本发明涉及用电负荷预测,特别是短期用电负荷预测模型训练方法及系统、预测方法及系统。
背景技术:
1、由于发电量经济调度、燃料采购调度和系统实时的安全评估等各种运营决策大多基于短期负荷预测,近年来短期负荷预测的重要性不断增加,因此,人们开发了各种技术来预测用电负荷,包括统计方法。基于统计的方法如多元线性回归、指数平滑和整合滑动平均自回归能够拟合用电负荷数据中的线性关系。然而,这些统计方法在处理非线性时间序列数据时存在不足。
2、目前,emd是一种有效处理非线性和非平稳时间序列数据的分解方法,但emd存在间歇性信号引起的模态混叠问题,当电力负荷数据中包含间歇性信号,如突发负荷或季节性变化等,emd的分解结果可能无法准确捕捉到这些信号的特征,从而导致预测结果不准确。
技术实现思路
1、本发明的目的是提供一种短期用电负荷预测模型训练方法及系统、预测方法及系统,可以提高用电负荷预测的精准度。
2、为实现上述目的,本发明提供了如下方案:
3、本发明提供了一种短期用电负荷预测模型训练方法,包括:
4、步骤1:基于ceemdan分解算法,对训练数据进行信号分解,得到分解后的imf序列和残差分量;所述训练数据为历史用电负荷数据信号;所述imf序列包括若干imf分量;
5、步骤2:根据所述imf分量的过零率,确定所述imf分量的分量类型;所述分量类型包括高频分量和低频分量;
6、步骤3:分别基于所述高频分量、所述低频分量和所述残差分量,训练用电负荷高频分量预测模型、用电负荷低频分量预测模型和用电负荷残差分量预测模型。
7、可选的,所述过零率根据如下公式计算:
8、
9、其中,n为数据点总数,ε(xi)为第i个数据点的单位阶跃函数,ε(xi-1)为第i-1个数据点的单位阶跃函数,zn为过零率。
10、可选的,步骤2具体包括:
11、当所述imf分量的过零率大于设定过零率时,所述imf分量为高频分量;
12、当所述imf分量的过零率不大于设定过零率时,所述imf分量为低频分量。
13、可选的,步骤3具体包括:
14、以所述历史用电负荷数据信号中任一时段的高频分量为输入,以对应下一时段的高频分量为标签,训练基于lstm算法的用电负荷高频分量预测模型。
15、可选的,步骤3具体包括:
16、以所述历史用电负荷数据信号中任一时段的低频分量为输入,以对应下一时段的低频分量为标签,训练基于lstm算法的用电负荷低频分量预测模型。
17、可选的,步骤3具体包括:
18、以所述历史用电负荷数据信号中任一时段的残差分量为输入,以对应下一时段的残差分量为标签,训练基于lstm算法的用电负荷残差分量预测模型。
19、可选的,在步骤1之前,还包括:
20、对原始历史用电负荷数据信号进行z-score标准化处理,得到所述训练数据。
21、本发明还提供了一种基于所述短期用电负荷预测模型的短期用电负荷预测方法,包括:
22、获取目标时间段上一时间段的用电负荷数据信号;
23、基于ceemdan分解算法,对用电负荷数据信号进行信号分解,得到分解后的imf序列和残差分量;
24、根据所述imf分量的过零率,确定所述imf分量的分量类型;所述分量类型包括高频分量和低频分量;
25、将所述高频分量、所述低频分量和所述残差分量分别输入至训练好的用电负荷高频分量预测模型、用电负荷低频分量预测模型和用电负荷残差分量预测模型,并分别预测所述目标时间段的高频分量、低频分量和残差分量;
26、根据所述目标时间段的所述高频分量、所述低频分量和所述残差分量,确定所述目标时间段的用电负荷数据。
27、本发明还提供了一种短期用电负荷预测模型训练系统,包括:
28、第一分解模块;用于基于ceemdan分解算法,对训练数据进行信号分解,得到分解后的imf序列和残差分量;所述训练数据为历史用电负荷数据信号;所述imf序列包括若干imf分量;
29、第一分类模块,用于根据所述imf分量的过零率,确定所述imf分量的分量类型;所述分量类型包括高频分量和低频分量;
30、模型训练模块,用于分别基于所述高频分量、所述低频分量和所述残差分量,训练用电负荷高频分量预测模型、用电负荷低频分量预测模型和用电负荷残差分量预测模型。
31、本发明还提供了一种短期用电负荷预测系统,包括:
32、数据获取模块,用于获取目标时间段上一时间段的用电负荷数据信号;
33、第二分解模块,用于基于ceemdan分解算法,对用电负荷数据信号进行信号分解,得到分解后的imf序列和残差分量;
34、第二分类模块,用于根据所述imf分量的过零率,确定所述imf分量的分量类型;所述分量类型包括高频分量和低频分量;
35、分量预测模块,用于将所述高频分量、所述低频分量和所述残差分量分别输入至训练好的用电负荷高频分量预测模型、用电负荷低频分量预测模型和用电负荷残差分量预测模型,并分别预测所述目标时间段的高频分量、低频分量和残差分量;
36、用电负荷预测模块,用于根据所述目标时间段的所述高频分量、所述低频分量和所述残差分量,确定所述目标时间段的用电负荷数据。
37、根据本发明提供的具体实施例,本发明公开了以下技术效果:
38、本发明提供了一种短期用电负荷预测模型训练方法及系统、预测方法及系统,训练方法包括:首先,基于ceemdan分解算法,对训练数据进行信号分解,得到分解后的imf序列和残差分量;训练数据为历史用电负荷数据信号;训练imf序列包括若干imf分量;然后,根据训练imf分量的过零率,确定训练imf分量的分量类型;训练分量类型包括高频分量和低频分量;最后分别基于高频分量、低频分量和残差分量,训练用电负荷高频分量预测模型、用电负荷低频分量预测模型和用电负荷残差分量预测模型。本发明利用ceemdan算法对用电负荷数据信号进行分解,以减少其中的非平稳成分,同时通过将非平稳的用电负荷数据信号分解为多个相对平稳的imf分量,可以提高预测精度。与现有技术相比,本发明采用的ceemdan算法具有更好的性能,它能够克服emd在分解数据时出现的模态混叠问题,从而减少分解后的异常数据,并提高预测准确度。
1.一种短期用电负荷预测模型训练方法,其特征在于,包括:
2.根据权利要求1所述的短期用电负荷预测模型训练方法,其特征在于,所述过零率根据如下公式计算:
3.根据权利要求1所述的短期用电负荷预测模型训练方法,其特征在于,步骤2具体包括:
4.根据权利要求1所述的短期用电负荷预测模型训练方法,其特征在于,步骤3具体包括:
5.根据权利要求1所述的短期用电负荷预测模型训练方法,其特征在于,步骤3具体包括:
6.根据权利要求1所述的短期用电负荷预测模型训练方法,其特征在于,步骤3具体包括:
7.根据权利要求1所述的短期用电负荷预测模型训练方法,其特征在于,在步骤1之前,还包括:
8.一种基于权利要求1-7任一项所述短期用电负荷预测模型的短期用电负荷预测方法,其特征在于,包括:
9.一种短期用电负荷预测模型训练系统,其特征在于,包括:
10.一种短期用电负荷预测系统,其特征在于,包括: