[發明專利]一種基于經驗模態分解的多模型融合售電量預測方法

在審

• 申請號: 202011513820.2
• 申請日: 2020-12-18
• 公開（公告）號: CN112581172A
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 倪平波;劉俊勇;李玉;張強;歐淵;劉友波;沈曉東;唐冬來
• 申請（專利權）人: 四川中電啟明星信息技術有限公司;四川大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q50/06;G06N3/04;G06K9/62;G06K9/00
• 代理公司: 成都時譽知識產權代理事務所(普通合伙) 51250
• 代理人: 葉斌

本發明公開了一種基于經驗模態分解的多模型融合售電量預測方法，涉及電力營銷技術領域，包括以下步驟：步驟1：采用EMD分解算法得到多個不同的子序列；步驟2：依次將序列分為高、中、低頻三類；步驟3：分別使用基于注意力機制的長短時記憶網絡模型、隨機森林模型和XGBoost模型對高、中、低頻序列進行預測，分別得到各個子序列的預測結果；步驟4：疊加并重構各個子序列的預測結果，得到實際的預測結果，本發明所提融合模型對比傳統單模型有更高的預測精度，且相比現有預測算法，融合模型預測更加準確和穩定。

技術領域

本發明涉及電力營銷技術領域，具體為一種基于經驗模態分解的多模型融合售電量預測 方法。

背景技術

隨著新一輪電改的逐步深入，電力交易市場進一步放開，售電市場逐步放開，產生了很 多售電公司，但由于目前國內尚未建立成熟的電力現貨市場機制，偏差電量考核成為了影響 售電公司利潤的一個重要因素[。目前，降低偏差電量的方法多采用精確感知用戶行為、可控 負荷的調整和基于市場交易的方式。但是，可控負荷的調整和基于市場交易的方式，可操作 性差，主要還是停留在概念層面，且能調整的幅度較小。在電力市場背景下，更加精確的用 戶行為感知，將會最小化購售電偏差，降低由于偏差考核較大所帶來的懲罰費用，提高自身 收益。

傳統的用戶行為感知研究主要著眼于負荷預測。節點負荷與運行狀況緊密相關，直接受 到氣候條件等外部因素的影響，故當前的負荷預測主要通過分析外部因素及節點的歷史負荷 數據以實施預測。按照其所采用的預測算法，可以分為兩類：基于統計的方法和人工智能方 法。基于統計分析的方法，主要采用多元回歸分析、自回歸和滑動平均模型(ARMA)等技術 進行。基于人工智能技術的算法，包括傳統的機器學習方法，即通過特征工程構造并提取相 應的特征，并通過支持向量機等機器學習模型進行負荷預測；以及深度學習算法，即基于 LSTM、GRU等神經網絡架構進行特征的自主學習并實施預測。上述提到的應用于負荷預測 的方法基本都是單一模型，文獻[5-6]提出使用模型組合的方式來提高預測精度并增強模型泛 化能力，融合的方法主要是采用簡單的均值計算。然而各個模型對預測結果的作用是不同的， 采用取平均的方法不能體現出這一點。

上述方法可用于日前或月前預測，但無法滿足售電市場中年度雙邊協商交易和月度集中 競價交易對不同時間維度的預測需要。

發明內容

本發明的目的在于克服現有技術的不足，提供一種基于經驗模態分解的多模型融合售電 量預測方法，采用基于經驗模態分解方法將日和月度售電量分解為高、中、低頻分量，構建 三種獨立的基模型，分別對不同頻分量進行預測。基于歷史數據和同期的外部因素，包括時 間和天氣條件等數據，獨立訓練基模型，再將各基模型的輸出進行融合獲得售電量預測數據。

本發明的目的是通過以下技術方案來實現的：

一種基于經驗模態分解的多模型融合售電量預測方法，包括以下步驟：

步驟1：采用EMD分解算法得到多個不同的子序列；

步驟2：依次將序列分為高、中、低頻三類；

步驟3：分別使用基于注意力機制的長短時記憶網絡模型、隨機森林模型和XGBoost模 型對高、中、低頻序列進行預測，分別得到各個子序列的預測結果；

步驟4：疊加并重構各個子序列的預測結果，得到實際的預測結果。

優選的，所述步驟1中采用EMD分解算法得到多個不同的子序列包括以下子步驟：

步驟1.1：根據EMD算法，原始信號x(t)由不同的IMF分量組合而成，求出原始信號x(t) 的極大值和極小值，按照找到的極大值和極小值得到上包絡線x_u(t)和下包絡線x_d(t)；

步驟1.2：根據上包絡線x_u(t)和下包絡線x_d(t)計算均值m(t)和差值d(t)：