公开/公告号CN112488396A
专利类型发明专利
公开/公告日2021-03-12
原文格式PDF
申请/专利号CN202011387066.2
申请日2020-12-01
分类号G06Q10/04(20120101);G06F30/27(20200101);G06N3/04(20060101);G06F17/14(20060101);G06F17/18(20060101);G06Q50/06(20120101);
代理机构35100 福州元创专利商标代理有限公司;
代理人陈明鑫;蔡学俊
地址 350003 福建省福州市鼓楼区五四路257号
入库时间 2023-06-19 10:11:51
技术领域
本发明涉及电力负荷预测领域,具体涉及一种基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法。
背景技术
负荷预测不仅对电网系统经济可靠的运行起着极为关键的作用,而且在电力交易市场中也占据着十分重要的地位。精准的负荷预测对发电企业来说,有利于合理安排电网运行方式以及制定合理的电源建设规划,而对售电公司来说,有助于其在现货市场的电量交易实现最大化利润,同时也可以为企业用户做好节能等增值服务。现阶段,我国售电公司的数量逐年增加,这时负荷预测能力的强弱,将决定售电公司在市场的竞争能力,因为若没有准确的负荷预测结果,售电公司无法在现货市场给出合理有效的报价,容易造成高额的偏差费用,所以,负荷预测的能力对如今的售电公司来说是至关重要的。
发明内容
有鉴于此,本发明的目的在于提供一种基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法,结合Holt-Winters和LSTM,有效提高电力负荷预测的可靠性。
为实现上述目的,本发明采用如下技术方案:
一种基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法,包括以下步骤:
步骤S1:获取电力用户负荷的实际用能数据,并预处理;
步骤S2:根据预处理后的负荷数据,采取预设阈值的小波去噪剔除负荷数据中的潜在噪声,并进行离散小波分解;
步骤S3:根据分解后的各层小波系数作为训练样本构建并训练Holt-Winters模型;
步骤S4:根据预处理后的负荷数据,采用深度学习框架搭建深度长短时记忆网络模型;
步骤S5:将Holt-Winters模型和深度长短时记忆网络模型进行组合,并计算各模型在组合模型中的权重;
步骤S6:根据得到的权重,对Holt-Winters模型和深度长短时记忆网络模型输出进行加权平均得到最终预测曲线。
进一步的,所述预处理包括对负值、空值、零值、异常值的剔除处理以及归一化处理。
进一步的,所述归一化处理具体为:
式中,P
进一步的,所述步骤S3具体为:
步骤S31:对离散信号进行分解得到对应的小波系数,分解公式如下所示:
根据小波系数构建新的离散信号,重构公式如下所示:
公式可简写为:
式中,
步骤S32:Holt-Winters模型由三个指数平滑方程和一个预测方程组成,具体的公式如下所示:
s
t
p
x
式中,s
进一步的,所述Holt-Winters模型在训练过程中使用PSO算法来对模型的参数进行优化,具体为:使用PSO算法寻找Holt-Winters模型中季节参数l的最优值,算法的适应度函数为Holt-Winters模型的预测值与测试样本真实值的平均绝对误差,计算公式如下所示:
式中,y
进一步的,所述步骤S5具体为:
步骤S51:根据两个模型的拟合效果,确定两个预测模型在组合模型中的权重ω
式中:f
步骤S52:根据最优化理论,将损失函数定义为预测误差误差平方和最小,公式如下所示:
并且满足条件:
式中,e
步骤S53:将Holt-Winters模型和LSTM模型的权重分别设置为ω
Y
通过两个模型的预测误差得到两个模型误差的方差及协方差,分别设为σ
本发明与现有技术相比具有以下有益效果:
本发明结合Holt-Winters和LSTM,有效提高电力负荷预测的可靠性。
附图说明
图1是本发明方法的原理框图;
图2是本发明一实施例中基于小波变换的季节性Holt-Winters原理图;
图3是本发明一实施例中LSTM细胞单元结构图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法,包括以下步骤:
步骤S1:获取电力用户负荷的实际用能数据,并预处理;
在本实施例中,获取周期为一年、时间分辨率为15min的电力用户负荷的实际用能数据,由于数据库中的负荷数据是计量电表经过多次传输后的结果,每次的传输过程都有可能出现意外因素从而影响最终数据的准确性,为减少这些数据对模型预测性能的影响,在进行实验前需要先对原始数据进行预处理操作。其中包括但不限于负值、空值、零值、异常值处理。
为了消除变量之间的量纲及数量级的不同,对预处理后的负荷数据进行归一化处理。归一化方法采用了最大最小归一化方法,将所有用户用电负荷数据归一化到[0,1]区间,仅保留用户用电负荷曲线的用电习惯和特点,以便于寻找用户用电模式之间的相似性。其归一化公司如下所示:
式中,P
步骤S2:根据预处理后的负荷数据,采取预设阈值的小波去噪剔除负荷数据中的潜在噪声,并进行离散小波分解;
在本实施例中,将归一化后的负荷数据绘制为日用电负荷曲线,由于原始数据得到的日负荷曲线比较曲折,且存在较多的毛刺,为了让模型在训练时能更好的拟合输入的负荷序列,以寻找到最优参数,采取合适阈值的小波去噪剔除负荷数据中的潜在噪声,对经过小波去噪后的负荷数据进行离散小波分解。如图2所示,采取Daubechies8小波(简称db8)作为母小波,选择分解的层数为3,同时对曲线进行一定程度的平滑,在过滤噪声数据的同时保留曲线特征。
步骤S3:根据分解后的各层小波系数作为训练样本构建并训练Holt-Winters模型;具体为:
步骤S31:对离散信号进行分解得到对应的小波系数,分解公式如下所示:
根据小波系数构建新的离散信号,重构公式如下所示:
公式可简写为:
式中,
步骤S32:电力负荷受到不同季节的环境温度、湿度、日照、降雨量等气象因子的明显影响,所以负荷数据具有明显的季节特征的时间序列。Holt-Winters模型是建立在指数平滑法的基础上,专门对具有季节性特征的时间序列进行预测的方法。指数平滑法的核心思想就是通过对历史数据的加权求和来预测观察点的数据大小,而每个历史数据点的权重大小与该点离预测点的距离相关,距离越远,权值就越小。Holt-Winters模型是在原本的平滑公式中增加了季节分量,即Holt-Winters模型不仅对历史数据进行加权求和,还对数据的趋势和季节特征进行加权求和。Holt-Winters模型由三个指数平滑方程和一个预测方程组成,具体的公式如下所示:
s
t
p
x
式中,s
优选的,所述Holt-Winters模型在训练过程中使用PSO算法来对模型的参数进行优化,具体为:使用PSO算法寻找Holt-Winters模型中季节参数l的最优值,算法的适应度函数为Holt-Winters模型的预测值与测试样本真实值的平均绝对误差,计算公式如下所示:
式中,y
步骤S4:根据预处理后的负荷数据,采用深度学习框架搭建深度长短时记忆网络模型;
在本实施例中,LSTM的细胞单元结构如图3所示,LSTM的细胞单元具有三个门,分别是Input Gate(输入门),Forget Gate(遗忘门),Output Gate(输出门)。输入门用来控制信息输入,遗忘门用来控制细胞历史状态信息的保留,输出门用来控制信息输出。激活函数使得遗忘门的输出值在[0,1]之间,当遗忘门输出为0的时候,表示将上一状态的信息全部丢弃;为1的时候,表示上一状态的信息全部保留。其计算过程如下所示:
f
i
o
h
式中,x
在模型搭建过程中,通过设计模型的输出方式使得负荷的预测模型为直接多步预测,即可直接预测未来多个时间段的电力用户负荷曲线。
步骤S5:将Holt-Winters模型和深度长短时记忆网络模型进行组合,并计算各模型在组合模型中的权重;具体为:
步骤S51:根据两个模型的拟合效果,确定两个预测模型在组合模型中的权重ω
式中:f
步骤S52:根据最优化理论,将损失函数定义为预测误差误差平方和最小,公式如下所示:
并且满足条件:
式中,e
步骤S53:将Holt-Winters模型和LSTM模型的权重分别设置为ω
Y
通过两个模型的预测误差得到两个模型误差的方差及协方差,分别设为σ
步骤S6:根据得到的权重,对Holt-Winters模型和深度长短时记忆网络模型输出进行加权平均得到最终预测曲线。
在本实施例中,将原始数据分为训练数据和测试数据以确定算法预测精确度。随机取80%作为训练样本,20%作为测试样本。用训练好的模型进行性能测试,得到训练模型的性能评价指标。模型的性能性能指标为相分比误差MAPE和均方根误差RMSE值,指标值越小,说明预测精度越高,两性能指标的计算公式如下:
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
机译: 基于半监督学习和LSTM模型的词语级情感嵌入对话的LSTM情感分类方法
机译: 基于SSAE-LSTM模型的深孔加工刀具磨损的方法
机译: 基于半监督学习和LSTM模型的词语级情绪嵌入对话中的情感分类方法