基于改进的LSTM模型的电力负荷预测方法技术

本发明专利技术提供一种基于改进的LSTM模型的电力负荷预测方法，包括以下步骤：获取某一地区的电力负荷数据，并将得到的数据进行预处理和划分；将处理好的数据通过CEEMD进行分解，分解为多个IMF分量；将各个IMF分量应用LSTM进行预测，并利用混沌粒子群算法对LSTM网络的超参数寻找最优解；将各个分量的预测结果叠加重构得到最终预测值。本发明专利技术采用的CEEMD分解方法解决了EMD模态混叠问题和EEMD无法很好的恢复原信号问题，引入的混沌粒子群算法解决了传统粒子群算法早熟、易陷入局部最优问题，提高了模型预测的精确度。型预测的精确度。型预测的精确度。

Power load forecasting method based on improved LSTM model

【技术实现步骤摘要】
基于改进的LSTM模型的电力负荷预测方法


[0001]本专利技术涉及负荷预测领域。本专利技术属于综合能源系统
，具体涉及一种基于改进的LSTM模型的电力负荷预测方法。

技术介绍

[0002]随着我国经济迅猛发展，人们生活水平的不断提高，不管是工业生产还是日常生活都对电能的需求越来越大，对电网的可靠性和电能质量有更高的要求。负荷预测不仅是维持电力系统稳定运行的基础，还是电力系统规划的前提。电力系统的调度、规划以及机组检修等都离不开电力负荷预测。提高短期负荷预测的预测精度，不但有利于电力系统更加安全、经济的运行，而且还有利于对电能的质量的控制，从而实现对电网运行的经济效益和社会效益的进一步提高。因此，对研究提高电力系统短期负荷预测的精度具有重要的意义。
[0003]目前，用于负荷预测的预测模型包括：人工智能模型、时间序列模型和混合模型、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。
[0004]因此，如何提高对电力负荷预测的精确度以保证电力系统更加安全、经济的运行是本领域技术人员需要解决的问题。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺点，提供了基于CEEMD
‑
CPSO
‑
LSTM模型的电力负荷预测方法，该算法采用分解技术将序列分解为若干个模态分量，并结合混沌粒子群优化算法优化预测模型的参数，最后叠加各分量的预测结果作为最终预测值，与其它模型相比，该组合模型在短期冲击负荷预测中能取得更高的预测精度。
[0006]包括以下步骤：(1)获取某一地区的电力负荷数据，并将得到的数据进行预处理和划分；(2)将处理好的数据通过CEEMD进行分解，分解为多个IMF分量；(3)搭建LSTM模型；(4)将各个IMF分量应用LSTM进行预测，并利用混沌粒子群算法对LSTM网络的超参数寻找最优解；(5)将各个分量的预测结果叠加重构得到最终预测值。
附图说明
[0007]图1为LSTM记忆单元结构。
[0008]图2为本专利技术的电力负荷时间序列CEEMD模态分解结果示意图。
[0009]图3为本专利技术基于改进的LSTM负荷预测模型结构图。
具体实施方式
[0010]为了使本专利技术所解决的技术问题、技术方案及有益效果更加清楚明白，以下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，并不用于限定本专利技术。
[0011]本专利技术涉及的基于改进的LSTM模型的电力负荷预测方法具体步骤如下：1.选择训练数据集，并对数据集以步长为24个点进行窗口划分。本专利技术使用的从江西省电电力公司收集到的整个鹰潭市地区过去3年的负荷数据，负荷数据是每小时进行采样的，并利用极差标准差的方法对数据进行归一化。将收集到的横向数据集转换为纵向数据集，并将数据集以24个时间步长按滑动窗口进行划分。取百分之70数据作为训练集，百分之30作为测试集。
[0012]2.在原始的负荷序列中加入一对幅值相同、符号相反的白噪声，得到两组互补的时序信号，将得到的两组互补的时序信号进行EMD处理，分解为各自互补的含有正负白噪声的若干固有模态函数(IMFs)的成对分量，将不同幅度的白噪声添加到分量当中去对相同尺度的分量进行平均，当时序信号以高频信号为主时，选择较小的白噪声幅度，反之，选择较大的白噪声幅度，大多数情况下，白噪声的幅度为时间序列信号标准差的 0.2 倍，迭代次数为 100，最后得到最终结果。
[0013]3.LSTM网络模型定义了两层LSTM层，第一层的return_sequences参数设置为True，第二层return_sequences参数参数设置为False，并在两个LSTM网络层后面都加一层Dropout层，防止模型过拟合，最后接一个全连接层将预测值输出。
[0014]4.定义LSTM模型超参数的取值范围，初始化粒子种群参数、混沌搜索步长调节参数以及混沌搜索步数，将LSTM预测值的均方误差定义为粒子的适应度函数，进行混沌搜索搜寻各超参数的最优解，将搜寻到的最优解赋值给LSTM模型的超参数作为初始值，最后将各个IMF分量分别输入到LSTM模型中进行预测。
[0015]5.将各个分量的预测结果叠加重构得到最终预测值。
[0016]以上所述仅为本专利技术的较佳实施例子，并不用以限制本专利技术，凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进的LSTM模型的电力负荷预测方法，其特征在于，包括以下步骤：(1)获取某一地区的电力负荷数据，并将得到的数据进行预处理和划分；(2)将处理好的数据通过CEEMD进行分解，分解为多个IMF分量；(3)搭建LSTM模型；(4)将各个IMF分量应用LSTM进行预测，并利用混沌粒子群算法对LSTM网络的超参数寻找最优解；(5)将各个分量的预测结果叠加重构得到最终预测值。2.如权利要求1所述的基于改进的LSTM模型的电力负荷预测方法，其特征在于，所述步骤（1）包括：选择训练数据集，并对数据集以步长为24个点进行窗口划分。本发明使用的从江西省电电力公司收集到的整个鹰潭市地区过去3年的负荷数据，负荷数据是每小时进行采样的，并利用极差标准差的方法对数据进行归一化。将收集到的横向数据集转换为纵向数据集，并将数据集以24个时间步长按滑动窗口进行划分。取百分之70数据作为训练集，百分之30作为测试集。3.如权利要求1所述的基于改进的LSTM模型的电力负荷预测方法，其特征在于，所述步骤（2）包括：在原始的负荷序列中加入一对幅值相同、符号相反的白噪声，得到两组互补的时序信号，将得到的两组互补的时序信号进行EMD处理，分解为各自互补的含有正负白噪声的若干固有模态函数(IMFs)的成对分量，将不同幅度的白噪声添加...

【专利技术属性】
技术研发人员：唐小勇，夏梦，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：