[發明專利]基于VDM和Stacking模型融合的短期負荷預測方法及系統

在審

• 申請號: 202011398686.6
• 申請日: 2020-12-03
• 公開（公告）號: CN113159361A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 張倩;丁津津;王璨;于洋;高博;徐斌;謝毓廣;孫輝;李遠松;張峰;汪勛婷;李圓智;陳洪波;何開元;欒喜臣;張駿
• 申請（專利權）人: 安徽大學;國網安徽省電力有限公司電力科學研究院;國網安徽省電力有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 苗娟

本發明的一種基于VDM和Stacking模型融合的短期負荷預測方法及系統，采集負荷序列數據，并輸入到事先訓練好的預測模型，進行負荷預測并輸出預測結果；其中，預測模型的訓練步驟如下：采用VMD算法將獲取到的原始負荷序列分解為不同的固有模態分量IMF；計算每個IMF負荷分量序列的ApEn值；把每一個ApEn值作為一個隨機分量，基于Stacking的思想，XGBoost和長短期記憶神經網絡來構建模態分量IMF的預測模型；通過將上述預測模型對各模態分量IMF的預測結果疊加得到最終預測結果，再進行加權融合。相比傳統方法的結果，本發明方法的結果表明基于多模型融合的Stacking集成學習方法在電力負荷預測中有良好的應用效果。

技術領域

本發明涉及電力負荷預測技術領域，具體涉及一種基于VDM和Stacking模型融合的短期負荷預測方法及系統。

背景技術

基于精確短期負荷預測(STLF)是制定電力供應計劃和電力供需平衡的關鍵挑戰之一。它考慮未來幾天的預測，是電力市場運轉和規劃不可或缺的基礎。提高短期負荷預測的精度有助于提高電力設備的利用率，減少能量的消耗，緩解電能供應端和需求端之間的不平衡。

在電力系統中，短期負荷預測是最深入廣泛應用人工智能技術的領域之一。目前有大量的方法適用于短期負荷預測，而且可以分為統計學方法和基于人工智能的方法。本發明重點介紹基于人工智能的方法，因為它們能對不同變量間的復雜關系搭建出適合的模型，尤其是非線性關系。在短期負荷預測領域中，目前已經建立了基于智能的方法應用于負荷預測。現有技術的基于灰色投影改進隨機森林算法，以及通過比較XGBoost和其他幾種算法，表明了XGBoost模型在計算速度和預測精度的優勢，以及將深層神經網絡算法引入負荷預測問題，并且和淺層模型的預測結果進行比較。以及將長短期記憶神經網絡應用于用戶端的短期負荷預測，是深度學習中的一種經典算法。

盡管已經對匯總的負荷數據的短期負荷預測已經廣泛研究，以上的工作仍著重于神經網絡模型和深度學習算法。由于負荷序列有很強的隨機性和易變性，很難通過單一的預測方法得到理想的預測準確度。電力負荷由于其規律性，波動性和混沌特性無法在時域和頻域尺度上綜合考慮。為克服這一問題，衍生很多算法如下：基于頻域分解和人工智能算法的綜合方法；特征提取技術能較好地處理負荷的復雜特點來增強預測精確度；小波分解是一種典型的頻域分解的方法，負荷序列在進行ADF檢定前先通過小波進行分解；二階灰色預測模型的準確性；基于優化的前饋神經網絡中應用最佳平穩小波包變換用于短期負荷預測；小波分解應用于數據篩選，再通過蝙蝠算法和比例共軛算法完成ANN的訓練等等。

關于上述工作，這里仍有一些問題出現在頻率分解，分量預測和數據重構。首先，傳統的小波分解不能滿足短期負荷預測的要求。此外，有更多先進的頻率分解方法已經被應用，比如EMD，VMD算法。第二，通過數值性能指標對得到的分解分量判斷是很有必要的。除此之外，選擇有效的智能算法和相關超參數是有一定難度的。最后，在對幾個分量分別預測后的結果進行數據重構和模型融合的工作較少。

傳統小波分解無法有效處理其平移不變性問題和模型混疊現象。為了解決小波變換中的平移不變性問題，基于EMD的分解方法能有效實現原始負荷的分解，再通過預測方法預測每個分離的IMF。然而，EMD分解方法很難避免模型混疊現象。錯誤得到的IMF會對預測精度造成負面影響。在這種情況下，VMD將負荷數據分解為具有不同特征的模態函數，是為了避免出現模態混疊的發生，同時提高信號的分析效果。

由頻率分解和人工智能技術混合組成的方法不但能夠用于負荷預測，而且已經應用于可再生能源的預測。現有文獻中將VMD算法用于風力預測，再用人工智能技術算法估算其分解所得分量，尋找分解水平和分量的穩定性之間的平衡在頻率分解的過程中很有必要的，采用ADF檢驗法來評價獲得分量的穩定性。采用具有噪聲的基于密度的聚類算法尋找任意形狀的簇，且將高密度的點區域劃分為多個簇。分解結果的性能指標仍需要更多關注。