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 网络的日用电量预测方法，包括以下步骤：
[0005](1)数据预处理；
[0006](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；
[0007](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；
[0008](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；
[0009](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；
[0010](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)；
[0011](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。
[0012]进一步地，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。
[0013]进一步地，采用交叉验证，将数据拆分为训练集、验证集和测试集， 并将时间序列数据转换为如下格式：
[0014][0015]式中，x为日用电量时间序列，N为时间序列数据总数，k是输入节点 数，j是预测数据的数量；i＝N
‑
k
‑
j是格式化数据的数量。
[0016]进一步地，步骤(2)通过变分模态分解方法分解为K个子模态，其 中K的数值是由贝叶斯优化算法优化得到。
[0017]进一步地，步骤(3)分别计算用电量与温度及日类型的相关性，若 存在相关性，则将原始映射扩展到每个VMD子模态，原始数据与映射数据 之间的映射参数由贝叶斯优化算法获取。
[0018]进一步地，在步骤(5)中通过LSTM模型对变分模态分解获得的子 模式进行预测，并对各子模式的预测结果进行重构，作为日用电量的预测 结果。
[0019]进一步地，
[0020]在步骤(6)中，均方根误差为：
[0021][0022]δ
f,i
和δ
t,i
分别为第i天的预测电量和真实电量。
[0023]在日用电量的预测模型建立过程同时考虑温度因素以及典型日的影响，同 时采用BOA对相关因素与用电量序列的映射关系进行优化，能够更好的描述用 电量的变化趋势，降低用电量序列的不确定性对预测过程的影响。此外，采用 VMD对用电量序列进行分解，对子模型采用LSTM网络进行预测，能够更好的 处理用电量数据的局部特性，进而提高对用电量序列的预测精度。
[0024]本专利技术同时考虑温度因素与典型日的影响，对影响因素与用电量序列之间 的映射关系进行优化，能够有效提高用电量预测模型的建模精度。
[0025]通过基于VMD分解与LSTM网络的预测模型，能够有效提高对日用电量 的预测精度，为电力系统的运行优化调度，进而提高电力系统运行效益提供了 可靠的数据支持。
附图说明
[0026]图1是本专利技术提供的LSTM拓扑结构图；
[0027]图2为本专利技术方法流程图；
[0028]图3为VMD分解结果；
[0029]图4为典型日用电量预测曲线对比。
具体实施方式
[0030]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本专利技术，并不
21℃x5y55～20℃x6归一化(x6)
………
[0041](4)利用训练集训练LSTM模型，将预测数据与验证数据进行比较，并统 计模型的均方根误差(Root
‑
Mean
‑
Square Error,RMSE)。
[0042](5)对预测结果进行重构与反归一化，计算验证集的RMSE，反复训练各 子模型，直到满足RMSE要求。
[0043]在步骤(3)中，需要计算原始用电量序列与日类型和温度之间的相关性。 当相关系数绝对值小于0.3，认为是不相关，当相关系数的绝对值为大于0.3，则 视为相关。
[0044]在步骤(4)中，将前60％的数据作为训练集，之后的20％作为验证集，最 后20％作为测试集，并将验证集的均方根误差(RMSE)用作BOA期间的迭代 指标。
[0045]在步骤(5)中LSTM的拓扑结构如图1所示。其中，在输入门中，i
t
为经过 sigmoid激活函数的输出；f
t
为遗忘门的输出h
t
‑
i
为为t
‑
i时刻之前的隐藏状态， 在输出门中O
t
由上一时刻隐藏状态h
t
‑1和序列X
t
以及sigmoid激活函数得到； h
t
由C
t
和tanh激活函数得到。
[0046]实验数据选取该区域综合能源系统2017年全年的日用电量的小时数据，并 将数据划分为以下四个阶段：第一阶段：1月～3月(数据90天)；第二阶段：4 月～6月(数据91天)；第三阶段：7月～9月(数据92天)；第四阶段：10月 ～12月(数据92天)。采用交叉验证的方式，即每次实验在各阶段中选择60％ 的天数共同作为训练数据，20％作为验证数据，其余20％天数数据作为测试数 据，各误差值取五次实验的平均值。
[0047]表3实验结果对比
[0048][0049][0050]由表3中对4个阶段的RMSE、MAE、MAPE统计可见，本专利技术所提出的 VMD
‑
BO
‑
LSTM方法在各阶段的三种误差均小于EMD
‑...

【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：