一种基于VMD分解与LSTM网络的日用电量预测方法技术

本发明专利技术涉及一种基于VMD分解与LSTM网络的日用电量预测方法。包括对预处理后的数据进行变分模态分解，模态数K由贝叶斯优化算法进行优化；对用电量序列数据进行相关影响因子的拓展，原始数据与映射数据之间的映射参数由贝叶斯优化算法优化获得；将相关影响因子拓展后的数据分为训练集，验证集和测试集；通过LSTM模型训练各子模式，通过测试集与验证集的比较计算均方根误差；对预测结果进行重构与反归一化，确定是否满足终止条件；将优化后的映射参数输入到LSTM模型中，用训练集和验证集用作新的训练数据，对测试数据进行重构和反归一化，输出预测结果。能准确的描绘关键因素与用电量序列之间的关系，提高对日用电量预测的精度。提高对日用电量预测的精度。提高对日用电量预测的精度。

【技术实现步骤摘要】
一种基于VMD分解与LSTM网络的日用电量预测方法


[0001]本专利技术属于用电量预测
，特别涉及一种基于VMD分解与LSTM 网络的日用电量预测方法。

技术介绍

[0002]日用电量预测是一个复杂的问题，复杂性主要表现在：(1)受电力用户类 型的影响，用电量的波动性较大且表现出明显的时段性；(2)用电量受天气因 素、节假日因素以及经济条件等因素的影响，其波动性较大，即与气象因素、 政策调控日期类型等有较大的关联性。日需求预测就是通过观测历史数据，通 过可靠的方法和手段建立负荷与这些关联因素的函数关系。电力负荷的影响因 素众多，选取的因素本身也有不确定性，这些因素和电力负荷的定量关系也具 有一定的不确定性，因而人们很难对需求预测做出比较明确的量化。

技术实现思路

[0003]本专利技术所要解决的技术问题在于提供一种基于VMD分解与LSTM网络的 日用电量预测方法，准确的描绘关键因素与用电量序列之间的关系，提高对日 用电量预测的精度。
[0004]本专利技术与现有技术相比，有益效果在于：一种基于VMD分解与LSTM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VMD分解与LSTM网络的日用电量预测方法，其特征在于，包括以下步骤：(1)数据预处理；(2)对预处理后的数据进行变分模态分解，模态数K由贝叶斯优化算法进行优化；(3)对用电量序列数据进行相关影响因子的拓展，所述影响因子包括典型日以及温度因素，原始数据与映射数据之间的映射参数由贝叶斯优化算法优化获得；(4)将相关影响因子拓展后的数据分为训练集，验证集和测试集；(5)通过LSTM模型训练各子模式，通过测试集与验证集的比较计算均方根误差；(6)对预测结果进行重构与反归一化，确定是否满足终止条件，若不满足则需要修正贝叶斯优化算法的先验函数，更新映射参数，并返回步骤(4)；(6)将优化后的映射参数输入到LSTM模型中，用训练集和验证集用作新的训练数据，对测试数据进行重构和反归一化，输出预测结果。2.按照权利要求1所述的方法，其特征在于，步骤(1)中的数据预处理通过ADF检验数据的平稳性，若结果拒绝，则进行差分处理，之后将数据进行归一化。3.按照权利要求1所述的方法，其特征在于，采用交叉验证，将数据拆...

【专利技术属性】
技术研发人员：钱小毅，孙天贺，王宝石，
申请(专利权)人：沈阳工程学院，
类型：发明
国别省市：