【技术实现步骤摘要】
本专利技术涉及电力系统负荷预测，特别涉及一种基于eemd和改进dlinear的负荷预测方法及系统。
技术介绍
1、近年来，随着国民经济的高速健康发展，不同结构的产业对用电量的需求不断增加，导致各区域电网的用电高峰时段增长，相应电网的结构也日益复杂，对供电能力有了更高的要求。在用电高峰期各种工商业用电、居民用电对电网峰时供电能力的要求越来越高，而谷时供电能力富余，从而导致电力系统出现峰谷差距大，调峰困难等情况。随着各种智能电器正逐渐渗透进配电网，使居民负荷不再受限于照明、取暖等生活基本需求。因此大大增加了配网端负荷特性的复杂程度，影响用户用电习惯的外在因素也更加复杂。
2、基于以上分析，负荷预测的精度反映了电力系统现代化管理调度的水平。不仅节省资源，有利于电网安全稳定运行，还方便分析整体用户的用电习惯与用电特性。
3、因此，研究一种能提高负荷预测效率以及提升负荷预测精准的方法及系统具有重要意义。
技术实现思路
1、本专利技术的目的在于提供一种基于eemd和改进dlinear的负荷预测方法及系统，以解决现有负荷预测方法预测效率低和预测精度低的问题。
2、为了解决上述技术问题，本专利技术提供两方面技术方案，本专利技术的第一方面提供了一种基于eemd和改进dlinear的负荷预测方法，包括以下步骤：
3、步骤s1，获取该居民区的历史用电负荷数据；
4、步骤s2，将所述历史用电负荷数据进行eemd分解，得到多个imf序列分量；>
5、步骤s3，将所述多个imf序列分量取平均值，得到imf序列分量平均值；
6、步骤s4，利用ngo算法对dlinear模型进行参数寻优，得到最优参数，并将所述最优参数应用至所述dlinear模型，得到更新dlinear预测模型；
7、步骤s5，将所述imf分量平均值输入至所述更新dlinear预测模型进行用电负荷预测。
8、在第一方面的一些实施例中，在步骤s2中，具体包括以下步骤：步骤s20，对原始负荷序列加入随机噪声，得到噪声处理后的负荷序列；步骤s21，对所述原始负荷序列进行插值处理，得到平均包络线；步骤s22，从所述噪声处理后的负荷序列中减去所述平均包络线，得到imf1,1(t)；步骤s23，将所述imf1,1(t)分解k次，直至第k次满足imf序列要求，得到分解第k次的imf1,k(t)；步骤s24，从所述噪声处理后的负荷序列中减去所述imf1,k(t)，得到更新后的原始负荷序列；步骤s25，循环步骤s20至步骤s24，直至无法继续分解下去，得到第i个imf序列分量；步骤s26，循环步骤s20至步骤s25，获得多个imf序列分量。
9、在第一方面的一些实施例中，在步骤s21中，具体包括以下步骤：找出所述原始负荷序列的最大值点和最小值点；沿着所述最大值点和所述最小值点分别进行多次插值得到所述原始负荷序列的上包络线和下包络线，对所述上包络线和所述下包络线取平均值得到平均包络线。
10、在第一方面的一些实施例中，在步骤s21中，所述imf序列要求需满足每个imf的极大值点和极小值点的数目必须相等或相差不超过1并且每个imf的平均值应该接近零。
11、在第一方面的一些实施例中，还包括以下步骤：步骤s27，计算标准差sd；其中，标准差sd满足下式：
12、
13、式中，imf1,k(t)为分解第k次的imf1,1(t)，imf1,k―1(t)为分解第k―1次的imf1,1(t)，a1,k(t)为分解第k次的平均包络线
14、在第一方面的一些实施例中，在步骤s4中，具体包括以下步骤：步骤s40，初始化ngo算法和dlinear模型；步骤s41，计算适应度值大小，并进行排序；步骤s42，循环迭代更新，直至最大迭代次数，输出最优参数，得到所述更新dlinear预测模型。
15、在第一方面的一些实施例中，在步骤s42中，模型的迭代更新的公式表示如下：
16、
17、
18、
19、
20、
21、式中，xi为第i只北方苍鹰的位置，p1为第一个北方苍鹰猎物位置，p2为第二个北方苍鹰猎物位置，为第i只北方苍鹰的第j维的新位置，参数r和i为用于搜索和迭代更新中的随机数，pi,j为第i只北方苍鹰猎物的第j维的新位置，xi,j为第i只北方苍鹰的第j维的位置，fi为第i只北方苍鹰的目标函数，为第i只北方苍鹰在p1的目标函数，为第一阶段更新后第i只北方苍鹰的位置，为第一阶段更新后第i只北方苍鹰的目标函数，为第二阶段第i只北方苍鹰的第j维的新位置，t为迭代次数，t为最大迭代次数，r为狩猎半径，为第二阶段更新后第i只北方苍鹰的位置，为第二阶段更新后第i只北方苍鹰的目标函数。
22、本专利技术的第二方面在于提供一种基于eemd和改进dlinear的负荷预测系统，应用了基于eemd和改进dlinear的负荷预测方法，包括：数据获取单元，用于获取该居民区的历史用电负荷数据；数据处理单元，用于将所述历史用电负荷数据进行eemd分解，得到多个imf序列分量，并且将所述多个imf序列分量取平均值，得到imf序列分量平均值；控制器构建单元，用于基于超参数构建dlinear模型，并且利用ngo算法对所述dlinear模型进行参数寻优，得到优化后的更新dlinear预测模型；计算单元，用于将所述imf分量平均值输入至所述更新dlinear预测模型进行用电负荷预测。
23、本专利技术的有益效果如下：
24、本专利技术提出的一种基于集合经验模态分解和改进长短期记忆的居民区负荷预测方法，利用集合经验模式分解(eemd)可以将非平稳序列变为平稳性序列，降低非线性度，有利于提升预测精度和速度。
25、并且本专利技术的模型与现有的算法比较用时差不多，但计算精度有所增强，即实现了计算速度不会因预测精度的提高而变长，本专利技术负荷预测方法有着较好的预测效果，达到预期效果。
本文档来自技高网...【技术保护点】
1.一种基于EEMD和改进DLinear的负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于EEMD和改进DLinear的负荷预测方法，其特征在于，在步骤S2中，具体包括以下步骤：
3.根据权利要求2所述的基于EEMD和改进DLinear的负荷预测方法，其特征在于，在步骤S21中，具体包括以下步骤：
4.根据权利要求2所述的基于EEMD和改进DLinear的负荷预测方法，其特征在于，在步骤S21中，所述IMF序列要求需满足每个IMF的极大值点和极小值点的数目必须相等或相差不超过1并且每个IMF的平均值应该接近零。
5.根据权利要求2所述的基于EEMD和改进DLinear的负荷预测方法，其特征在于，还包括以下步骤：
6.根据权利要求1所述的基于EEMD和改进DLinear的负荷预测方法，其特征在于，在步骤S4中，具体包括以下步骤：
7.根据权利要求6所述的基于EEMD和改进DLinear的负荷预测方法，其特征在于，在步骤S40中，所述DLinear模型，其计算公式如下：
8.根据
9.根据权利要求6所述的基于EEMD和改进DLinear的负荷预测方法，其特征在于，在步骤S42中，具体步骤包括以下步骤：
10.一种基于EEMD和改进DLinear的负荷预测系统，其特征在于，应用权利要求1至9任意一项所述的基于EEMD和改进DLinear的负荷预测方法，包括：
...【技术特征摘要】
1.一种基于eemd和改进dlinear的负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于eemd和改进dlinear的负荷预测方法，其特征在于，在步骤s2中，具体包括以下步骤：
3.根据权利要求2所述的基于eemd和改进dlinear的负荷预测方法，其特征在于，在步骤s21中，具体包括以下步骤：
4.根据权利要求2所述的基于eemd和改进dlinear的负荷预测方法，其特征在于，在步骤s21中，所述imf序列要求需满足每个imf的极大值点和极小值点的数目必须相等或相差不超过1并且每个imf的平均值应该接近零。
5.根据权利要求2所述的基于eemd和改进dlinear的负荷预测方法，其特征在于，还包括以下步骤：
6.根据权...
【专利技术属性】
技术研发人员：武小梅，陈俊彬，徐亮，张怀佳，李书仪，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。