一种基于CEEMD-LSTM-MLR的短期电力负荷预测方法

一种基于ceemd-lstm-mlr的短期电力负荷预测方法
技术领域
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ceemd-lstm-mlr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ceemd-lstm-mlr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：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；步骤2：将输入数据通过ceemd分解为有限个imf分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；步骤3：对高频分量应用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；步骤4：对低频分量应用mlr进行预测；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。
5.进一步的，步骤1包括如下子步骤：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、分别为处理前后的负荷数据，、分别为原始负荷数据中的最大值和最小值。
6.进一步的，步骤3中搭建lstm神经网络模型包括如下子步骤：
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。
7.与现有技术相比，本发明的技术方案具有以下特点：1.原始负荷数据具有一定的波动性与复杂度，若直接进行预测将会带来预测时间长，预测精度低等问题。本发明采用ceemd分解方法，有效降低了原始负荷序列的波动性与复杂度，并解决了传统emd分解方法模态混叠的问题及eemd重构误差大、分解完备性差的问题。
8.2.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，并基于不同频率分别预测的思想，提高了预测速度，能得到较为满意的预测效果。
附图说明
9.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。
10.图1为本发明提出的ceemd-lstm-mlr短期电力负荷预测流程图。
11.图2为负荷数据经ceemd分解后各分量的波形图。
12.图3为模型中贝叶斯优化lstm的超参数及范围。
13.图4为预测结果与真实值的对比图。
具体实施方式
14.下面结合附图对本发明作进一步的说明。
15.图1中具体包括以下步骤：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；步骤2：将输入数据通过ceemd分解为有限个imf分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；步骤3：对高频分量应用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；步骤4：对低频分量应用mlr进行预测；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。
16.进一步的，步骤1包括如下子步骤：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、分别为处理前后的负荷数据，、分别为原始负荷数据中的最大值和最小值。
17.进一步的，步骤3中搭建lstm神经网络模型包括如下子步骤：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。
18.实施例一：
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。


技术特征：
1.一种基于ceemd-lstm-mlr的短期电力负荷预测方法，其特征在于，包括以下步骤：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；步骤2：将输入数据通过ceemd分解为有限个imf分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；步骤3：对高频分量应用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；步骤4：对低频分量应用mlr进行预测；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。2.如权利要求1所述的一种基于ceemd-lstm-mlr的短期电力负荷预测方法，其特征在于，步骤1包括如下子步骤：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、x
d
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。3.根据权利要求1所述的一种基于ceemd-lstm-mlr的短期电力负荷预测方法，其特征在于，步骤3包括如下子步骤：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。

技术总结
本发明提出了一种基于CEEMD-LSTM-MLR的短期电力负荷预测方法，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；步骤2：将输入数据通过CEEMD分解为有限个IMF分量和一个残余分量，根据各分量波动周期长短合并重组为高频分量和低频分量；步骤3：对高频分量应用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；步骤4：对低频分量应用MLR进行预测；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。本发明采用CEEMD分解方法，解决了传统EMD分解方法模态混叠的问题及EEMD重构误差大问题，并基于不同频率分别预测的思想，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。步的提升。步的提升。


技术研发人员：王子乐 黄弦超
受保护的技术使用者：华北电力大学
技术研发日：2021.12.28
技术公布日：2022/4/8