[發明專利]一種基于VDM分解與LSTM改進的短期負荷預測方法及系統

有效

• 申請號: 202110259198.5
• 申請日: 2021-03-10
• 公開（公告）號: CN112884236B
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 歐陽孟可;沈衛康;成徽;石凱
• 申請（專利權）人: 南京工程學院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/0442;G06N3/08
• 代理公司: 南京源古知識產權代理事務所(普通合伙) 32300
• 代理人: 鄭宜梅

本發明公開了一種基于VDM分解與LSTM改進的短期負荷預測方法及系統，包括數據清洗、智能預測、多目標優化和綜合評價；通過對于缺失值采用最近鄰法進行填充，對于非線性、波動的負荷數據采用VDM技術分解成多個相對平穩的子序列；再通過近似熵的方法將多個相對平穩的子序列優化重組成3個序列分量；在此基礎上，對分解出的三個主要的分量進行LST網絡在模型訓練；在迭代過程中加入注意力機制來對不同特征的參數分配不同的權重，在梯度求解過程中，添加蝗蟲算法，實現求解過程加快和避免局部最優解的情況。本發明提供的短期負荷預測，很好的適應于電力負荷各分量復雜組成的情況。

技術領域

本發明涉及電力系統及電力市場技術領域，具體涉及一種基于VDM分解與LSTM改進的短期負荷預測方法及系統。

背景技術

電力負荷預測在電網規劃和運行方面起著重要的作用，精準的負荷預測不僅可以為電力規劃做出指導，還可以保障電力系統的可靠運行、降低成本和電網安全。電力負荷預測的精度直接關系到電網的供需平衡，也影響著電網的運行成本。電力負荷預測不但為電力系統安全、經濟運行提供了保障，也為市場環境下編排調度、供電計劃提供重要的依據。

由于電力需求側的特點，千家萬戶、千變萬化、千姿百態，具有隨機變化性強，非線性顯著，近年來，對于需求側負荷預測的研究工作也傾向于先對負荷進行分解之后再進行預測，也產生了很多負荷分解方法。由于單一的預測方法都有其局限性，因此組合預測的方法應運而生。第一類方法是進行多組單一方法預測，將預測結果通過權重分配進行組合得到預測結果。但是，基于權重的組合預測算法中模型的拓展性較差。第二類方法即為負荷分解的方法，最早用的是小波變化和EMD分解。由于小波變換需要自己設置小波基有時候會出現局部缺失最優解的情況、EMD分解會出現模態重疊。因此出現了變分模態分解。變分模態分解(VDM分解)是一種自適應、完全非遞歸的模態變分和信號處理的方法。變分模態分解可以將非平穩波動的時間序列通過搜索和求解的方式，自適應地匹配每種模態的最佳中心頻率和有限帶寬，從而實現固有模態分量(IMF)的有效分離。

對于提高負荷預測的精度，國內外學者做了大量的研究與應用。傳統的負荷預測方法有多元線性回歸模型、指數平滑法、ARMA模型法等。這些模型簡單，擬合速度塊，但面對海量樣本數據以及非平穩的電力負荷，擬合效果較差。LSTM網絡是一種具有記憶的神經網絡模型，使得處理時序的屬性數據具有很好的效果。標準LSTM網絡架構中的核心單元，主要通過通入門、遺忘門以及輸出門這三個門達到了對網絡具有記憶效果。蝗蟲優化算法(GAO)作為智能優化算法，通過初始化種群的初始狀態，在通過迭代過程中，更新蝗蟲的位置，并計算更新后的蝗蟲適應度，并與歷史最佳進行比較，若適應度優于歷史最佳則更新，否則不更新。

現有技術論文《基于WD-LSSVM-LSTM模型的短期電力負荷預測》，作者趙倩，鄭貴林；公開了提出一種基于小波分析、粒子群優化(PSO)算法、最小二乘支持向量機(LSSVM)和長短時記憶網絡(LSTM)的預測模型。該方法通過對用電負荷進行小波分解和重構得到與原始數據長度相同的分量，對低頻分量建立LSSVM預測模型并利用PSO算法找出最優參數，對高頻分量建立LSTM預測模型，將各分量預測結果組合實現最終的負荷預測。本方法中采用小波變化對負荷數據進行分解，分解成低頻分量和高頻分量。然后對低頻分量采用LSSVM建模和高頻分量采用LSTM建模，在網絡優化的過程中采用APSO進行網絡參數的優化，在小波變換的過程中，我們需要手動定義小波基，并且在處理過程中會出現局部無法適應的情況。

發明內容

1.所要解決的技術問題：