基于频域分解深度神经网络的短期负荷预测方法及系统技术方案

一种基于频域分解深度神经网络的短期负荷预测方法及系统，其特征在于，所述方法包括以下步骤：步骤1，从短期负荷数据中提取负荷影响因子并与短期负荷数据组成样本矩阵；步骤2，采用变分模态分解法对短期负荷数据进行频域分解，以生成负荷信号分量；步骤3，将所述样本矩阵进行降维后作为长短期记忆神经网络的输入数据，负荷信号分量作为输出数据，对长短期记忆神经网络模型进行训练，以获取负荷预测结果。本发明专利技术方法思路清晰、算法有效可靠，准确的提取出已知和未知的负荷影响因子，并基于多个负荷信号分量分别构建LSTM模型，从而实现最优的负荷预测。的负荷预测。的负荷预测。

【技术实现步骤摘要】
基于频域分解深度神经网络的短期负荷预测方法及系统


[0001]本专利技术涉及电气工程领域，更具体的，涉及一种基于频域分解深度神经网络的短期负荷预测方法及系统。

技术介绍

[0002]短期负荷预测是当代电力系统的重要日常任务之一。大量研究集中在电力负荷序列的准确预测上，并构建了许多预测模型。准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。
[0003]目前，主流的负荷预测研究仍然集中在如何更好、更全面地挖掘负荷与其影响因素之间的非线性映射关系。大部分的负荷预测都是通过影响因素提取负荷的周期性特征而获取的。然而在诸多影响因素的影响下，短期电力负荷不仅具有一定的周期特性，还存在一定程度的随机性。短期电力负荷不仅受到目前已知的主要影响因素的影响，电力负荷还会受到一些潜在的、未发掘的未知因素的影响。另外，负荷数据不仅仅会受到一种影响因素的影响，也可能会在不同负荷用户上表现出存在不同地区、不同历史时刻、不同事件、不同影响因素叠加的影响。
[0004]因此，仅仅通过目前的技术手段来对影响因素进行提取，并判定负荷的周期性特征必然会导致特征提取不完全，预测结果不准确。
[0005]针对上述问题，亟需一种新的短期负荷预测方法与系统。

技术实现思路

[0006]为解决现有技术中存在的不足，本专利技术提供一种基于频域分解深度神经网络的短期负荷预测方法及系统，通过提取负荷影响因子并构建样本矩阵，通过将短期负荷数据进行频域分解以同时获得模态分量与残差分量，从而采用不同的LSTM模型进行预测结果的训练。
[0007]本专利技术采用如下的技术方案。
[0008]本专利技术第一方面，涉及一种基于频域分解深度神经网络的短期负荷预测方法，方法包括以下步骤：步骤1，从短期负荷数据中提取负荷影响因子并与短期负荷数据组成样本矩阵；步骤2，采用变分模态分解法对短期负荷数据进行频域分解，以生成负荷信号分量；步骤3，将样本矩阵进行降维后作为长短期记忆神经网络的输入数据，负荷信号分量作为输出数据，对长短期记忆神经网络模型进行训练，以获取负荷预测结果。
[0009]优选的，负荷影响因子包括负荷数据的星期类型因子、气候因子、活动因子；其中，星期类型因子分别包括周一至周日；气象因子包括预测日最高温度、预测日最低温度、预测日光照强度、预测日空气湿度、预测日降雨量、预测日气压、预测日风速；活动因子包括经济活动影响和政策活动影响。
[0010]优选的，短期负荷数据包括第一预测参考数据、第二预测参考数据和第三预测参
考数据；其中，第一预测参考数据为预测日的前n个自然日在预测时刻的负荷序列；第二预测参考数据为预测日的预测时刻前t个时刻的负荷序列；第三预测参考数据为预测日所在星期的前m个星期在相应的预测时刻的负荷序列。
[0011]优选的，对负荷影响因子和短期负荷数据进行归一化后，建立样本矩阵。
[0012]优选的，采用三次样条函数对所述短期负荷数据进行频域分解，以获取负荷信号分量；其中，负荷信号分量中包括多个负荷模态分解信号分量和一个残余信号分量。
[0013]优选的，采用主成分分析法对样本矩阵进行降维；并且，判定主成分分析法中每个成分的贡献率，并对贡献率进行排序；依照排序逐个将排序靠前的成分添加为主成分，直到排序靠前的多个成分的样本贡献率之和大于85％为止；基于主成分对样本矩阵进行降维，以获取降维后的样本矩阵。
[0014]优选的，针对每一个模态分解信号分量构建第一长短期记忆神经网络模型；并将降维后的样本矩阵作为每一个第一长短期记忆神经网络模型的输入，将每一个模态分解信号作为与其对应的每一个第一长短期记忆神经网络模型的输出；第一长短期记忆神经网络模型为多变量LSTM，采用前向传播。
[0015]优选的，针对残余信号分量构建第二长短期记忆神经网络模型；并将将降维后的样本矩阵作为第二长短期记忆神经网络模型的输入，将每一个模态分解信号作为与其对应的第二长短期记忆神经网络模型的输出；第二长短期记忆神经网络模型为时间序列LSTM，采用后向传播。
[0016]优选的，对每一个第一长短期记忆神经网络模型和第二长短期记忆神经网络模型的输出进行叠加，从而获取预测结果。
[0017]本专利技术第二方面，涉及一种基于频域分解深度神经网络的短期负荷预测系统，系统包括样本提取模块、样本分解模块和模型训练模块；其中，样本提取模块，用于从短期负荷数据中提取负荷影响因子并与短期负荷数据组成样本矩阵；样本分解模块，用于采用变分模态分解法对短期负荷数据进行频域分解，以生成负荷信号分量；模型训练模块，用于将样本矩阵进行降维后作为长短期记忆神经网络的输入数据，负荷信号分量作为输出数据，对长短期记忆神经网络模型进行训练，以获取负荷预测结果。
[0018]本专利技术的有益效果在于，与现有技术相比，本专利技术中的一种基于频域分解深度神经网络的短期负荷预测方法及系统，能够提取负荷影响因子并构建样本矩阵，并通过将短期负荷数据进行频域分解以同时获得模态分量与残差分量，从而采用不同的LSTM模型进行预测结果的训练。本专利技术方法思路清晰、算法有效可靠，准确的提取出已知和未知的负荷影响因子，并基于多个负荷信号分量分别构建LSTM模型，从而实现最优的负荷预测。
[0019]本专利技术的有益效果还包括：
[0020]本专利技术的输入模型分为两类：1)负荷影响因素(经过降维后的多个影响因子)，构成本征模态分量IMF1～IMFv；2)负荷时序数据经过频域分解后的分量IMFv+1～残余信号；这两部分输入分量模型混合起来共同作为LSTM的输入，能够确保存在频域规律的多个影响分量、只具备时域随机性的残余信号同时经过LSTM实现预测，大幅提高了预测的准确性。
附图说明
[0021]图1为本专利技术一种基于频域分解深度神经网络的短期负荷预测方法的步骤示意
图；
[0022]图2为本专利技术一种基于频域分解深度神经网络的短期负荷预测方法中模型构建的流程示意图；
[0023]图3为本专利技术一种基于频域分解深度神经网络的短期负荷预测方法中一实施例的预测结果示意图。
具体实施方式
[0024]为使本专利技术的目的、技术方案和优点更加清晰，下面将结合本专利技术实施例中的附图，对本专利技术的技术方案进行清楚、完整地描述。本专利技术所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部实施例。基于本专利技术精神，本领域普通技术人员在没有做出创造性劳动的前提下，根据本专利技术中记载的实施例而获得的所有其它本专利技术中未记载的实施例，都应当属于本专利技术的保护范围。
[0025]图1为本专利技术一种基于频域分解深度神经网络的短期负荷预测方法的步骤示意图。如图1所示，本专利技术第一方面，涉及一种基于频域分解深度神经网络的短期负荷预测方法，方法包括步骤1至步骤3。
[0026]步骤1，从短期负荷数据中提取负荷影响因子并与短期负荷数据组成样本矩阵本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频域分解深度神经网络的短期负荷预测方法，其特征在于，所述方法包括以下步骤：步骤1，从短期负荷数据中提取负荷影响因子并与短期负荷数据组成样本矩阵；步骤2，采用变分模态分解法对短期负荷数据进行频域分解，以生成负荷信号分量；步骤3，将所述样本矩阵进行降维后作为长短期记忆神经网络的输入数据，负荷信号分量作为输出数据，对长短期记忆神经网络模型进行训练，以获取负荷预测结果。2.根据权利要求1中所述的一种基于频域分解深度神经网络的短期负荷预测方法，其特征在于：所述负荷影响因子包括负荷数据的星期类型因子、气候因子、活动因子；其中，所述星期类型因子分别包括周一至周日；所述气象因子包括预测日最高温度、预测日最低温度、预测日光照强度、预测日空气湿度、预测日降雨量、预测日气压、预测日风速；所述活动因子包括经济活动影响和政策活动影响。3.根据权利要求2中所述的一种基于频域分解深度神经网络的短期负荷预测方法，其特征在于：所述短期负荷数据包括第一预测参考数据、第二预测参考数据和第三预测参考数据；其中，所述第一预测参考数据为预测日的前n个自然日在预测时刻的负荷序列；所述第二预测参考数据为预测日的预测时刻前t个时刻的负荷序列；所述第三预测参考数据为预测日所在星期的前m个星期在相应的预测时刻的负荷序列。4.根据权利要求3中所述的一种基于频域分解深度神经网络的短期负荷预测方法，其特征在于：对所述负荷影响因子和所述短期负荷数据进行归一化后，建立样本矩阵。5.根据权利要求4中所述的一种基于频域分解深度神经网络的短期负荷预测方法，其特征在于：采用三次样条函数对所述短期负荷数据进行频域分解，以获取所述负荷信号分量；其中，所述负荷信号分量中包括多个负荷模态分解信号分量和一个残余信号分量。6.根据权利要求5中所述的一种基于频域分解深度神经网络的短期负荷预测方法，其特征在于：采用主成分分析法对所述样...

【专利技术属性】
技术研发人员：丁泽诚，庄重，段梅梅，孔月萍，周雨奇，盛举，张汀荃，方凯杰，黄艺璇，程含渺，王逸民，刘颖，
申请(专利权)人：国网江苏省电力有限公司营销服务中心，
类型：发明
国别省市：