[發(fā)明專利]一種基于二維經(jīng)驗?zāi)B(tài)分解的門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202210132616.9
• 申請日: 2022-02-14
• 公開（公告）號: CN114611758A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計）人: 汪洋;朱弘歷;劉超
• 申請（專利權(quán)）人: 江蘇大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08;H02J3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種基于二維經(jīng)驗?zāi)B(tài)分解的門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測方法，該方法包括如下步驟：首先根據(jù)原始負(fù)荷時間序列每小時的最小值和最大值來獲得負(fù)荷區(qū)間，并通過復(fù)值變換得到區(qū)間復(fù)值序列；再通過二維經(jīng)驗?zāi)B(tài)分解(BEMD)將復(fù)值序列分解為有限個二維模態(tài)分量和一個殘差分量，提取和識別數(shù)據(jù)的波動特征；其次，利用多元多尺度排列熵(MMPE)對各二維模態(tài)分量進行復(fù)雜度分析，重構(gòu)分解后的二維模態(tài)分量以捕獲內(nèi)部因素，減少估計誤差的累積；接著利用門控循環(huán)單元(GRU)同步預(yù)測各分量的上下界；最后，將各個分量的上下界預(yù)測結(jié)果分別相加集成得到最終區(qū)間預(yù)測值。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于二維經(jīng)驗?zāi)B(tài)分解的門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測方法，屬于電力系統(tǒng)的負(fù)荷預(yù)測技術(shù)領(lǐng)域。

背景技術(shù)

隨著電能與居民生活、工農(nóng)業(yè)生產(chǎn)、社會發(fā)展關(guān)系愈加密切，智能電網(wǎng)的建設(shè)工作的進一步推進，逐步積累了海量的電力數(shù)據(jù)，并且整體數(shù)據(jù)量每年增長20％，由TB級向PB級發(fā)展。因此，智能電網(wǎng)需要進一步的提升數(shù)據(jù)存儲、數(shù)據(jù)挖掘以及模式識別的能力，需有效減少損耗、提升一次能源的利用率；提前制定精確的發(fā)電計劃和合理的調(diào)度方案是提高電網(wǎng)穩(wěn)定性和經(jīng)濟性的重要手段。而建立準(zhǔn)確的負(fù)荷預(yù)測模型不僅可以保證能及時調(diào)整電網(wǎng)運行方式、準(zhǔn)確編制事故處置預(yù)案，確保電網(wǎng)經(jīng)濟、穩(wěn)定運行，還可以節(jié)約發(fā)電成本，提高經(jīng)濟效益。

傳統(tǒng)的離散時間序列數(shù)據(jù)無法反映觀測對象的所有取值和變化范圍，而區(qū)間值序列由某一特定時期的峰值和低谷值組成，是一種特殊形式的時間序列，使用區(qū)間數(shù)據(jù)可以包含更多的有效信息，如同一時期的變化和趨勢。另外，與傳統(tǒng)的點值時間序列相比，區(qū)間時間序列數(shù)據(jù)的獨特表現(xiàn)形式使得其建模過程更加復(fù)雜，難度更大，較于點預(yù)測更具有挑戰(zhàn)性。區(qū)間負(fù)荷預(yù)測是電力行業(yè)運行決策和電力系統(tǒng)規(guī)劃的重要風(fēng)險管理工具，先前的研究很少關(guān)注電力負(fù)荷的區(qū)間預(yù)測，大多沒有考慮區(qū)間上下界之間可能存在的關(guān)聯(lián)，因此，研究開發(fā)區(qū)間負(fù)荷預(yù)測方法具有重要的理論和現(xiàn)實意義。

傳統(tǒng)的用負(fù)荷預(yù)測方法包括線性回歸分析、趨勢外推法以及周期因子模型法等。而這些預(yù)測方法在處理非線性、非平穩(wěn)、高復(fù)雜性的時間序列時，預(yù)測效果并不理想。因此，為了簡化和劃分復(fù)雜數(shù)據(jù)，越來越多的學(xué)者采用經(jīng)驗?zāi)B(tài)分解(EMD)對負(fù)荷數(shù)據(jù)進行分解。EMD是一種直觀的、自適應(yīng)的信號處理技術(shù)，可以將非平穩(wěn)、復(fù)雜的信號分解為幾個獨立的本征模態(tài)函數(shù)(IMFs)和一個殘差項(RES)。然而，EMD只能處理一維時間序列，BEMD可適用于處理復(fù)值信號，因此本發(fā)明采用BEMD對負(fù)荷數(shù)據(jù)進行分解。與單一模型相比，從原始數(shù)據(jù)分解后的模態(tài)分量進行負(fù)荷建模預(yù)測會增加復(fù)雜度和計算量，因此采用元多尺度排列熵(MMPE)對各分解后的二維模態(tài)分量進行復(fù)雜度分析，將復(fù)雜度低的模態(tài)分量相加為一個新的分量，降低計算復(fù)雜度，減少預(yù)測誤差的累計，提高負(fù)荷預(yù)測模型的魯棒性及預(yù)測率。長短期記憶神經(jīng)(LSTM)網(wǎng)絡(luò)是一種廣泛應(yīng)用的循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，它對數(shù)據(jù)時序性的適應(yīng)能力很強，但其參數(shù)量較多、模型收斂速度較慢；而門控循環(huán)單元網(wǎng)絡(luò)(GRU)是一種基于LSTM的優(yōu)化網(wǎng)絡(luò)，其簡化了LSTM的內(nèi)部單元結(jié)構(gòu)，在保證較高預(yù)測精度的同時可有效縮短模型的訓(xùn)練時間。因此，本發(fā)明提出了一種基于二維經(jīng)驗?zāi)B(tài)分解的門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測算法。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)的不足，解決了EMD只能處理一維時間序列，以及分解后的模態(tài)分量預(yù)測會導(dǎo)致計算復(fù)雜度高等問題，提出了一種基于二維經(jīng)驗?zāi)B(tài)分解的負(fù)荷預(yù)測算法，該預(yù)測模型不僅可以挖掘海量電力負(fù)荷數(shù)據(jù)的特征信息，還可以提高預(yù)測模型的預(yù)測精度及魯棒性。

為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了如下的技術(shù)方案：

一種基于二維經(jīng)驗?zāi)B(tài)分解的門控循環(huán)單元網(wǎng)絡(luò)負(fù)荷預(yù)測方法，包括如下步驟：

S1.通過智能電表采集用戶負(fù)荷數(shù)據(jù)，得到原始用電負(fù)荷數(shù)據(jù)，根據(jù)一定的時間尺度構(gòu)造區(qū)間復(fù)值序列；

S2.通過二維經(jīng)驗?zāi)B(tài)分解BEMD算法對區(qū)間復(fù)值序列進行分解，將其根據(jù)本身所具有的特點分解為若干對相互獨立、且擁有不一樣尺度特征的模態(tài)分量IMF和一對殘差序列；