一种基于小波变换与bigru-nn的短期负荷预测方法
技术领域
1.本发明属于电力系统负荷预测领域，涉及一种基于小波变换与bigru-nn的短期负荷预测方法。
背景技术：
2.电力系统负荷预测是电力系统规划和稳定、安全、经济运行的基础。根据预测期限可以将负荷预测分为长期预测，中期预测，短期预测和超短期预测。不同的预测类型对电网有着不同的应用目的。其中短期负荷预测(short term load forecasting,stlf)一般指当前时刻往后1小时到1周的负荷预测，适用于火电分配及水火协调等方面。可靠的预测结果有利于提高发电设备的利用率，降低电力网络的运营成本。而随着电网市场化改革的推进，有效的短期负荷预测对实时电价的影响更加明显。但是随着电网规模的不断扩大，负荷多样性的增加，高效和精确的短期负荷预测变得更加困难。这就要求超短期的负荷预测方法同时具有快速和准确的特点。
3.目前，用于负荷预测的方法主要可以分为两大类，分别是传统的统计学方法和新兴的机器学习方法。统计学方法包括了多元线性回归模型、卡尔曼滤波器模型、以及时间序列模型等，它建立的模型具有比较明确的数学形式，数据分布的假定和模型的合理性决定了预测结果好坏。而由于电力负荷具有复杂性和非线性的特点，很难做出较为符合实际的分布假定和建立明确的数学模型。因此多数的统计学方法在进行短期负荷预测时效果并不理想。机器学习方法包括了包括模糊推理系统(fuzzy inference system，fis)、人工神经网络 (artificial neural network，ann)和支持向量机(support vector machine，svm)等。这些方法能够较好的处理非线性问题，因此预测的准确率有所提高，但也存在一些其它问题，如缺乏自学能力，无法处理大规模数据，破坏数据的时序特征，手动特征选择等。
4.长短时记忆(long-short time memory，lstm)网络是一种有效的循环神经网络，它能够同时学习数据的非线性以及时序性特征，并且解决了普通rnn梯度消失的问题，但该方法存在收敛过慢的缺点。门控循环单元(gated recurrent unit，gru)以lstm为基础，解决了lstm 收敛过慢的问题，并且能够保持lstm的准确率。然而gru神经网络仅仅考虑历史时期负荷影响因素对预测负荷的影响，而电力负荷不仅仅由历史时期负荷影响因素决定，同时与未来时期负荷影响因素相关联。
技术实现要素：
5.1.所要解决的技术问题：
6.传统预测模型无法充分挖掘大量采集数据蕴含的有效信息，而且未考虑电力负荷预测由历史影响因素与未来影响因素共同决定。
7.2.技术方案：
8.为了解决以上问题，本发明提供了一种基于小波变换与bigru-nn的短期负荷预测方法，包括以下步骤：步骤s01：输入荷特征数据，运用小波变换将负荷特征数据分解为高频
数据和低频数据；步骤s02：将高频数据作为高频bigru-nn模块的输入；将低频数据作为低频 bigru-nn模块的输入；步骤s03：将高频bigru-nn模块的输出和低频bigru-nn模块的输出，经过小波反变换得到预测负荷数据。
9.所述bigru-nn模块中，nn是一种前馈人工神经网络，有三层组成，第一层为输入层、中间层为隐藏层，最后一层为输出层，每一层的每一个节点均与下一层的所有节点相连接,其中隐藏层有多个。
10.nn的神经元之间的数学关系为：y＝φ(wx+b)
11.式中x和y分别表示任一神经元的输入和输出；φ表示激活函数；b表示偏置量。
12.高频bigru-nn模块和低频bigru-nn模块中bigru层共有3层，各层的神经元个数依次为8、16和32，nn层有两层，各层神经元个数为128、16，高频bigru-nn模块和低频bigru-nn模块的输出层设置16个神经元。
13.所述输出层设置16个神经元是以24点负荷数据经过db5小波变换得到的高低频数据均是16维为依据。
14.3.有益效果：
15.本发明提出了基于小波变换与bigru-nn的短期负荷预测方法，不仅能够考虑到历史时刻负荷影响因素对于当前负荷的影响，同时也考虑到未来时刻负荷影响因素对于当前负荷的影响，并且能够很好地学习负荷数据的非线性以及时序性特征。
具体实施方式
16.下面对本发明进行详细说明。
17.一种基于小波变换与bigru-nn的短期负荷预测方法，包括以下步骤：步骤s01：输入荷特征数据，运用小波变换将负荷特征数据分解为高频数据和低频数据；步骤s02：将高频数据作为高频bigru-nn模块的输入；将低频数据作为低频bigru-nn模块的输入；步骤s03：将高频bigru-nn模块的输出和低频bigru-nn模块的输出，经过小波反变换得到预测负荷数据。
18.小波变换(wavelet transform，wt)是一种新的变换分析方法，它提供了一个随频率变化的“时间-频率”窗口，可以有效地处理信号的时域以及频域内容。小波变换运用伸缩平移运算对信号逐步进行多尺度细化，通过对时频信号分析要求的自动适应去观察信号的任意细节，在低频处详细划分频率，在高频处详细划分时间，解决了傅里叶变换的困难问题，在当今科学研究中得到广泛应用。为更加有效地学习负荷数据特征，运用db5小波变换将负荷特征数据分解为高频以及低频数据，再分别将其作为对应高低频混合神经网络模块输入。
19.(neural network,nn)是一种前馈人工神经网络，由输入层、自由组合的多个隐藏层，输出层组成。一般情况下，第一层为输入层，中间层为隐藏层，最后一层为输出层。神经网络中每一层的每一个节点均与下一层的所有节点相连接，神经元之间的数学关系为：
20.y＝φ(wx+b)
21.式中x和y分别表示任一神经元的输入和输出；φ表示激活函数；b表示偏置量。
22.高低频bigru-nn模块中bigru层共有3层，各层的神经元个数依次为8、16和32。全连接层共有2层，各层神经元个数为128、16。输出层设置16个神经元是以24点负荷数据经过
db5小波变换得到的高低频数据均是16维为依据。采用某地区电网的负荷数据作为实际算例，将负荷特征数据经过db5小波变换得到的输出作为高低频bigru-nn模块输入，输出得到1
×
16的高低频数组，再将高低频数组经过小波反变换得到第二天的24点负荷预测值。
23.虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
技术特征：
1.一种基于小波变换与bigru-nn的短期负荷预测方法，包括以下步骤：步骤s01：输入荷特征数据，运用小波变换将负荷特征数据分解为高频数据和低频数据；步骤s02：将高频数据作为高频bigru-nn模块的输入；将低频数据作为低频bigru-nn模块的输入；步骤s03：将高频bigru-nn模块的输出和低频bigru-nn模块的输出，经过小波反变换得到预测负荷数据。2.如权利要求1所述的方法，其特征在于：所述bigru-nn模块中，nn是一种前馈人工神经网络，有三层组成，第一层为输入层、中间层为隐藏层，最后一层为输出层，每一层的每一个节点均与下一层的所有节点相连接,其中隐藏层有多个。3.如权利要求2所述的方法，其特征在于：nn的神经元之间的数学关系为：y＝φ(wx+b)，式中x和y分别表示任一神经元的输入和输出；φ表示激活函数；b表示偏置量。4.如权利要求1-3任一项权利要求所述的方法，其特征在于：高频bigru-nn模块和低频bigru-nn模块中bigru层共有3层，各层的神经元个数依次为8、16和32，nn层有两层，各层神经元个数为128、16，高频bigru-nn模块和低频bigru-nn模块的输出层设置16个神经元。5.如权利要求4所述的方法，其特征在于：所述输出层设置16个神经元是以24点负荷数据经过db5小波变换得到的高低频数据均是16维为依据。
技术总结
本发明提供了一种基于小波变换与BiGRU-NN的短期负荷预测方法，包括以下步骤：步骤S01：输入荷特征数据，运用小波变换将负荷特征数据分解为高频数据和低频数据；步骤S02：将高频数据作为高频BiGRU-NN模块的输入；将低频数据作为低频BiGRU-NN模块的输入；步骤S03：将高频BiGRU-NN模块的输出和低频BiGRU-NN模块的输出，经过小波反变换得到预测负荷数据。本发明提出了基于小波变换与BiGRU-NN的短期负荷预测方法，不仅能够考虑到历史时刻负荷影响因素对于当前负荷的影响，同时也考虑到未来时刻负荷影响因素对于当前负荷的影响，并且能够很好地学习负荷数据的非线性以及时序性特征。好地学习负荷数据的非线性以及时序性特征。
技术研发人员：卞海红 徐国政 王新迪 张瀚之
受保护的技术使用者：南京工程学院
技术研发日：2021.10.19
技术公布日：2022/1/7