[發(fā)明專利]一種基于VDM分解與LSTM改進(jìn)的短期負(fù)荷預(yù)測(cè)方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202110259198.5
• 申請(qǐng)日: 2021-03-10
• 公開（公告）號(hào): CN112884236B
• 公開（公告）日: 2023-08-18
• 發(fā)明（設(shè)計(jì)）人: 歐陽孟可;沈衛(wèi)康;成徽;石凱
• 申請(qǐng)（專利權(quán)）人: 南京工程學(xué)院
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/0442;G06N3/08
• 代理公司: 南京源古知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32300
• 代理人: 鄭宜梅

1.一種基于VDM分解與LSTM改進(jìn)的短期負(fù)荷預(yù)測(cè)方法，其特征在于：包括以下步驟：

步驟一：獲取需要預(yù)測(cè)的區(qū)域最近一定時(shí)間段內(nèi)的電力負(fù)荷數(shù)據(jù)，數(shù)據(jù)間隔為預(yù)設(shè)的時(shí)間，從而構(gòu)成原始電力負(fù)荷數(shù)據(jù)集；

步驟二：對(duì)步驟一獲取的原始數(shù)據(jù)集中缺失的數(shù)據(jù)采用最鄰近法進(jìn)行填充，形成完整的電力負(fù)荷數(shù)據(jù)集；

步驟三：對(duì)電力負(fù)荷數(shù)據(jù)集進(jìn)行變分模態(tài)分解，即通過搜索和求解過程自適應(yīng)地匹配每種模態(tài)的最佳中心頻率和有限帶寬將波動(dòng)、非線性的負(fù)荷數(shù)據(jù)分解成k個(gè)固有的模態(tài)分量；

步驟四：將步驟三中得到的k個(gè)模態(tài)分量，采用近似熵方法計(jì)算各個(gè)模態(tài)的復(fù)雜度，并將近似的熵值進(jìn)行合并，最終得到三個(gè)主要的分量；

步驟五：將每個(gè)分量按照預(yù)設(shè)的比例都分成訓(xùn)練集和測(cè)試集，并再將訓(xùn)練集按照預(yù)設(shè)的比例分成新的訓(xùn)練集和驗(yàn)證集；

步驟六：構(gòu)建深度學(xué)習(xí)混合GAO-Attention—LSTM模型：對(duì)每一個(gè)分量搭建LSTM網(wǎng)絡(luò)模型，并初始化模型參數(shù)；所述模型參數(shù)包括輸入門及其權(quán)重矩陣w和偏置向量b、遺忘門及其權(quán)重矩陣w和偏置向量b、輸出門及其權(quán)重矩陣w和偏置向量b；利用注意力機(jī)制對(duì)模型隱藏層不同的權(quán)重分配不同的值，并采用蝗蟲算法對(duì)預(yù)測(cè)模型參數(shù)進(jìn)行優(yōu)化；在迭代過程中，首先使用隨機(jī)批量法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，每迭代100個(gè)steps時(shí)，使用驗(yàn)證集對(duì)訓(xùn)練的模型參數(shù)進(jìn)行驗(yàn)證，若RMSE結(jié)果優(yōu)于前次訓(xùn)練的，則將模型參數(shù)進(jìn)行保存，否則訓(xùn)練模型丟棄；

步驟七：將步驟六通過迭代得到最優(yōu)的初始化參數(shù)結(jié)果放入測(cè)試集進(jìn)行預(yù)測(cè)，并對(duì)每個(gè)子模態(tài)的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)重構(gòu)得到最終預(yù)測(cè)結(jié)果；利用RMSE值進(jìn)行預(yù)測(cè)結(jié)果評(píng)判，若擬合效果大于等于預(yù)設(shè)的RMSE值，則將對(duì)應(yīng)的LSTM中的權(quán)重和偏置進(jìn)行保存；否則調(diào)整學(xué)習(xí)率和迭代次數(shù)，重新執(zhí)行步驟六，直至擬合效果大于等于預(yù)設(shè)的RMSE值；

步驟二中的最鄰近法具體為：根據(jù)歐式距離來確定距離缺失數(shù)據(jù)樣本最近的A個(gè)樣本，其中A為樣本總數(shù)量的20％，將這A個(gè)數(shù)據(jù)對(duì)應(yīng)的值加權(quán)平均來估計(jì)該樣本的缺失數(shù)據(jù)值；

步驟三中變分模態(tài)分解的具體過程為：

步驟31：初始化模態(tài)函數(shù)中心頻率Language乘法算子λ¹和最大迭代次數(shù)N；

步驟32：利用公式(1)和(2)更新和w_k；

步驟33：利用公式(3)更新

步驟34：精度收斂；預(yù)設(shè)噪聲容忍度ε＝10^-6，若不滿足，且迭代次數(shù)nN則返回步驟32；否則即判斷完成迭代，輸出最終的和w_k；

2.根據(jù)權(quán)利要求1所述的一種基于VDM分解與LSTM改進(jìn)的短期負(fù)荷預(yù)測(cè)方法，其特征在于：步驟三中對(duì)電力負(fù)荷數(shù)據(jù)集進(jìn)行變分模態(tài)分解，分解成4個(gè)固有的模態(tài)分量。

3.根據(jù)權(quán)利要求1所述的一種基于VDM分解與LSTM改進(jìn)的短期負(fù)荷預(yù)測(cè)方法，其特征在于：步驟四中合并后的三個(gè)主要分量分別為趨勢(shì)分量、細(xì)節(jié)分量、隨機(jī)分量。

4.根據(jù)權(quán)利要求1所述的一種基于VDM分解與LSTM改進(jìn)的短期負(fù)荷預(yù)測(cè)方法，其特征在于：步驟五中電力負(fù)荷數(shù)據(jù)集按照4：1分成訓(xùn)練集和測(cè)試集，在將訓(xùn)練集按照4：1分成新的訓(xùn)練集和驗(yàn)證集。

5.根據(jù)權(quán)利要求1所述的一種基于VDM分解與LSTM改進(jìn)的短期負(fù)荷預(yù)測(cè)方法，其特征在于：步驟六構(gòu)建深度學(xué)習(xí)混合GAO-Attention——LSTM模型基于深度學(xué)習(xí)環(huán)境平臺(tái)；所述深度學(xué)習(xí)環(huán)境平臺(tái)的操作系統(tǒng)為Ubuntu20.04、編程軟件為Pycharm、深度學(xué)習(xí)框架為Pytorch1.7；構(gòu)建GAO-Attention——LSTM模型具體包括以下步驟：

步驟61：采用小批量梯度下降方法讀取每個(gè)分量的訓(xùn)練集中的每個(gè)數(shù)據(jù)，并且對(duì)讀取的數(shù)據(jù)進(jìn)行增維操作使其成為三維數(shù)據(jù)；設(shè)置LSTM隱藏層個(gè)數(shù)以及dropout值；

步驟62：將LSTM隱藏層最后一個(gè)輸出作為注意力層的輸入，再根據(jù)權(quán)重計(jì)算初始化的參數(shù)的概率；

步驟63：采用智能蝗蟲優(yōu)化算法進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化，得到最優(yōu)的權(quán)值矩陣。