[發(fā)明專利]基于經驗模態(tài)分解和深度神經網(wǎng)絡的負荷預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110024109.9
• 申請日: 2021-01-08
• 公開（公告）號: CN112803398A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設計）人: 張成剛;熊峰;付卓林;王碟;蘇志華;柳碩
• 申請（專利權）人: 武漢數(shù)澎科技有限公司
• 主分類號: H02J3/00
• 分類號: H02J3/00;G06N3/04;G06N3/08
• 代理公司: 湖北創(chuàng)融藍圖知識產權代理事務所(特殊普通合伙) 42276
• 代理人: 陳沖

本發(fā)明公開了一種基于經驗模態(tài)分解和深度神經網(wǎng)絡的負荷預測方法及系統(tǒng)。先采集一時間序列的初始用電負荷數(shù)據(jù)；再對初始用電負荷數(shù)據(jù)進行經驗模態(tài)分解，得到一系列固有模態(tài)函數(shù)和殘差；將固有模態(tài)函數(shù)和殘差轉換為數(shù)據(jù)矩陣；再將數(shù)據(jù)矩陣輸入到卷積神經網(wǎng)絡模型中，得到特征向量；將特征向量和一時間序列的初始用電負荷數(shù)據(jù)輸入到長短期記憶網(wǎng)絡模型中，得到預測的電力負荷數(shù)據(jù)。本發(fā)明通過經驗模態(tài)分解將初始用電負荷數(shù)據(jù)分解成具有不同特征尺度的本質模態(tài)函數(shù)，使負荷數(shù)據(jù)的周期性更為明顯，強化了卷積神經網(wǎng)絡和長短期記憶網(wǎng)絡的特征提取能力，提取多模態(tài)時空特征，可以獲得更多的潛在信息，從而能夠提供更精確的電力負荷預測結果。

技術領域

本發(fā)明涉及負荷預測技術領域，尤其涉及基于經驗模態(tài)分解和深度神經網(wǎng)絡的負荷預測方法及系統(tǒng)。

背景技術

負荷預測對電力系統(tǒng)的可靠運行具有重要意義，在電網(wǎng)的能源管理、經濟調度和維護規(guī)劃中發(fā)揮著至關重要的作用。一般來說，電力負荷預測按時間范圍可分為:短期負荷預測(STLF)、中期負荷預測(MTLF)和長期負荷預測(LTLF)。其中，STLF側重于預測未來幾分鐘內的負載，最多一周。隨著電力行業(yè)的放松管制，STLF已成為開放電力市場中電力公司和電力供應商最重要的任務之一。一個準確可靠的STLF有利于未來智能電網(wǎng)的策略設計、可靠性估計、安全性分析和現(xiàn)貨價格計算。

在過去的幾十年里，研究人員開發(fā)了各種STLF算法。用于STLF的代表性方法大致可分為三類:回歸法、相似日法和機器學習方法。其中，回歸法在處理線性負荷預測任務時，能夠得到負荷與其影響因素之間的定量關系。但是，線性回歸方法對于分析負荷與電價的關系等非線性問題是不夠的。而相似日法是簡單和直觀的，其如果單獨被使用，并不能勝任捕獲復雜的負載特性?，F(xiàn)有的短期負荷預測方法是以深度神經網(wǎng)絡為基本模型構成。但是，當負載數(shù)據(jù)具有較高的波動性和不確定性時，單獨使用卷積神經網(wǎng)絡并不能提供良好的準確性。

綜上所述，現(xiàn)有的短期負荷預測方法并不能滿足日益復雜的電網(wǎng)對負荷預測精確度的需求。

發(fā)明內容

本發(fā)明通過提供一種基于經驗模態(tài)分解和深度神經網(wǎng)絡的負荷預測方法及系統(tǒng)，解決了現(xiàn)有的短期負荷預測方法并不能滿足日益復雜的電網(wǎng)對負荷預測精確度的需求的技術問題，能夠提供更精確的電力負荷預測結果。

本發(fā)明提供了一種基于經驗模態(tài)分解和深度神經網(wǎng)絡的負荷預測方法，包括：

采集一時間序列的初始用電負荷數(shù)據(jù)；

對所述一時間序列的初始用電負荷數(shù)據(jù)進行經驗模態(tài)分解，得到一系列固有模態(tài)函數(shù)和殘差；

將所述一系列固有模態(tài)函數(shù)和殘差轉換為數(shù)據(jù)矩陣；

將所述數(shù)據(jù)矩陣輸入到卷積神經網(wǎng)絡模型中，得到特征向量；

將所述特征向量和所述一時間序列的初始用電負荷數(shù)據(jù)輸入到長短期記憶網(wǎng)絡模型中，得到預測的電力負荷數(shù)據(jù)。

進一步地，在所述采集一時間序列的初始用電負荷數(shù)據(jù)之后，還包括：

判斷是否每個預設時間點都有對應的初始用電負荷數(shù)據(jù)；

若沒有，用與所述預設時間點對應的預設用電負荷數(shù)據(jù)作為與所述預設時間點對應的初始用電負荷數(shù)據(jù)；

和/或，

判斷所述初始用電負荷數(shù)據(jù)是否在預設用電負荷數(shù)據(jù)閾值范圍內；

若初始用電負荷數(shù)據(jù)不在所述預設用電負荷數(shù)據(jù)閾值范圍內，用與該初始用電負荷數(shù)據(jù)對應時間點的預設用電負荷數(shù)據(jù)替換該初始用電負荷數(shù)據(jù)。

進一步地，所述對所述一時間序列的初始用電負荷數(shù)據(jù)進行經驗模態(tài)分解，得到一系列固有模態(tài)函數(shù)和殘差，包括：

步驟1：識別所述初始用電負荷數(shù)據(jù)y(t)中所有的局部極大值和極小值；