一种基于混合模型的短期电力负荷预测方法

本发明属于电力系统负荷预测，具体的说是一种基于混合模型的短期电力负荷预测方法。

背景技术：

1、目前，电力需求受天气、电价及其他意外事件等多种因素影响，具有一定随机波动性，使得电力负荷相应产生一定波动。根据预测时间长度，电力负荷预测分为长期负荷预测、中期负荷预测和短期负荷预测。准确的短期负荷预测不仅可以帮助系统正常运行，避免资源浪费，同时可提高经济效益。

2、对于电力负荷预测的方法分为两类：一类是机器学习法，比如指数平滑法、自回归积分滑动平均模型、多元线性回归法、卡尔曼滤波算法、灰色预测理论和支持向量机等，这些方法整体预测精度较低，难以对大规模数据使用，且普适性差；另一类是深度学习的预测方法，主要有误差反向传播算法、循环神经网络、长短期记忆神经网络、门控循环网络和informer模型等深度学习方法进行负荷预测，该类方法能深入数据的内部特征、非线性的处理能力强，但在大电网的背景下，存在泛化能力较弱、易陷入局部极值的问题，预测精度不够高，且大多数只对单一的负荷预测，没有考虑天气、电价等影响因素，对于多输入的情况预测时间较久。

3、因此，如何提供一种短期电力负荷预测方法是本领域技术人员亟需解决的问题。

技术实现思路

1、鉴于上述问题，本发明提供了一种短期电力负荷预测方法，基于特征筛选和分频预测的组合预测模型，为了从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量，实现最佳信号处理效果，首先通过萤火虫麻雀算法对变分模态分解中影响参数组合进行寻优，得到最佳效果的信号分量，同时利用自适应算法确定高低频过零率分隔点，并将各信号分量划分为高频和低频两部分，其次采用最大信息系数对各信号分量进行特征筛选。最后将高频信号分量及其特征带入informer模型进行预测，低频信号分量及其特征带入lstm模型进行预测，最后对所有的信号分量预测结果进行重构，得到最终预测值。

2、本发明解决其技术问题所采用的技术方案是：本发明所述一种基于混合模型的短期电力负荷预测方法，所述预测方法包括以下步骤：

3、s1：将原始数据进行预处理；

4、s2：采用萤火虫麻雀算法对变分模态分解中的参数组合[k，α]进行寻优，确定最佳参数组合[k，α]；

5、s3：采用变分模态分解对预处理后的原始电力负荷数据进行分解；

6、s4：采用自适应算法确定高低频信号分量的分界点，并将分解后的电力负荷数据根据频率分界点分为高频信号分量和低频信号分量；

7、s5：采用最大信息系数在各个相关特征中对每个信号分量选取相关性最高的3到5个特征，并建立输入矩阵；

8、s6：将低频信号输入矩阵输入lstm模型进行预测，输出lstm模型对低频信号输入矩阵的预测结果，将高频信号输入矩阵输入informer模型进行预测，输出informer模型对高频信号输入矩阵的预测结果；

9、s7：将lstm模型对低频信号输入矩阵的预测结果和informer模型对高频信号输入矩阵的预测结果进行叠加重组，输出最终的电力负荷预测结果；

10、其中，所述原始数据包括但不限于原始电力负荷数据，实时电价和天气因素，所述天气因素包括但不限于温度、湿度、降雨量、风速、最高气温、最低气温、平均气温、季节；

11、所述原始数据按不同行政区划进行分类，所述行政区划包括省级、市级、县级、乡级别，所述原始数据分类后分别输入到模型中进行预测并给出多组预测结果。

12、优选的，所述s1步骤中原始数据预处理包括以下内容：

13、s1.1采用用线性插值法处理异常值与缺失值，对负荷数据进行修正；

14、s1.2为了避免各特征值量纲不同，影响预测精度，同时加快梯度下降速度，对数据统一进行归一化处理：

15、

16、其中，g'为归一化后的数据值；g为原始数据值；gmax和gmin为原数据集中的最大值和最小值；

17、s1.3观察原始数据日均负荷曲线，并对其是否存在季节性、周期性等进行判断。

18、优选的，所述s2步骤中萤火虫麻雀算法包括以下步骤：

19、s2.1初始化参数：设置种群规模、迭代次数和维度，初始化捕食者和加入者比例，计算适应度值，并排序；

20、s2.2麻雀更新捕食者位置；

21、s2.3麻雀更新加入者位置；

22、s2.4麻雀更新警戒者位置；

23、s2.5计算适应度值并更新麻雀位置；

24、s2.6利用萤火虫扰动更新麻雀位置；

25、s2.7计算适应度值并更新麻雀位置；

26、s2.8判断是否满足停止条件，若满足则退出，并输出结果，否则，从s2.2开始重复执行。

27、优选的，所述s3步骤中变模态分解包括以下步骤：

28、s3.1建立约束变分问题：假设原始信号f(t)被分解为k个具有不同频率特征的模态分量{u}，需使得各模态的估计带宽之和最小，同时满足所有模态之和与原始信号相等，则建立约束变分表达式为：

29、

30、s3.2求解约束变分问题最优解：首先进行拉格朗日变换，将上述问题变为非约束变分问题进行求解：

31、

32、为求得问题最优解，采用交替方向乘子法对各模态分量及其中心频率进行更新，公式如下：

33、

34、其中，n为迭代次数；τ为更新参数，上标∧表示对应信号的傅里叶变换。

35、优选的，所述s5步骤中最大信息系数包括以下内容：

36、s5.1假定x、y为数据中的两个随机变量，其中x＝{x1,…,xn}、y＝{y1,…,yn}，n为样本数；定义x、y之间的互信息为：

37、

38、其中，p(x,y)为x、y之间的联合概率密度；p(x)和p(y)分别表示x、y的边缘概率密度；

39、s5.2在变量x、y组成的数据散点图上绘制网格，并计算各网格之间的互信息大小；使用不同的网格划分标准选取互信息的最大值，计算公式为：

40、

41、其中，a,b分别表示在x、y方向上划分的网格个数，b为网格最大值；

42、优选的，所述s6步骤中lstm模型和informer模型包括以下内容：

43、s6.1遗忘门通过sigmiod函数来参考前面的结果和目前内容来决定过去的状态信息是否需要丢弃：

44、ft＝σ(wm[ht-1,xt]+bm)

45、其中，xt为当前t时刻输入的信息；ht-1为上一次输出的结果；wm和bm分别是遗忘门权重矩阵和偏置项；σ为sigmiod函数；ft为遗忘门的状态，其值愈接近于0，被遗忘的信息越多；

46、s6.2记忆单元中要保存多少信息由输入门决定：

47、it＝σ(wi[ht-1,xt]+bi)

48、

49、其中，wi、wc为权重矩阵；bi、bc为输入门偏置项；tanh为激活函数；为新记忆单元；it为输入门的状态，其值越大，则新信息重要性越高，不重要的信息就会删除；

50、s6.3在进行输出之前，将确定更新的信息，即：

51、

52、其中，ct为新的记忆单元；为当前记忆单元；符号“°”为哈达玛乘；

53、s6.4在确定信息后，输出门将输出给外部状态：

54、ot＝σ(wo[ht-1,xt]+bo)

55、其中，wo为权重矩阵；bo为偏置项；σt为输出门的状态，值越接近于0，外部状态ht就越能从记忆单元ct中获取更多信息；

56、s6.5 informer模型提出了一种新的自注意力机制prob sparse self-attention，表达式为：

57、

58、其中，和q具有相同的大小，即计算复杂度从o(l2)降到了o(l ln l)；

59、s6.6为了有效节省内存开销和计算时间，引入蒸馏机制逐次将序列长度减半，第j层到第j+1层的蒸馏操作的表达式为：

60、

61、其中，包含了多头稀疏自注意力操作，convld表示一维卷积操作，elu为激活函数，maxpool为最大池化操作。

62、优选的，所述s1步骤中的原始数据在进行预处理后按照9:1的比例被划分为两部分，所述s1步骤中划分后原始数据中的90％用于对模型进行预测训练，所述s1步骤中划分后原始数据中的10％用于对模型进行检测验证。

63、优选的，所述原始数据中从任意位置开始按照比例进行划分，所述原始数据进行多次按比例的划分。

64、本发明的有益效果如下：

65、1.本发明所述一种基于混合模型的短期电力负荷预测方法，基于特征筛选和分频预测的混合模型，通过萤火虫麻雀算法对变分模态分解中的组合参数进行寻优，得到最佳分解效果信号分量，避免了人为经验的影响，进一步提高预测精度，并将最佳组合参数代入变分模态分解中对原始电力负荷数据进行分解。

66、2.本发明所述一种基于混合模型的短期电力负荷预测方法，通过自适应算法对高低频信号分量分隔点进行选取，最大信息系数对各信号分量的相关特征进行筛选，得到各信号分量的输入矩阵，采用不同的模型进行预测，不仅减少了一定的工作量，减少预测时间，还可以有效提高预测精度，克服单一模型预测精度低的问题。

67、3.本发明所述一种基于混合模型的短期电力负荷预测方法，考虑了电价和温度、温度、湿度等相关的8个气象因素，丰富的特征信息有利于减小预测误差，提高整体模型的普适性。