基于EEMD和LSTM的负荷预测方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于EEMD和LSTM的负荷预测方法，通过EEDM对样本数据和测试数据进行分解后，降低了历史负荷数据的高度非线性和非平稳性，再从分解得到的样本子序列和测试子序列中选取第一目标数据和第二目标数据以对LSTM神经网络进行训练和利用训练好的LSTM神经网络预测模型对负荷进行预测，因此，结合分解后的测试子序列和训练得到的LSTM神经网络预测模型对负荷进行预测，不会因为负荷序列具有的高度非线性和非平稳性的复杂特性而对电力负荷的预测精确度产生影响，从而保证了电网运行调度的正常运行，此外，本发明专利技术还公开了一种基于EEMD和LSTM的负荷预测装置及设备，效果如上。

【技术实现步骤摘要】
基于EEMD和LSTM的负荷预测方法、装置及设备
本专利技术涉及电力
，特别涉及一种基于EEMD和LSTM的负荷预测方法、装置及设备。
技术介绍
电力负荷预测主要是预测出电网中单条或者多条输电线的用电需求，根据预测的时间跨度可以分为：短期预测(几分钟到一周)、中期预测(一个月到一个季度)和长期预测(一年以上)，现有条件下，采用各种预测方法准确的预测出区域内中短期供电负荷，对规划和指导发电企业有效生产电能是十分必要的。目前，用于负荷预测的预测模型包括：时间序列模型、人工智能模型和混合模型、BP神经网络模型、LSTM预测模型等，与其他预测模型相比，LSTM预测模型由于能进行长短期记忆从而得到了更广泛的应用。但是由于负荷序列具有的高度非线性和非平稳性的复杂特性，采用单一的LSTM预测模型很难对高度非线性和非平稳性的负荷序列进行处理，因此采用单一的预测模型对电力负荷的预测的精确度较低，从而影响电网运行调度的正常运行。因此，如何提高对电力负荷进行预测的精确度以保证电网运行调度的正常运行是本领域技术人员需要解决的问题。
技术实现思路
本专利技术的目的在于公开一种基于EEMD和LSTM的负荷预测方法、装置及设备，提高了对短期负荷进行预测的精确度从而保证了电网运行调度的正常运行。为实现上述目的，本专利技术实施例公开了如下技术方案：第一，本专利技术实施例公开了一种基于EEMD和LSTM的负荷预测方法，包括：获取历史负荷数据；确定所述历史负荷数据中的样本数据和测试数据；基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列；从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与测试子序列对应的第二目标数据；根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。优选的，基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列包括：在所述样本数据和所述测试数据中添加高斯白噪声；将添加所述高斯白噪声的样本数据和测试数据进行分解得到样本IMF分量、测试IMF分量、样本残差和测试残差；判断所述样本残差是否小于第一阈值，若是，则停止分解；若否，则继续分解所述样本残差直到最终的样本残差小于所述第一阈值；判断所述测试残差是否小于第二阈值，若是，则停止分解；若否，则对所述测试残差继续分解直到最终的测试残差小于所述第二阈值；其中，所述样本子序列包含多个样本IMF分量和所述最终的样本残差，所述测试子序列包含多个测试IMF分量和所述最终的测试残差。优选的，所述从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据包括：判断所述样本子序列中的各样本IMF分量与添加高斯白噪声的样本数据的第一相关性是否达到第一预设条件；若是，则将所述第一相关性达到所述第一预设条件的样本IMF分量作为所述第一目标数据；判断所述测试子序列中的各测试IMF分量与添加高斯白噪声的测试数据的第二相关性是否达到所述第一预设条件；若是，则将所述第二相关性达到所述第一预设条件的测试IMF分量作为所述第二目标数据。优选的，所述根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型包括：确定所述第一目标数据中个样本IMF分量的数据量；根据所述第一目标数据中各样本IMF分量的数据量确定与所述第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型；将所述第一目标数据中各样本IMF分量作为与所述第一目标数据中各样本IMF分量对应额定初始LSTM神经网络模型的输入；利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练以建立与各所述初始LSTM神经网络模型对应的LSTM神经网络预测模型。优选的，所述利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练包括：对所述初始LSTM神经网络模型的待优化粒子进行编码并产生初始种群；计算所述初始种群中各编码粒子的适应度；根据各所述编码粒子的适应度对各所述编码粒子进行横向交叉和纵向交叉得到种群矩阵；计算所述种群矩阵中每个粒子的适应度并选取满足第二预设条件的粒子作为子代种群中的个体；重复上述步骤直到迭代次数超过最大迭代次数时停止迭代以完成对所述初始LSTM神经网络的训练。优选的，所述利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测包括：将所述第二目标数据作为各所述LSTM神经网络预测模型的输入；获取各所述LSTM神经网络预测模型输出层的预测值；将各所述预测值进行叠加得到实际负荷预测结果。优选的，在所述利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测之后，还包括：判断所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差是否超过阈值；若是，则利用所述训练样本对所述LSTM神经网络预测模型再次进行训练，直到训练后的所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差小于或等于所述阈值。第二，本专利技术实施例公开了一种基于EEMD和LSTM的负荷预测装置，包括：获取模块，用于获取历史负荷数据；确定模块，用于确定所述历史负荷数据中的样本数据和测试数据；选取模块，用于从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据；建立模块，用于根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；预测模块，用于利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。优选的，还包括：判断模块，用于判断所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差是否超过阈值，若是，则进入训练模块；训练模块，用于利用所述训练样本对所述LSTM神经网络预测模型再次进行训练，直到训练后的所述LSTM神经网络预测模型的实际输出与所述LSTM神经网络预测模型的目标输出之间的偏差小于或等于所述阈值。第三，本专利技术实施例公开了一种基于EEMD和LSTM的负荷预测设备，包括：存储器，用于存储预测程序；处理器，用于执行所述存储器中存储的预测程序以实现如上任一项所述的基于EEMD和LSTM的负荷预测方法的步骤。可见，本专利技术实施例公开的一种基于EEMD和LSTM的负荷预测方法，首先获取历史负荷数据，然后确定历史负荷数据中的样本数据和测试数据，其次，再基于EEMD对样本数据和测试数据均进行分解得到样本子序列和测试子序列，再从样本子序列中选取第一目标数据，从测试子序列中选取第二目标数据，根据第一目标数据和纵横交叉算法建立LSTM神经网络预测模型，利用第二目标数据和LSTM神经网络预测模型进行负荷预测。采用本方案，通过EEDM对样本数据和测试数据进行分解后，降低了历史负荷数据的高度非线性和非平稳性，再从分解得到的样本子序列中选取第一目标数据对LSTM神经网络进行训练以建立LSTM神经网络预测模型，建立LSTM神经网络预测模型后，再利用分解得到的第二目标数据和LSTM神经网络预测模型对负荷进行预测，不会因为负荷序列具有的高度非线性和非平稳性的复杂特性而对电力负荷的精确度产生影响，从而保证了电网运行调度的正常本文档来自技高网...

【技术保护点】
1.一种基于EEMD和LSTM的负荷预测方法，其特征在于，包括：获取历史负荷数据；确定所述历史负荷数据中的样本数据和测试数据；基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列；从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据；根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。

【技术特征摘要】
1.一种基于EEMD和LSTM的负荷预测方法，其特征在于，包括：获取历史负荷数据；确定所述历史负荷数据中的样本数据和测试数据；基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列；从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据；根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。2.根据权利要求1所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列包括：在所述样本数据和所述测试数据中添加高斯白噪声；将添加所述高斯白噪声的样本数据和测试数据进行分解得到样本IMF分量、测试IMF分量、样本残差和测试残差；判断所述样本残差是否小于第一阈值，若是，则停止分解；若否，则继续分解所述样本残差直到最终的样本残差小于所述第一阈值；判断所述测试残差是否小于第二阈值，若是，则停止分解；若否，则对所述测试残差继续分解直到最终的测试残差小于所述第二阈值；其中，所述样本子序列包含多个样本IMF分量和所述最终的样本残差，所述测试子序列包含多个测试IMF分量和所述最终的测试残差。3.根据权利要求1或2所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据包括：判断所述样本子序列中的各样本IMF分量与添加高斯白噪声的样本数据的第一相关性是否达到第一预设条件；若是，则将所述第一相关性达到所述第一预设条件的样本IMF分量作为所述第一目标数据；判断所述测试子序列中的各测试IMF分量与添加高斯白噪声的测试数据的第二相关性是否达到所述第一预设条件；若是，则将所述第二相关性达到所述第一预设条件的测试IMF分量作为所述第二目标数据。4.根据权利要求3所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型包括：确定所述第一目标数据中各样本IMF分量的数据量；根据所述第一目标数据中各样本IMF分量的数据量确定与所述第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型；将所述第一目标数据中各样本IMF分量作为与所述第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型的输入；利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练以建立与各所述初始LSTM神经网络模型对应的LSTM神经网络预测模型。5.根据权利要求4所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述利用所述纵横交叉算法对各...

【专利技术属性】
技术研发人员：孟安波，邵慧栋，殷豪，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44