[發明專利]基于模態分解和遷移學習的極端場景下負荷預測方法

有效

• 申請號: 202011389811.7
• 申請日: 2020-12-01
• 公開（公告）號: CN112488397B
• 公開（公告）日: 2022-09-27
• 發明（設計）人: 吳紅斌;楊龍;徐斌;丁津津;王小明;李金中;謝毓廣
• 申請（專利權）人: 合肥工業大學;國網安徽省電力有限公司電力科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N20/00;H02J3/00
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于模態分解和遷移學習的極端場景下電力負荷預測方法，其特征在于，所述方法包括如下步驟：

步驟1、統計各種極端場景下電力負荷歷史數據，并按負荷曲線的趨勢進行分類，得到帶有分類標簽的電力負荷歷史數據；再收集待預測場景下的歷史數據；

步驟2、使用改進的聚合經驗模態分解法將待預測場景下的歷史數據和帶有分類標簽的電力負荷歷史數據中同種類型的歷史數據進行分解，得到電力負荷的基本趨勢和若干高頻分量；

步驟2.1、使用支持向量機回歸預測對待預測負荷的歷史數據x₀和帶有分類標簽的電力負荷歷史數據中同種類型的m組歷史數據{x_i|i＝1,2,...,m}進行端點延拓，得到延拓后的待預測時間序列y₀和歷史時間序列{y_i|i＝1,2,...,m}；其中，x_i表示第i組歷史數據，y_i表示第i組歷史時間序列；

步驟2.2、對待預測時間序列y₀和歷史時間序列{y_i|i＝1,2,...,m}添加有限幅值的白噪聲序列a，得到處理后的待預測時間序列y_a0和處理后的歷史時間序列{y_ai|i＝1,2,...,m}；其中，y_ai表示第i組處理后的歷史時間序列；

步驟2.3、使用經驗模態分解法將處理后的待預測時間序列y_a0分解為一個待預測負荷的基本趨勢項和j個待預測負荷的高頻分量，將處理后的歷史時間序列{y_ai|i＝1,2,...,m}分解為m個訓練用歷史數據的基本趨勢項和m×j個訓練用歷史數據的高頻分量；

步驟2.4、每次加入不同的白噪聲序列后，重復步驟2.2和步驟2.3共n次，從而得到n個待預測負荷的基本趨勢項和n×j個待預測負荷的高頻分量，以及n×m個訓練用歷史數據的基本趨勢項和n×m×j個訓練用歷史數據的高頻分量；

步驟2.5、計算n個待預測負荷的基本趨勢項的均值并作為待預測趨勢項序列r₀，計算n×j個待預測負荷的高頻分量的均值并作為待預測趨勢項序列{r_i|i＝1,2,...,m}，計算n×m個訓練用歷史數據的基本趨勢項的均值并作為待預測高頻分量序列C_0t，計算n×m×j個訓練用歷史數據的高頻分量的均值并作為訓練用高頻分量序列{C_it|i＝1,2,...,m；t＝1,2,...,j}；

步驟3、使用所述電力負荷的基本趨勢進行基于注意力機制模型權重轉移的遷移學習，得到趨勢項的預測模型；

步驟3.1、將含有學習參數q的注意力模型與編碼-解碼器結構相連接，形成一個序列到序列學習的網絡；

步驟3.2、以所述待預測趨勢項序列{r_i|i＝1,2,...,m}作為訓練數據，通過Adam算法反復修正學習參數q，直到誤差滿足要求，從而得到訓練好的遷移模型；

步驟3.3、將所述遷移模型與LSTM網絡相連接，作為待預測趨勢項序列r₀的預測模型；

步驟4、使用所述趨勢項的預測模型和LSTM網絡分別對所述電力負荷的基本趨勢和若干高頻分量進行負荷預測，并將預測結果疊加起來，從而得到負荷預測結果。

2.如權利要求1所述的極端場景下電力負荷預測方法，其特征在于，所述步驟4中包括：

步驟4.1、將待預測趨勢項序列r₀作為訓練數據輸入所述預測模型中，并通過Adam算法訓練預測模型中LSTM網絡的參數，同時預測到電力負荷的基本趨勢的未來數據；

步驟4.2、使用另一個LSTM網絡分別對j個待預測高頻分量序列C_0t進行預測，得到j個高頻分量序列的未來數據；

步驟4.3、將所述電力負荷的基本趨勢的未來數據和j個高頻分量序列的未來數據相加，得到待預測的負荷預測結果。