System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力物资需求预测领域,特别涉及一种基于woa-vmd-lstm的小样本电力物资预测方法。
技术介绍
1、随着国家电网采购交易管理水平的不断提高和现代化智慧供应链体系的不断完善,公司采购全面数字化,物资采购活动在国网电子商务平台全流程在线实施。电力物资预测能避免物资采购过程中的侥幸行为,指导供应商正确报价,降低采购过程中的损失。
2、针对电力物资需求预测,回归分析、指数平滑等预测模型较为简单,对于非线性、非平稳的复杂数据有很大的局限性;时间序列方法如arima和sarima等模型有着较好的预测效果,但对数据也有较高的要求,需要数据满足平稳、正态分布的假设,并且需要根据不同数据选择合适的阶数以满足进度需求;机器学习的方法如树模型、prophet、lstm等近年来在电力物资预测方向有着广泛的展开,在预测精度上也有进一步的提升。电力物资序列具有非平稳性、间接性等特点,对原始序列进行变模态分解(vmd)能降低原始数据的复杂度并挖掘原始序列的主要特征,能进一步提高电力物资需求预测的精度。
技术实现思路
1、针对现有技术存在的上述问题,本专利技术要解决的技术问题是:如何提供一种可以较为准确预测电力物资需求的方法。
2、为解决上述技术问题,本专利技术采用如下技术方案:一种基于woa-vmd-lstm的电力物资预测方法,包括如下步骤:
3、s100:数据预处理,获取电商专区电力物资采购数据,选择上报计划数量与实际执行数量偏差大于1百倍,且实际执行数量
4、s200:将s100处理后的数据集作为训练集。
5、s300:变模态分解vmd,使用vmd将训练集中的数据分解为多个模态分量imf序列,每个imf序列具有不同的数据特征信息。
6、s400:构建woa-vmd模态分解模型,采用鲸鱼优化算法woa,设置woa中的鲸鱼数量n和最大迭代次数tmax,并使用重构数据的最小包络熵为适应度函数,将训练集数据输入woa-vmd中进行训练,对vmd中的核心参数k和α进行参数寻优,获得最优参数组合,使用最优参数组合更新s300中进行变模态分解时的核心参数后,再次使用vmd将训练集中的数据分解为多个模态分量imf序列,得到优化后的多个模模态分量imf序列。
7、其中,重构数据指将vmd分解后的多个模态分量imf序列相加得到重构信号。
8、s500:预测,获取当前年份及之前年份的电商专区电力物资采购数据,采用s100-s300处理后得到待预测模态分量imf序列,将待预测模态分量imf序列输入lstm,将各模态分量imf序列的预测值进行叠加,最终得到对下一年度电力物资的预测结果。
9、作为优选,所述步骤s300中使用vmd将训练集分解为多个模态分量imf序列的具体步骤如下:
10、s301:设置vmd分解中的核心参数k和α。
11、s302:将训练集分解为k个模态,每个模态的有限频带有一个中心频率,使得各分解模态的估计带宽之和最小,约束变分表达式如下。
12、
13、其中k表示分解的imf序列的数量,{uk}表示分解的模态信号uk的集合,{ωk}表示中心频率的集合,δ(t)表示狄拉克函数,*表示卷积算子,f表示原始信号,表示时间t上的导数运算,j表示表示虚数单位,ωk表示中心频率,uk(t)表示在时间t上的模态信号uk。
14、s303:使用增广拉格朗日乘法算子来求解,将上述约束问题转变为非约束问题,其表达式如下所示:
15、
16、其中λ表示拉格朗日乘子,α表示减少高斯噪声干扰的惩罚因子,λ(t)表示在时间t上的拉格朗日乘子,f(t)表示时间t上的原始信号。
17、s304:采用交替方向乘子法admm不断迭代计算{uk}、{ωk}、λ三个参数的值,直至满足下述的条件,此时达到最终结果,输出多个模态分量imf序列;
18、
19、其中ε为判断精度。
20、作为优选,所述步骤s400中寻找最优参数组合的具体步骤为:
21、s401:计算每条鲸鱼的适应度,将适应度最小值对应的鲸鱼定义为最优鲸鱼,并保留最优鲸鱼的位置。
22、s402:参数a、系数向量a和c的计算公式如下所示:
23、a=2ar1-a
24、c=2r2
25、a=2-2t/tmax
26、其中,r1和r2是随机数,范围在(0,1)中,a的值从2到0下降,t表示目前的迭代次数,tmax为最大迭代次数。
27、为捕食机制概率p在其值域[0,1]内随机赋值,如果p<0.5,是则直接转入s403,否则采用气泡网捕食机制进行位置更新,具体如下:
28、
29、
30、其中,表示第t+1代第i个个体的位置,表示第t代第i个个体的位置,是搜索第t代时种群取得全局最优解的鲸鱼个体位置,d1表示包围步长,a和c均表示系数向量。
31、s403:判断a的绝对值是否小于1,是则包围猎物,按下式更新位置:
32、
33、其中,表示鲸鱼到猎物之间的距离,b是控制对数螺旋形状的常数,l是[-1,1]上的一个随机数。
34、否则全局随机搜索猎物,按下式更新位置:
35、
36、
37、其中,是从当前种群中随机选择一个个体的位置,表示鲸鱼到猎物之间的距离。
38、s404:位置更新结束,计算每条鲸鱼的适应度,选出适应度最小值,如果适应度最小值小于当前最优鲸鱼的适应值,则用适应度最小值对应的鲸鱼及其位置更新当前最优鲸鱼及其位置,并执行下一步,否则直接执行下一步。
39、s405:判断当前是否达到最大迭代次数,是则输出最优解k和α结束计算,否则进入下一次迭代,并返回s402。
40、相对于现有技术,本专利技术至少具有如下优点:
41、1.本专利技术通过结合鲸鱼优化算法woa与变模态分解vmd构建混合分解模型woa-vmd,来分解电商专区电力物资采购数据,相较于emd与传统vmd方法该算法能更有效地将非平稳、间接性的电力物资序列分解成平稳且特征明显的序列,既保证了原始序列的信息完整又提取出序列不同频段的模态分量。
42、2.本专利技术将woa-vmd分解出的各模态分量imf序列分别输入lstm进行预测并将预测结果相加得到最终结果,在数据量较小的情况下有效提高了lstm模型的预测精度。
43、3.本专利技术提出的方法一方面使用vmd对非平稳的原始数据进行模态分解,提高lstm预测性能,另一方面使用woa对vmd进行参数寻优解决序列欠分解和过分解的问题,经过实验验证本专利技术方法的性能优于目前电力物资需求预测的其他方法。
本文档来自技高网...【技术保护点】
1.一种基于WOA-VMD-LSTM的电力物资预测方法,其特征在于:包括如下步骤:
2.如权利要求1所述的一种基于WOA-VMD-LSTM的电力物资预测方法,其特征在于:所述步骤S300中使用VMD将训练集分解为多个模态分量IMF序列的具体步骤如下:
3.如权利要求2所述的一种基于WOA-VMD-LSTM的电力物资预测方法,其特征在于:所述步骤S400中寻找最优参数组合的具体步骤为:
【技术特征摘要】
1.一种基于woa-vmd-lstm的电力物资预测方法,其特征在于:包括如下步骤:
2.如权利要求1所述的一种基于woa-vmd-lstm的电力物资预测方法,其特征在于:所述步骤s300中使用v...
【专利技术属性】
技术研发人员:向洪伟,张丽娟,张迪,谢毓玮,殷培龙,邓晨凤,张流畅,董建波,
申请(专利权)人:国家电网有限公司,
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。