申请/专利权人：福建华鼎智造技术有限公司

申请日：2023-12-26

公开（公告）日：2024-03-12

公开（公告）号：CN117458489B

主分类号：H02J3/00

分类号：H02J3/00;G06Q30/0201;G06Q50/06;G06N3/0442;G06N3/045;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2024.02.13#实质审查的生效;2024.01.26#公开

摘要：本发明公开了一种电价和多维时序变量的EMD‑Bi‑LSTM短期预测方法，涉及储能系统相关领域，将实时电价波动和多维时序变量纳入负荷预测模型中，通过综合考虑实时电价的波动以及气象、假期等多维时序变量的影响，能够更准确地预测电力市场改革和智能电网建设背景下的负荷需求；通过采用经验模态分解（EMD）方法对原始负荷数据和实时电价进行分解，并使用Bi‑LSTM模型进行预测，能够更好地捕捉负荷信号的特性以及处理负荷数据的非平稳性和突变情况，为电力系统的负荷管理和调度提供可靠支持。

主权项：1.一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法，其特征在于：包括以下步骤：步骤一：确定系统采集的电价序列、电力负荷时间序列、负荷数据、气象因子、假期日类型、时间序列、实时电价相关因素为样本特征，通过拉格朗日插值法对缺失值进行补足，对异常值进行选择剔除，利用Pearson相关度对全部特征量进行打分排名；步骤二：利用EMD算法将步骤一中的电价序列和电力负荷时间序列进行平稳化处理，得到用于预测的本征模态，具体得到历史负荷序列和实时电价EMD分解结果；步骤三：根据步骤二中得到的历史负荷序列和实时电价EMD分解结果，为避免时间序列的非平稳性在回归过程中所产生的伪回归现象，在建立模型之前需要对每个时间序列进行ADF单位根检验，筛选分解的平稳序列，筛选内容具体为历史负荷、实时电价分量；步骤四：根据步骤三中通过ADF单位根检验的历史负荷、实时电价分量，以及步骤一中气象因子、假期日类型相关特征重新构造新的数据集；步骤五：构建多维时序变量的EMD-Bi-LSTM深度学习模型，利用网格搜索进行深层神经网络的超参数调节，结合Adam算法对目标函数进行优化；步骤六：预测每个本征模函数，根据步骤三中的历史负荷和实时电价分量以及步骤一中的气象因子、假期日类型特征构造数据集，采用超参优化后的混合模型Bi-LSTM，将每个分量的预测结果合并，以给予总体预测；所述步骤一中还包括：步骤1.1：利用拉格朗日插值法对负荷数据、实时电价分量中的空缺值做填补，利用箱型图识别异常值；步骤1.2：针对气象因子，考虑天气状况，具体为最高温度、最低温度、湿度、风速相关特征；针对假期日类型，分解提取出特征，将其转化成可识别的数字信号；使用one-hot编码将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点，让特征之间的距离计算更加合理；步骤1.3：根据皮尔逊相关度对全部特征量进行打分排序；利用Pearson相关度对电力负荷时间序列及其他特征量进行打分排名，根据阈值筛选相关系数矩阵，获取相关性≥阈值的特征列，如以下公式所示； ； 表示Pearson相关系数，表示样本数量，和分别表示第个样本的两个变量的取值，和分别表示两个变量的均值；其中，样本对象为电力负荷时间序列及气象因子、假期日类型数据，此处表示电力负荷时间序列，表示气象因子、假期日类型特征数据列；所述步骤一中的步骤1.1还包括：步骤1.1.1：利用个离散点，通过插值函数即可得到插值多项式，如以下两个公式所示： ； ；式中为插值函数；为插值多项式；利用已知的数求出拉格朗日插值多项式，再将待求节点代入该多项式，求出目标值，完成对负荷数据、实时电价中的空缺值填补；步骤1.1.2：利用箱型图识别异常值，异常值被定义为大于或小于的值，是上四分位数，表示全部观察值中有的数据比他大，是下四分位数，表示全部数据中有的数据比他小，是四分位间距，是和的差，其间包含了观察值的一半；步骤1.1.3：数据归一化，用线性函数归一化方法将原始数据转换到范围，如以下公式所示： ；其中，是原始数据，和分别是原始数据的最小值和最大值；是归一化后的标准数据；所述步骤二中还包括：步骤2.1：应用EMD算法对电力负荷时间序列进行经验模态分解，得到k个IMF分量和一个残差分量；步骤2.2：同步骤2.1，应用EMD算法对电价序列进行经验模态分解，得到k个IMF分量和一个残差分量；所述步骤二中的步骤2.1还包括：步骤2.1.1：将步骤一中电力负荷时间序列进行进一步预处理，使用差分或滤波器方法去除趋势和季节性成分，使其满足EMD算法的要求；步骤2.1.2：输入电力负荷时间序列作为初始序列，对初始序列执行以下过程，直到满足停止准则：a.通过求取序列的极大值和极小值来提取序列中的局部极值点，构成上下包络线；b.计算上下包络线的平均值，得到当前序列的均值函数，均值函数公式如以下公式所示： ；其中，是均值函数，是上包络线，是下包络线；c.通过将当前序列减去均值函数，得到当前序列的一维内禀模态函数IMF，IMF公式如以下公式所示： ；其中，是当前得到的IMF，是当前序列；d.判断当前得到的IMF是否是一个合格的IMF；合格的IMF需要满足两个条件：在序列中的极值点数目和跨越零点的次数相同或相差不超过1；在整个序列上，极值点处的振幅的平均值为零；e.如果当前得到的IMF不符合合格IMF的条件，则将其作为新的初始序列，并重复步骤2.1.2；f.如果当前得到的IMF符合合格IMF的条件，则将其保存，并将其从初始序列中减去；g.将步骤2.1.2得到的IMF累加，得到最终的分解结果；步骤2.1.3：残差分量定义为最终的分解结果中剩余的序列，即未被分解的部分；所述步骤三中还包括：步骤3.1：提出原假设H0是时间序列具有单位根，即非平稳性；备择假设H1是时间序列是平稳的；步骤3.2：检验回归模型中的系数γ是否显著不为零，ADF单位根检验的回归模型如以下公式所示： ；其中，表示一阶差分运算，表示时间序列，表示时间，是常数项，是时间趋势项，和是回归系数，是滞后阶数，是误差项；步骤3.3：如果显著不为零，则可以拒绝原假设，认为时间序列是平稳的；如果不显著不为零，则无法拒绝原假设，认为时间序列具有单位根，即非平稳的；步骤3.4：筛选通过ADF单位根的历史负荷、实时电价分量；所述步骤五中还包括：步骤5.1：针对搭建Bi-LSTM网络，初始化一个Sequential模型，添加Embedding层、双向LSTM层、输出层；步骤5.2：针对Bi-LSTM神经网络的结构类型超参数，通过网格搜索穷举法列出不同的参数组合，确定性能最优的结构，确定学习率、批次大小、隐含层的数量和单元数、权重初始化；步骤5.3：针对Bi-LSTM神经网络的训练类型超参数，通过Adam算法纠正学习率消失、收敛过慢或是高方差的参数更新导致损失函数波动较大的问题；所述步骤5.3中Adam算法的原理过程如下：步骤5.3.1：初始化参数；学习率、衰减率一、衰减率二、小数值；步骤5.3.2：初始化变量；动量变量、学习率变量、迭代次数；步骤5.3.3：在每次迭代中，计算梯度；步骤5.3.4：更新动量变量和学习率变量；动量更新；学习率更新；步骤5.3.5：根据动量和学习率的更新计算参数更新量；动量校正：；学习率校正：；参数更新：；步骤5.3.6：更新参数；步骤5.3.7：增加迭代次数；步骤5.3.8：重复步骤5.3.3到步骤5.3.7，直到达到设定的迭代次数或满足终止条件。

全文数据：

权利要求：

百度查询： 福建华鼎智造技术有限公司 一种电价和多维时序变量的EMD-Bi-LSTM短期预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD