一种基于VMD-CNN-LSTM短期电力负荷预测方法技术

一种基于VMD

【技术实现步骤摘要】
一种基于VMD
‑
CNN
‑
LSTM短期电力负荷预测方法
(一)

[0001]本专利技术属于智能电网大数据领域，具体涉及一种基于VMD
‑
CNN
‑
LSTM短期电力负荷预测方法。
(二)
技术介绍

[0002]随着经济的发展和社会的进步，电力应用于人们日常生活的各个方面，可以说电力系统的稳定是国民经济发展的基石。电能作为一种资源，由于其特殊属性，不能被大量存储，电能只在需要时生产，可减少不必要的电能损耗和降低成本，这就为电力系统提出了一定的挑战。一方面，电力系统要保证发电厂能够提供稳定的电能，另一方面，电力系统需要预测电力负荷的需求量，在两者之间寻求一种动态平衡，保证国计民生用电的同时，也能保证经济效益。快速且准确的电力负荷预测，通过对已有的电力负荷数据和与影响电力负荷的因素数据分析，对短期某一时刻或时间段的短期电力负荷进行预测，为电网运行制定发电计划提供可靠的依据，不仅可以节约大量的成本，还可以保证电力系统的稳定与经济效益。
[0003]目前国内外学者提出的电力负荷预测方法主要有基于统计学的线性回归模型、基于机器学习模型和基于深度学习模型等，以上算法应用于电力负荷预测各有优点，但也存在一些问题。基于传统的统计学线性模型有自回归移动平均模型(ARMA)和差分自回归移动平均模型(ARIMA)等，因为电力负荷数据存在诸多非线性因素，导致线性回归模型的预测效果有限；机器学习模型包括支持向量机(SVM)、随机森林(RF)、极限学习机(ELM)和Kr/>‑
Means聚类算法等，以上算法没有考虑到数据的时序性，无法挖掘到电力负荷数据背后的隐藏特征，电力负荷预测的准确度低，近年来，随着深度学习的快速发展，相关学者将卷积神经网络(CNN)、循环神经网络(RNN)和长短期记忆网络(LSTM)应用于电力负荷预测，由于单个神经网络提取电力负荷的特征存在模型欠拟合问题，电力预测的预测效果有待提高。
[0004]针对上述问题，设计一种泛化程度好、准确度高的电力负荷预测模型是一个亟待解决的问题。
(三)
技术实现思路

[0005]为了克服现有技术的不足，本专利技术旨在提供一种基于VMD
‑
CNN
‑
LSTM短期电力负荷预测方法，其中，变分模态分解(VMD)对原始数列进行分解成多个分量，卷积神经网络(CNN)提取分解后的数据特征，长短期记忆网络(LSTM)提取分解后数据的时序特征，用于预测短期电力负荷数据。预测模型具有预测速度快，泛化能力好，预测结果准确度高的优点。
[0006]本专利技术解决其技术问题所使用的技术方案是：
[0007]一种基于VMD
‑
CNN
‑
LSTM短期电力负荷预测方法，包括如下步骤：
[0008]第一步：获取某地区电力负荷数据，保留其中的日期和每日电力消耗数据，构成原始数据集；
[0009]第二步：数据集预处理。包括对异常数据集中的缺失数据进行补全，对异常数据中
的偏差数据进行修正，经过异常处理后的数据通过VMD算法分解成多个分量，并进行归一化处理，按照一定的比例划分成训练集、验证集和测试集；
[0010](2.1)数据集中的异常数据处理
[0011](2.1.1)异常数据中的缺失数据
[0012]对异常数据中的缺失数据采用均值法进行填充，填充缺失数据用前一天的数据和后一天的数据平均值，计算公式如公式(1)所示：
[0013]y
i
＝(y
i
‑1‑
y
i+1
)/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0014]其中y
i
是缺失值，y
i
‑1和y
i+1
对应缺失值的前一天和后一天的值；
[0015](2.1.2)异常数据中的偏差数据
[0016]对识别到的异常数据中的偏差数据用一周前的数据代替；
[0017](2.2)通过VMD算法将电力负荷数据分解成k个不同的模态分量IMF，提取不同时间的用电习惯，分解过程包括问题的建立和问题的求解两个过程；
[0018]首先是电力负荷数据的分解问题的建立，从上述数据中提取k个模态分量，对每个模态确定其带宽，使用高斯平滑度的方法，限制条件是k个分解的信号量之和为原始电力负荷数据，目标函数如式(2)：
[0019][0020]其中，t是时刻，是对时刻t求微分，δ(t)单位冲击函数，μ
k
(t)是t时刻第k个分解的信号量，ω
k
是t时刻第k个分解信号量的中心频率，|| ||2是二范式函数，约束中f是经过异常处理后的电力负荷数据；
[0021]然后是电力负荷数据的分解的求解过程，对于每个模态确定其带宽的约束问题，引入增广拉格朗日函数，变成无约束问题并求解，计算公式如公式(3)所示：
[0022][0023]电力负荷的k个模态分量的极小值计算公式如公式(4)所示：
[0024][0025]电力负荷的k个模态分量中心频率的最小值计算公式如公式(5)所示：
[0026][0027]由此，通过VMD分解出电力负荷数据的出k个模态的分量μ
k
和中心频率ω
k
；
[0028](2.3)数据集归一化
[0029]对多个模态分量进行预归一化处理，以含有其中一列的数据为例，按照时间顺序记为X＝{x1,x2,x3,...,x
n
}，采用归一化Min
‑
Max处理，使数据映射到0
‑
1之间，序列变得平稳。计算公式如公式(6)所示：
[0030][0031]其中，x
min
和x
max
分别是该列的最小值和最大值，得到新的序列记为Y＝{y1,y2,y3,...,y
n
}；
[0032](2.4)数据集划分
[0033]数据集划分是将上述得到的归一化数据集按照8:1:1的比例划分为训练集、验证集和测试集；
[0034]第三步：基于VMD
‑
CNN
‑
LSTM短期电力负荷预测模型构建，基于VMD
‑
CNN
‑
LSTM短期电力负荷预测模型包括输入层、卷积神经网络层、激活层、长短期记忆网络层、全连接层、输出层；
[0035](3.1)激活函数的选取，本模型采用ReLU，将电力模型的输出经过ReLU函数变成非线性，不改变数据的形状。计算公式如公式(7)所示：
[0036]x＝max(x,0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0037]其中，x是神经元中的数据；
[0038](3.2)超参数的设置，包括初始学习率，迭代次数和期望误差值；
[0039](3.3)使用D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
‑
CNN
‑
LSTM短期电力负荷预测方法，包括如下步骤：第一步：获取某地区电力负荷数据，保留其中的日期和每日电力消耗数据，构成原始数据集；第二步：数据集预处理。包括对异常数据集中的缺失数据进行补全，对异常数据中的偏差数据进行修正，经过异常处理后的数据通过VMD算法分解成多个分量，并进行归一化处理，按照一定的比例划分成训练集、验证集和测试集；(2.1)数据集中的异常数据处理(2.1.1)异常数据中的缺失数据对异常数据中的缺失数据采用均值法进行填充，填充缺失数据用前一天的数据和后一天的数据平均值，计算公式如公式(1)所示：y
i
＝(y
i
‑1‑
y
i+1
)/2
ꢀꢀꢀꢀꢀꢀꢀ
(1)其中y
i
是缺失值，y
i
‑1和y
i+1
对应缺失值的前一天和后一天的值；(2.1.2)异常数据中的偏差数据对识别到的异常数据中的偏差数据用一周前的数据代替；(2.2)通过VMD算法将电力负荷数据分解成k个不同的模态分量IMF，提取不同时间的用电习惯，分解过程包括问题的建立和问题的求解两个过程；首先是电力负荷数据的分解问题的建立，从上述数据中提取k个模态分量，对每个模态确定其带宽，使用高斯平滑度的方法，限制条件是k个分解的信号量之和为原始电力负荷数据，目标函数如式(2)：其中，t是时刻，是对时刻t求微分，δ(t)单位冲击函数，μ
k
(t)是t时刻第k个分解的信号量，ω
k
是t时刻第k个分解信号量的中心频率，|| ||2是二范式函数，约束中f是经过异常处理后的电力负荷数据；然后是电力负荷数据的分解的求解过程，对于每个模态确定其带宽的约束问题，引入增广拉格朗日函数，变成无约束问题并求解，计算公式如公式(3)所示：电力负荷的k个模态分量的极小值计算公式如公式(4)所示：电力负荷的k个模态分量中心频率的最小值计算公式如公式(5)所示：
由此，通过VMD分解出电力负荷数据的出k个模态的分量μ
k
和中心频率ω
k
；(2.3)数据集归一化对多个模态分量进行预归一化处理，以含有其中一列的数据为例，按照时间顺序记为X＝{x1,x2,x3,...,x
n
}，采用归一化Min
‑
Max处理，使数据映射到0
‑
1之间，序列变得平稳。计算公式如公式(6)所示：其中，x
min
和x
max
分别是该列的最小值和最大值，得到新的序列记为Y＝{y1,y2,y3,...,y
n
}；(2.4)数据集划分数据集划分是将上述得到的归一化数据集按照8:1:1的比例划分为训练集、验证集和测试集；第三步：基于VMD
‑
CNN
‑
LSTM短期电力负荷预测模型构建，基于VMD
‑
CNN
‑
LSTM短期电力负荷预测模型包括输入层、卷积神经网络层、激活层、长短期记忆网络层、全连接层、输出层；(3.1)激活函数的选取，本模型采用ReLU，将电力模型的输出经过Re...

【专利技术属性】
技术研发人员：蒋一波，李先锋，朱航锟，周泽宝，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：