一种基于负荷特征分解的超短期负荷动态预测方法技术

本发明专利技术公开了一种基于负荷特征分解的超短期负荷动态预测方法，主要包括：步骤1、利用3δ法对原负荷数据进行预处理；步骤2、利用改进的自适应噪声完备集合经验模态分解算法分解负荷序列；步骤3、基于时间序列分析和近似熵方法对分解后的分量进行分组集成；步骤4、通过灰色关联度分析筛选影响因子，构造不同的特征集；步骤5、将各数据集分别输入到卷积神经网络进行特征提取，随后利用双向长短时记忆神经网络进行多数据驱动的动态预测；步骤6、将各子序列预测结果叠加，得到负荷预测值。有益效果在于，解决了现有负荷预测技术中难以融合多源异构影响因素协同预测、以及难以模拟负荷变化动态特性等问题。态特性等问题。态特性等问题。

【技术实现步骤摘要】
一种基于负荷特征分解的超短期负荷动态预测方法


[0001]本专利技术属于电力负荷超短期监测
，涉及一种基于负荷特征分解的超短期负荷动态预测方法。

技术介绍

[0002]精准的负荷预测对于提高电力规划和电网稳定性有着重要意义。然而大规模新能源并网发电和用户用电行为的日益多样化给用户侧电力系统的稳定运行带来了与日俱增的不确定性。此外，由于影响负荷的因素众多，且各影响因素之间存在复杂的相互作用，使得合理构建负荷预测模型尤为困难。传统的负荷预测方法存在难以捕捉天气、社会环境等因素与负荷之间复杂关系的缺点，致使预测精度不高。为了更好地挖掘海量数据中蕴含的有效信息，提高算法的预测精度，针对用户侧负荷变化的连续性、周期性和非线性的特点，本专利技术公开了一种基于数据驱动的电力负荷超短期动态预测方法，为电气负荷的准确预测提供了理论依据和技术支撑。

技术实现思路

[0003]本专利技术的目的是提供一种基于数据驱动的电力负荷超短期动态预测方法，解决了现有负荷预测技术中难以融合多源异构影响因素进行协同预测，以及难以模拟电力负荷序列动态特性等问题。
[0004]本专利技术所采用的技术方案是，一种基于负荷特征分解的超短期负荷动态预测方法，具体按照以下步骤实施：
[0005]步骤1、为提高负荷预测精度，在预测模型进行训练之前利用数据预处理技术“3δ”法对负荷数据进行异常值剔除及缺失值填补处理；
[0006]步骤2、利用改进的自适应噪声完备集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)算法对电力负荷序列进行分解，使确定性因素引起的负荷波动序列平稳化；
[0007]步骤3、基于时间序列分析原理的先验知识，针对负荷变化的连续性、周期性和非线性的特点，结合近似熵方法，对分解后的负荷分量进行分组集成，划分出电力负荷序列的趋势性、周期性和随机性子序列；
[0008]步骤4、通过灰色关联度分析影响因素与负荷之间的相关性，为预测模型筛选关联度较大的影响因子变量，构造不同的数据集，实现不同模态分量之间的规律互补；
[0009]步骤5、将构造的各数据集输入到卷积神经网络(Convolutional Neural Networks,CNN)进行特征深度提取，再将特征向量以时序序列方式构造并作为双向长短时记忆神经网络(Bi
‑
directional Long Short
‑
Term Memory,BiLSTM)的输入数据，进行多数据驱动的动态单步预测；
[0010]步骤6、将各负荷子序列预测值叠加，得到负荷预测值，完成预测。
[0011]本专利技术的特点还在于：
[0012]步骤1具体按照以下实施：
[0013]利用“3δ”法对负荷数据进行预测处理，剔除异常值。对于样本数为n的负荷序列，假设第i次监测值为x
i
(i＝1,2,...,n)，则第i次监测的跳动特征可定义为：
[0014]T
i
＝|2
×
x
i
‑
(x
i+1
+x
i+2
)|(1)
[0015]跳动均值为：
[0016][0017]均方差为：
[0018][0019]相对差值为：
[0020][0021]若第i次监测的相对差值δ
i
＞3，则该数据作为异常值剔除，并通过插值法填充剔除的数据值。
[0022]步骤2具体按照以下实施：
[0023]基于ICEEMDAN算法分解负荷时间序列的步骤如下：
[0024]①
向电力负荷时间序列x添加I组高斯白噪声，构建新的信号x
(i)
，并通过EMD法得到第一阶残差r1和本征模函数(Intrinsic Mode Function,IMF)，公式如下：
[0025]x
(i)
＝x+β0E1(w
(i)
)
ꢀꢀ
(5)
[0026]式中，w
(i)
表示高斯白噪声；E1为第一阶模态分量；β0为噪声系数。得到第一阶残差信号r1：
[0027][0028]式中，M为局部均值算子。随后与原始序列x作差，计算第一阶IMF：
[0029]IMF1＝x
‑
r1ꢀꢀ
(7)
[0030]②
循环计算计算第k阶IMF和残差r
k
，公式如下：
[0031][0032]IMF
k
＝r
k
‑1‑
r
k
ꢀꢀ
(9)
[0033]直至残差序列极值点小于2，分解步骤结束。
[0034]步骤3具体按照以下实施：
[0035]考虑到电力负荷相关数据为典型的时间序列数据，因此本专利技术基于时间序列分析预测的先验知识，将预处理后的负荷数据划分为以下三个组成部分，如式(10)所示
[0036]X(t)＝α(t)+β(t)+γ(t)
ꢀꢀ
(10)式中，X(t)为t时刻的实际负荷；α(t)为t时刻的趋
势负荷序列，反映序列数据随时间的长期性变化趋势；β(t)为t时刻的周期负荷序列，反映序列以固定周期重复的效应；γ(t)为t时刻的随机产生的负荷波动，反映序列数据中由随机扰动因素诱发的波动。在实际应用过程中，考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数。因此，为保证各分量能够赋予时间序列明确的物理意义，在负荷序列分解前需要将其先进行累加操作，以使残差序列能够作为负荷序列的趋势项子序列，表征负荷序列的长期变化趋势。
[0037]近似熵常用于表征一个时间序列在模式上的自相似程度，越大的近似熵值代表序列复杂度越大，而周期规律较强的时间序列分量对应的近似熵值则越小。考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数，与时间序列分析原理中的趋势项物理意义相符。因此，本专利技术将ICEEMDAN算法分解得到的残差项作为电力负荷时间序列的趋势项子序列。随后，利用近似熵方法计算各IMFs的近似熵值，将大于近似熵平均值的IMF叠加作为电力负荷时间序列的随机项子序列，将小于近似熵平均值的IMF叠加作为电力负荷时间序列的周期项子序列。
[0038]步骤4具体按照以下实施：
[0039]输入向量的选择是否合理将直接影响最终模型的预测效果。因此，通过对各类影响因素分析，选择以下因子作为各负荷分量的影响因素：
[0040](1)对于趋势性负荷子序列体现出的随时间推移长期增长的趋势。将时间特征可以作为趋势项子序列影响因子。时间特征主要包括负荷的星期类型特征和日内用户用电习惯特征。星期类型中周一至周五线性映射至0.5，周六和周日映射为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，具体按照以下步骤实施：步骤1、为提高负荷预测精度，在预测模型进行训练之前利用数据预处理技术“3δ”法对负荷数据进行异常值剔除处理及缺失值填补；步骤2、利用改进的自适应噪声完备集合经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)算法对电力负荷序列进行分解，使确定性因素引起的负荷波动序列平稳化；步骤3、基于时间序列分析原理的先验知识，针对负荷变化的连续性、周期性和非线性的特点，结合近似熵方法，对分解后的负荷分量进行分组集成，划分出电力负荷序列的趋势性、周期性和随机性子序列；步骤4、通过灰色关联度分析影响因素与负荷之间的相关性，为预测模型筛选关联度较大的影响因子变量，构造不同的数据集，实现不同模态分量之间的规律互补；步骤5、将构造的各数据集输入到卷积神经网络(Convolutional Neural Networks,CNN)进行特征深度提取，再将特征向量以时序序列方式构造并作为双向长短时记忆神经网络(Bi
‑
directional Long Short
‑
Term Memory,BiLSTM)的输入数据，进行多数据驱动的动态单步预测；步骤6、将各负荷子序列预测值叠加，得到负荷预测值，完成预测。2.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤1具体按照以下实施：利用“3δ”法对负荷数据进行预测处理，剔除异常值。对于样本数为n的负荷序列，假设第i次监测值为x
i
(i＝1,2,...,n)，则第i次监测的跳动特征可定义为：T
i
＝|2
×
x
i
‑
(x
i+1
+x
i+2
)|
ꢀꢀꢀꢀ
(1)跳动均值为：均方差为：相对差值为：若第i次监测的相对差值δ
i
＞3，则该数据作为异常值剔除，并通过插值法填充剔除的数据值。3.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤2具体按照以下实施：基于ICEEMDAN算法分解负荷时间序列的步骤如下：
①
向电力负荷时间序列x添加I组高斯白噪声，构建新的信号x
(i)
，并通过EMD法得到第一阶残差r1和(Intrinsic Mode Function,IMF)，公式如下：x
(i)
＝x+β0E1(w
(i)
)
ꢀꢀꢀꢀ
(5)式中，w
(i)
表示高斯白噪声；E1为第一阶模态分量；β0为噪声系数。得到第一阶残差信号r1：式中，M为局部均值算子。随后与原始序列x作差，计算第一阶IMF：IMF1＝x
‑
r1ꢀꢀꢀꢀ
(7)
②
循环计算计算第k阶IMF和残差r
k
，公式如下：IMF
k
＝r
k
‑1‑
r
k
ꢀꢀꢀꢀ
(9)直至残差序列极值点小于2，分解步骤结束。4.根据权利要求1所述的一种基于负荷特征分解的超短期负荷动态预测方法，其特征在于，所述步骤3具体按照以下实施：考虑到电力负荷相关数据为典型的时间序列数据，因此本发明基于时间序列分析预测的先验知识，将预处理后的负荷数据划分为以下三个组成部分，如式(10)所示X(t)＝α(t)+β(t)+γ(t)
ꢀꢀꢀꢀ
(10)式中，X(t)为t时刻的实际负荷；α(t)为t时刻的趋势负荷序列，反映序列数据随时间的长期性变化趋势；β(t)为t时刻的周期负荷序列，反映序列以固定周期重复的效应；γ(t)为t时刻的随机产生的负荷波动，反映序列数据中由随机扰动因素诱发的波动。在实际应用过程中，考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数。因此，为保证各分量能够赋予时间序列明确的物理意义，在负荷序列分解前需要将其先进行累加操作，以使残差序列能够作为负荷序列的趋势项子序列，表征负荷序列的长期变化趋势。近似熵常用于表征一个时间序列在模式上的自相似程度，越大的近似熵值代表序列复杂度越大，而周期规律较强的时间序列分量对应的近似熵值则越小。考虑到ICEEMDAN算法分解负荷序列得到的残差曲线特征表现为近似单调递增函数，与时间序列分析原理中的趋势项物理意义相符。因此，本发明将ICEEMDAN算法分解得到的残差项作为电力负荷时间序列的趋势项子序列。随后，利用近似熵方法计算各IMFs的近似熵值，将大于近似熵平均值的IMF叠加作为电力负荷时间序列的随机项子序列，将小于近似熵平均值的IMF叠加作为电力负荷时间序列的周期项子序列。5.根据权利要...

【专利技术属性】
技术研发人员：韩杨，张明岳，薛云飞，葛基伟，杨平，王丛岭，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：