超参数取值进行选择和设置。文献使用粒子群算法对深度置信网络模型进行优化；文献提出了基于遗传算法优化bp神经网络的预测模型；较单一模型而言，均提高了预测的精度。第二种思路为结合信息领域的信号分解技术，对时序数据进行预处理来降低数据的复杂度，再进行预测。文献提出了一种基于经验模式分解 (empirical mode decomposition，emd)和lstm组合的短期负荷预测模型，与单一lstm模型相比，预测精度更高。文献将变分模态分解(variational mode decomposition，vmd)和lstm 结合，降低了预测误差。
3.例如，一种在中国专利文献上公开的“一种组合型电力负荷预测方法”，其公开号为 cn103679287a，包括收敛速度慢、参数调节繁琐频繁、预测系统整体稳定性较低等技术问题，无法有效地提高短期负荷预测的精确度。


技术实现要素：

4.本发明是为了解决现有技术负荷预测方法存在的收敛慢、参数调节繁琐、稳定性不佳和预测精度不高等技术问题，有效地提高对短期负荷预测精度，提供一种基于自适应啁啾模态分解(acmd)和麻雀搜索算法(ssa)优化双向长短时记忆网络(bilstm)的短期负荷组合预测方法。
5.为了实现上述目的，本发明采用以下技术方法：一种基于自适应啁啾模态分解和ssa-bilstm的短期负荷组合预测方法，其特征是，本方案包括以下步骤：步骤s1：结合配电网用电数据采集系统采集的负荷数据以及配电台区附近气象站采集的气象数据形成原始数据集，并将原始数据集分为80％的训练数据以及20％的测试数据；步骤s2：对于训练数据中的负荷数据，利用自适应啁啾模态分解(acmd)方法对历史负荷序列数据进行分解，得出q个子序列；结合测试数据集中的气象数据特征；步骤s3：对于分解后的q个子序列分别构建双向长短时记忆网络(bilstm)预测模
型；利用麻雀搜索算法(ssa)对构建的q个bilstm模型进行优化，优化模型的超参数值，根据优化后的值构建最优预测模型；步骤s4：根据建立的最优预测模型对各子序列进行预测，将预测结果进行叠加组合得到最终的预测结果，并对比其他预测方法，通过相关评价指标对预测结果进行评估，分析模型的预测效果。
6.对比其他预测方法，通过相关评价指标对预测结果进行评估，分析模型的预测效果将原始数据经过acdm分解产生的序列数据输入给bilstm预测模型，使用ssa算法对预测模型进行参数优化，最后优化过后的模型输出预测结果，将多个优化后的预测模型输出结果叠加与原始数据对比，即可评估预测结果准确度。
7.作为优选，ssa-bilstm预测模型建立流程通过acmd算法对原始非平衡序列进行分解，采用递归算法的框架进行匹配追踪，处理具有强时变特性的多模信号；使用acmd处理负荷预测所需历史功率信号，具体公式如下所示：其中q是信号模式的数量，aq(t)、fq(t)和分别表示第q个信号模式的瞬时幅值、瞬时频率和初始相位。
8.电力负荷受生产生活、气象因素、经济因素等的影响，呈现出一定的波动性、非平稳性的特点，但由于电力用户的电力消费习惯有一定的规律性，因此，负荷也具有明显的周期波动趋势，本发明算法能较好地捕捉到负荷的周期性规律，将有助于有效提升预测的精准度。
9.进一步的，将上述历史功率信号处理公式通过调制和解调进行改写，具体如下所示：示：其中，bq(t)和dq(t)为解调算子，表示解调频率(df)，为瞬时幅值；可以发现，当解调频率等于瞬时频率时，即当时，解调信号中的调频项为0，得到带宽最窄的纯调幅信号。
10.进一步的，通过最小化解调信号的带宽，acmd算法可以估计中频，对信号进行分解，并逐个估计信号的分量通过交替更新解调信号和频率函数来求解此优化问题实现对原始信号的逐个分解，在得到第一个信号分量之后，将其从原始信号中减去，然后将剩余分量作为新的初始信号继续分解得到第二个信号分量，反复循环更新，直到获取全部信号分量，具体如下所示：
其中||...||2为l2范数，用来表示距离；
″
为二阶导数，其物理意义为分解后单模态曲线的平滑程度；λ为惩罚因子；和表示带宽。对于t＝t0,
…
,tn-1时间序列的离散信号，采样点个数为n,则上式的离散表达形式为：其中，s＝[s(t0),
…
,s(t
n-1
)]
t
，uq＝[(bq)
t
,(dq)
t
]
t
，bq＝[bq(t0),
…
,bq(t
n-1
)]
t
,dq＝[dq(t0),
…
,dq(t
n-1
)]
t
，λ＝diag[ω,ω]为分块对角阵，ω为二阶差分矩阵，通过交替更新解调信号和频率函数来求解此优化问题实现对原始信号的逐个分解，在得到第一个信号分量之后，将其从原始信号中减去，然后将剩余分量作为新的初始信号继续分解得到第二个信号分量，反复循环更新，直到获取全部信号分量，降低参数变更频率，提高预测系统的精确度。
[0011]
进一步的，bilstm采用两层lstm组合而成，同时将两层lstm进行前向和反相两个方向的序列，其中前向层用于捕捉当前时间节点之前的特征序列，反向层用于捕捉未来时刻到当前时间节点的特征序列。
[0012]
进一步的，预测模型建立流程通过在d维解空间内不断更新各类麻雀的位置，比较适应度值来寻求更好的位置即求解目标函数的最优解，所述各类麻雀包括发现者、加入者和报警者。
[0013]
ssa启发于麻雀的觅食行为，与粒子群和遗传算法相比，具有速度快、精度高和参数少等优点，有很强的工程应用潜力。
[0014]
进一步的，上述过程中，发现者位置更新如下式所示：其中，表示种群在第t次迭代中个体i的第d维位置；а为取值为0到1之间的随机数； iter
max
为种群最大迭代次数；q为一个随机数且服从高斯分布；r2也为一个取值为0到1之间的随机数，st为报警阈值取值为0.5到1之间；当大于报警值时，会随机更新位置，当小于报警值时，会在当前位置收敛。
[0015]
加入者位置更新计算式如下：其中，为当前最差麻雀个体位置，为最好个体位置；rand{-1,1}表示随机取-1和1；n 为个体总数，当i》n/2表示低适应度的加入者在当前位置未获得食物，需要更新位置；当i《n/2 时，表示当前处于最优位置附近，在当前位置附近继续觅食。
[0016]
报警者位置更新计算式如下：
其中，β为服从高斯分布的随机数；fi为当前个体适应度值，fb为当前种群中最优个体适应度值，fw为最差个体适应度值；k为取值-1到1之间的随机数；ε为一极小且不为0的数；若报警者位于当前最优位置时，其会向最优位置附近逃离，若其不处于当前最优位置会逃至最优位置附近。
[0017]
bilstm算法存在一些超参数，在使用bilstm对电力负荷进行预测时，超参数的取值不同会对模型的预测精度产生很大影响。根据经验手动调整参数费时费力，且不确定性强。因此为了提升预测的精度，使用ssa强大的寻优能力对bilstm的各超参数取值进行快速精准的确定。本文选取对bilstm影响较大的三个超参数为优化对象，分别为：学习率 (learning_rate)、第一层隐藏层单元数(numhiddenunits1)和第二层隐藏层单元数(numhiddenunits2)。使用均方误差函数(mse)作为bilstm的损失函数,同时也作为ssa的适应度函数；ssa的目标是找到使得bilstm训练样本mse最小的一组超参数组合。
[0018]
mse表示预测功率与实际功率的差异程度，公式如下：式中，h为训练集样本总数，yi为第i个采样点的真实值，yi为预测值。
[0019]
作为优选，预测模型的建立流程包括：步骤sa1：设置ssa的麻雀种群数目、不同任务分工麻雀所占比例以及最大迭代次数；步骤sa2：在解空间里初始化待优化参数；步骤sa3：实用对应的参数数值构建bilstm模型对样本进行训练，并计算适应度值；步骤sa4：根据bilstm传出的适应度值更新麻雀种群位置，得到新的解，将对应解，即参数取值，传给bilstm进行训练；步骤sa5：重复步骤s2和步骤s3，直到迭代完成；步骤sa6：输出最优参数值组合，建立最优bilstm预测模型。
[0020]
因此，本发明的有益效果如下所示：相比与传统emd方法，acmd方法对非线性信号分解效果更好，能够将原始负荷序列分解为一系列更为平稳、规律性更强的子序列，且分解后的子序列数量更少，减少了预测工作量的同时提高了预测的准确率；在bilstm预测过程中，引入ssa对bilstm的超参数进行寻优，能克服人工调节参数带来的不确定性高和效果不佳的缺点；acmd-ssa-bilstm组合预测模型，通过对原始序列分解而成的简单子序列分别预测并寻优，再将预测结果叠加得到最终结果。与单一模型和其组合模型相比，预测效果更好、精度更高，具有一定的应用优势。
附图说明
[0021]
图1为本发明一种基于acmd-ssa-bilstm的短期负荷组合预测模型；图2为本发明使用的bilstm模型结构图；图3为本发明中基于ssa-bilstm预测模型优化流程图；图4是本发明中emd算法分解原始负荷数据结果图；图5为本发明中acmd算法分解原始负荷数据结果图；图6为本发明中不同分解方法下预测误差分布图；图7为本发明中经过ssa优化前后模型性能对比图；图8为本发明中6中不同预测模型预测曲线对比结果图。
具体实施方式
[0022]
下面通过结合附图和具体实施方式，对本发明作进一步具体的描述。
[0023]
如图1所示，本发明基本思想是结合配电网“用电数据采集系统”以及配电台区附近气象站采集的风速、温度、辐射强度、相对湿度和云量形成原始数据集，并将原始数据集分为80％的训练数据以及20％的测试数据。对于测试数据集中的负荷数据，利用自适应啁啾模态分解(acmd)方法对历史负荷序列数据进行分解，得出q个子序列；结合测试数据集中的气象数据特征，对于分解后的q个子序列分别构建双向长短时记忆网络(bilstm)预测模型；利用麻雀搜索算法(ssa)对构建的q个bilstm模型进行优化，优化模型的超参数值，根据优化后的值构建最优预测模型；将各子序列预测结果进行叠加组合得到最终的预测结果，并对比其他预测方法，通过相关评价指标对预测结果进行评估，分析模型的预测效果，具体包括以下步骤：一种基于自适应啁啾模态分解和ssa-bilstm的短期负荷组合预测方法，其特征是，本方案包括以下步骤：步骤s1：结合配电网用电数据采集系统采集的负荷数据以及配电台区附近气象站采集的气象数据形成原始数据集，并将原始数据集划分分为80％的训练数据以及20％的测试数据；步骤s2：对于训练数据中的负荷数据，利用自适应啁啾模态分解(acmd)方法对历史负荷序列数据进行分解，得出q个子序列；结合测试数据集中的气象数据特征；步骤s3：对于分解后的q个子序列分别构建双向长短时记忆网络(bilstm)预测模型；利用麻雀搜索算法(ssa)对构建的q个bilstm模型进行优化，优化模型的超参数值，根据优化后的值构建最优预测模型；步骤s4：根据建立的最优预测模型对各子序列进行预测，将预测结果进行叠加组合得到最终得到预测结果，通过相关评价指标对预测结果进行评估，分析模型的预测效果。
[0024]
通过采集由配电网用电数据采集系统的实时数据,分别提取数据源中的数字信号和电力信息，在实际应用中,因采集设备已被区分,因此可以取到每个电力分区实时的数字信号和电力信号，所接受的数据以毫秒为单位；该方法动态根据当前时刻，根据每个单位时间所接收的数据信息量大小的实时对负荷序列数据进行分解，得到多个子序列，通过对各项子序列的动态分析，测试并得到气象数据特征；因此该方法采用了自适应啁啾模态分解和 ssa-bilstm，可直接使用即可得到在环境数据变化微弱前提下的提升效果显著的识别
结果；对所述环境数学信号和电力负荷信号进行解析，得到所述电力负荷信号对应的文本信息；以及基于所述文本信息生成目标数据集。
[0025]
如图2所示，bilstm采用两层lstm组合而成，同时考虑前向和反向两个方向的序列；其中前向层用于捕捉当前时间节点之前的特征序列，反向层用于捕捉未来时刻到当前时间节点的特征序列。
[0026]
电力负荷受生产生活、气象因素、经济因素等的影响，呈现出一定的波动性、非平稳性的特点。但由于电力用户的电力消费习惯有一定的规律性，因此，负荷也具有明显的周期波动趋势。若算法能较好地捕捉到负荷的周期性规律，将有助于有效提升预测的精准度。本文通过acmd算法对原始非平稳序列进行分解，acmd是一种自适应信号分解算法，采用递归算法的框架匹配追踪，可以有效处理具有强时变特性的多模信号。
[0027]
使用acmd处理负荷预测所需历史功率信号，可由下式表示：其中q是信号模式的数量，aq(t)、fq(t)和分别表示第q个信号模式的瞬时幅值、瞬时频率和初始相位，通过调制和解调，上式可以改写为：瞬时频率和初始相位，通过调制和解调，上式可以改写为：式中bq(t)和dq(t)为解调算子，表示解调频率(df)，为瞬时幅值；可以发现，当解调频率等于瞬时频率时，即当时，解调信号中的调频项为0，得到带宽最窄的纯调幅信号。通过最小化解调信号的带宽，acmd算法可以估计中频，对信号进行分解，并逐个估计信号的分量。即对于第q个信号分量求解如下优化问题：其中||...||2为l2范数，用来表示距离；
″
为二阶导数，其物理意义为分解后单模态曲线的平滑程度；λ为惩罚因子；和表示带宽。对于t＝t0,
…
,tn-1时间序列的离散信号，采样点个数为n,则上式的离散表达形式为：式中s＝[s(t0),
…
,s(t
n-1
)]
t
，uq＝[(bq)
t
,(dq)
t
]
t
，bq＝[bq(t0),
…
,bq(t
n-1
)]
t
,dq＝[dq(t0),
…
,dq(t
n-1
)]
t
，λ＝diag[ω,ω]为分块对角阵，ω为二阶差分矩阵。
[0028]
通过交替更新解调信号和频率函数来求解此优化问题实现对原始信号的逐个分解，在得到第一个信号分量之后，将其从原始信号中减去，然后将剩余分量作为新的初始信
号继续分解得到第二个信号分量，反复循环更新，直到获取全部信号分量。
[0029]
如图4、图5所示，为比较acmd和emd的分解效果，在训练数据中选取1500个样本点，分别使用emd和acmd进行分解，从分解后子序列数量上来看，emd分解后产生了9个子序列，而acmd分解后的子序列只有6个，可以有效的减少后续对各子序列分别建立预测模型的计算量。比较二种方法分解结果的高频部分可以发现，emd高频分量较为杂乱，规律性差，而acmd高频分量规律性较强，存在一定的周期性。对比低频分量可以发现，二者低频分量都有较大的幅值，趋势平缓，但acmd低频趋势与原序列更接近。综上，acmd 分解后的各子序列更有利于后续预测建模对于负荷预测模型采用bilstm预测模型，并使用 ssa算法对模型进行优化。
[0030]
ssa启发于麻雀的觅食行为
[21]
，与粒子群和遗传算法相比，具有速度快、精度高和参数少等优点，有很强的工程应用潜力。麻雀群在觅食的过程中分工明确，有寻找优质食物的发现者和尾随其后的加入者。与传统的发现—跟随者模型不同的是，麻雀算法增加了侦察预警机制，选取种群中一定比例的麻雀作为报警者警惕攻击和夺食行为，发现危险则放弃当前食物。通过在d维解空间内不断更新各类麻雀的位置，比较适应度值来寻求更好的位置即求解目标函数的最优解。
[0031]
其中发现者位置更新如下：式中，表示种群在第t次迭代中个体i的第d维位置；а为取值为0到1之间的随机数； iter
max
为种群最大迭代次数；q为一个随机数且服从高斯分布；r2也为一个取值为0到1之间的随机数，st为报警阈值取值为0.5到1之间。当大于报警值时，会随机更新位置，当小于报警值时，会在当前位置收敛。
[0032]
加入者位置更新描述如下：式中为当前最差麻雀个体位置，为最好个体位置；rand{-1,1}表示随机取-1和1；n 为个体总数，当i》n/2表示低适应度的加入者在当前位置未获得食物，需要更新位置。当i《n/2 时，表示当前处于最优位置附近，在当前位置附近继续觅食。
[0033]
每代种群都会抽取一定比例的个体为报警者，报警者更新描述为：式中β为服从高斯分布的随机数；fi为当前个体适应度值，fb为当前种群中最优个体适应度值，fw为最差个体适应度值；k为取值-1到1之间的随机数；ε为一极小且不为0的
数。容易发现，若报警者位于当前最优位置时，其会向最优位置附近逃离，若其不处于当前最优位置会逃至最优位置附近。
[0034]
bilstm算法存在一些超参数，在使用bilstm对电力负荷进行预测时，超参数的取值不同会对模型的预测精度产生很大影响。根据经验手动调整参数费时费力，且不确定性强。因此为了提升预测的精度，使用ssa强大的寻优能力对bilstm的各超参数取值进行快速精准的确定。本文选取对bilstm影响较大的三个超参数为优化对象，分别为：学习率 (learning_rate)、第一层隐藏层单元数(numhiddenunits1)和第二层隐藏层单元数 (numhiddenunits2)。使用均方误差函数(mse)作为bilstm的损失函数,同时也作为ssa的适应度函数。ssa的目标是找到使得bilstm训练样本mse最小的一组超参数组合。
[0035]
mse表示预测功率与实际功率的差异程度，公式如下：式中，h为训练集样本总数，yi为第i个采样点的真实值，yi为预测值。
[0036]
如图6所示，通过bilstm、emd-bilstm、acmd-bilstm三种预测方法的预测误差分布比对，发现通过acmd-bilstm预测方式的预测误差值为bilstm预测方式误差值的 40％，emd-bilstm预测方式误差值的60％；如图7所示，单一bilstm模型预测值相较于真实值有大量样本预测值与真实值的预测差距较大，而通过ssa-bilstm叠加模型预测值相较于真实值几乎没有预测偏差；如图8所示，本方案对非线性信号分解效果更好，能够将原始负荷序列分解为一系列更为平稳、规律性更强的子序列，且分解后的子序列数量更少，减少了预测工作量的同时提高了预测的准确率，通过acmd-ssa-bilstm组合预测模型的叠加处理，通过对原始序列分解而成的简单子序列分别预测并寻优，再将预测结果叠加得到最终结果，与单一模型和其组合模型相比，预测效果更好、精度更高。
[0037]
如图3所示，ssa-bilstm最优化预测模型建立流程包括：步骤sa1：设置ssa的麻雀种群数目、不同任务分工麻雀所占比例以及最大迭代次数，基于目标位置信息，确定分工麻雀的类型；步骤sa2：在解空间里初始化待优化参数；步骤sa3：实用对应的参数数值构建bilstm模型对样本进行训练，并计算适应度值；步骤sa4：根据bilstm传出的适应度值更新麻雀种群位置，得到新的解，将对应解，即参数取值，传给bilstm进行训练；步骤sa5：重复步骤s2和步骤s3，直到达到醉倒迭代次数并迭代完成；步骤sa6：输出最优参数值组合，建立最优bilstm预测模型。
[0038]
通过上述策略，在特定的麻雀分工以及数据类型上的所有预测结果都有高精确性；对于电力负荷因为生产生活、气象因素、经济因素等外力影响，通过该预测模型对电力负荷的波动性、非平衡性进行周期性规律的捕捉，有效地处理具有强时变特性的多模信号。
[0039]
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想
所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。