【技术实现步骤摘要】
本专利技术涉及电力系统预测，具体涉及一种基于改进二次模态分解和woa优化bilstm-attention的短期电力负荷预测方法。
技术介绍
1、电力负荷预测按照时间尺度可分为超短期(未来4h)、短期(未来72h)与中长期预测(未来1月至1年)；按预测形式又可分为点预测、区间预测与概率预测。短期负荷预测作为负荷预测的重要组成部分，其常用的预测方法可概括为三大类：传统数理统计模型，机器学习和深度学习。传统方法与机器学习预测速度快，但忽略了样本时序关系。近年来，深度学习有了广泛应用。bp神经网络反向传播误差，训练速度慢且预测精度不高。支持向量机具有良好的学习能力，但网络泛化能力不强，预测准确性不高。作为循环神经网络(recurrentneural network，rnn)的一种特殊变体，长短时记忆神经(long short term memory，lstm)网络是目前时序预测领域最为流行的深度神经网络。它继承了rnn顺序连接的隐含层结构，并将简单的隐含层神经元替换为长短时记忆单元，从而解决了由梯度爆炸和梯度消失引起的长期依赖问题。然而lstm神经网络只能利用历史时刻的信息，并不考虑未来时刻的信息，从而无法学习负荷数据前后两个时间方向的关系。文献提出了da机制，在解码器和编码器阶段分别加入注意力机制，以突出输入和输出环节中重要信息的作用，将其应用到电力负荷短期预测领域中，可以使双向长短期神经网络模型充分学习负荷和影响因素的耦合关系。
2、为克服长短期网络参数随机初始化的缺点可以通过优化算法优化网络权值，提高网络稳定性和预测精
3、由于负荷序列的波动性直接预测会产生较大误差，为削弱序列的非线性，进一步提升预测精度，一些技术采用变分模态分解将风电功率时间序列进行分解，再对各子序列进行预测，最后对各子序列预测结果进行重构，采用经验模态分解将光伏功率时间序列进行分解，然后输入支持向量机进行预测。这些通过分解后再预测的方法，虽然预测精度有所提高，但是分解时存在频谱混叠问题，分解产生的高频强非平稳分量也会导致较大的预测误差。上述对时间序列数据进行二次分解处理再预测，提高了对一次分解中高频分量部分的预测精度，但产生的子分量数量过多，分别预测需要的时间较长。并且高频模态分量依然具有高熵值问题，模态分解过程中缺乏指导参数设置的评价标准，往往依靠经验给定参数，从而导致分解效果并不理想。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于改进二次模态分解和woa优化bilstm-attention的短期电力负荷预测方法，解决现有技术基于人工神经网络的电力负荷预测存在的预测精度差的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、基于改进二次模态分解和woa优化bilstm-attention的短期电力负荷预测方法，包括以下步骤：
4、step1、对历史电力负荷数据进行预处理；包括对原始负荷数据进行缺失值填充和异常值清除；
5、step2、对预处理之后的数据采用完全集合经验模态分解，得到多个子序列分量；
6、step3、对step2中所得到的数据其中的高频分量采用变分模态分解进一步分解，建立评价标准，采用鲸鱼优化算法对分解个数和惩罚因子进行参数寻优；
7、step4、采用最大信息系数，选取最大相关性影响因素，获得最佳特征集；
8、step5、对每种分量的子序列构建双向长短期神经网络进行训练预测，添加注意力机制，定义损失函数为目标函数，并采用鲸鱼优化算法对其中超参数进行优化；
9、step6、预测得到各个分量的结果，叠加得到最终预测结果；
10、step7、验证预测模型的有效性。
11、上述的step3中，变分模态分解过程为：
12、step3.1、变分问题为本征模态分量的估计带宽之和最小，约束条件是本征模态分量之和为原始信号，公式如下：
13、
14、
15、式中：{uk}为本征模态分量的集合；{wk}为中心频率的集合；δ(t)为脉冲信号；k为预设分解个数；f(t)为原始信号；
16、step3.2、使用惩罚因子α和拉格朗日乘数λ(t)将带约束的变分问题转换为非约束问题，其中α影响信号的重构精度，λ(t)保持约束条件的严格性，公式如下：
17、
18、step3.3、通过交替方向乘子法解决非约束问题，从而实现信号频率的有效分离，其中本征模态分量和中心频率的迭代更新公式分别为：
19、
20、
21、式中：为第n+1次迭代时中心频率为ω的第k个本征模态分量，相当于当前剩余信号的维纳滤波，并且对进行傅里叶逆变换；
22、step3.4、提出了一种适用于时序预测领域的评价标准lloss，公式为
23、
24、式中：lloss的为vmd重构信号与原始信号的平均绝对误差；
25、step3.5、以评价标准lloss最小为目标函数，利用鲸鱼优化算法woa对变分模态分解的惩罚因子和分解个数k进行优化，其中鲸鱼优化算法的步骤为：根据鲸鱼的捕猎特点，首先包围猎物，依据猎物位置结合螺旋运动调整位置，以获得最优捕猎环绕策略。然后鲸鱼再进行收缩包围后，采用螺旋方程更新到鲸鱼的下一个位置,高效的猎捕到合适的猎物：
26、x(t+1)＝diebl·cos(2πl)+x*(t)
27、di＝|x*(t)-x(t)| (7)
28、式中，d代表当前鲸鱼与其猎物间的距离；x*(t)为t时刻获得最优解的位置向量；di代表第i头鲸鱼在取得当前最佳位置时与猎物之间的距离；b表示对数螺线形状常数，l为-1～1之间的随机数；在更新过程中采用随机概率优化控制鲸群在收缩环绕和螺旋运动之间选择，扩大了搜索范围去寻找其他合适猎物，增强了woa的全局搜索捕食能力；最后通过迭代更新筛选出当前的最优解和全局最优解。
29、上述的step1中，先采用插值方法对所述输入数据集进行缺失填充，然后采用线性函数归一化对所述输入数据集进行归一化处理。
30、上述的step5中构建的损失函数，通过损失函数对step6中得到的预测结果进行计算，基于计算结果调整step5得到的预测网络的参数，直至得到损失函数计算结果最小的预测网络用于获取预测结果。
31、上述的损失函数包括均方误差、均方根误差、平均绝对误差以及平均绝对百分比误差。
32、本专利技术提供的一种基于改进二次模态分解和woa优化bilstm-attention的短期电力负荷预测方法，利用本文档来自技高网...
【技术保护点】
1.基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法，其特征在于，所述的Step3中，变分模态分解过程为：
3.根据权利要求2所述的基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法，其特征在于，所述的Step1中，先采用插值方法对所述输入数据集进行缺失填充，然后采用线性函数归一化对所述输入数据集进行归一化处理。
4.根据权利要求3所述的基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法，其特征在于，所述的Step5中构建的损失函数，通过损失函数对Step6中得到的预测结果进行计算，基于计算结果调整Step5得到的预测网络的参数，直至得到损失函数计算结果最小的预测网络用于获取预测结果。
5.根据权利要求4所述的基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷
...【技术特征摘要】
1.基于改进二次模态分解和woa优化bilstm-attention的短期电力负荷预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进二次模态分解和woa优化bilstm-attention的短期电力负荷预测方法，其特征在于，所述的step3中，变分模态分解过程为：
3.根据权利要求2所述的基于改进二次模态分解和woa优化bilstm-attention的短期电力负荷预测方法，其特征在于，所述的step1中，先采用插值方法对所述输入数据集进行缺失填充，然后采用线性函数归一化对所述输入数据集进行归一化...
【专利技术属性】
技术研发人员：梅锦超，李文武，邵江城，邱宪达，杨苗，查子健，
申请(专利权)人：三峡大学，
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。