申请/专利权人：东北电力大学

申请日：2021-11-24

公开（公告）日：2024-04-12

公开（公告）号：CN114091766B

主分类号：G06F18/213

分类号：G06F18/213;G06F18/15;G06N3/0442;G06N3/0499;G06N3/084;G06N3/0985;G06Q50/06;H02J3/00;G06F123/02

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.03.15#实质审查的生效;2022.02.25#公开

摘要：本发明是一种基于CEEMDAN‑LSTM的空间负荷预测方法，其特征是，包括以下步骤：首先基于3σ准则对每个I类元胞的实测负荷数据进行奇异值检测和修正；其次运用自适应噪声完备集合经验模态分解CEEMDAN技术将修正后的I类元胞负荷数据分解为若干个频率不同、幅值不一的本征模态分量；然后对每个本征模态分量分别构建各自的长短期记忆神经网络LSTM模型进行预测；最后将所有本征模态分量预测结果累加起来，从而得到目标年基于I类元胞的空间负荷预测结果，并在此基础上使用空间电力负荷网格化技术求得基于II类元胞的空间负荷预测结果。本方法具有科学合理，准确率高，适用性强，效果佳的优点。

主权项：1.一种基于CEEMDAN-LSTM的空间负荷预测方法，其特征是，它包括利用3σ准则确定每个I类元胞各日负荷的合理最大值、采用CEEMDAN技术将各I类元胞历史负荷的日合理最大值时间序列分别分解为多个IMF分量、对分解得到的每个IMF分量分别构建对应的LSTM模型并进行预测，具体内容为：1利用3σ准则确定每个I类元胞各日负荷的合理最大值利用3σ准则对各I类元胞历史负荷的实测数据依次进行奇异值检测并修正，从而确定出每个I类元胞各日负荷的合理最大值，具体做法如下：将具有s个数据的样本记为[X1,X2,…,Xs]；①先计算整个样本的算数平均值以及样本中每一个数据X1,X2,…,Xs对应的残余误差V1,V2,…,Vs，用公式1和公式2来计算： 式中，p＝1,2,…,s，s是样本中数据的个数；Xp是样本中的第p个数据；Vp是样本中第p个数据的残余误差；②再求出整个样本的标准偏差σ，用公式3来计算： ③将每个数据的残余误差V1,V2,…,Vs取绝对值之后依次与3σ进行比较，Vp满足式4，则认为与Vp对应的Xp是奇异数据；|Vp|＞3σ42采用CEEMDAN技术将各I类元胞历史负荷的日合理最大值时间序列分别分解为多个IMF分量采用CEEMDAN算法将各I类元胞历史负荷的日合理最大值时间序列分别分解为不同时间尺度下的多个IMF分量；CEEMDAN是一种在经验模态分解算法基础上改进的算法，CEEMDAN算法是在数据分解的每个阶段都添加自适应的白噪声序列，能实现在降低平均次数下提取不同时间尺度上的负荷序列特征信息，并得到重构误差接近于0的若干IMF分量，既避免了模态混叠现象的出现，也解决了集合经验模态分解重构误差大的问题，具体内容如下：定义Yj·为通过经验模态分解获得的第j个IMF分量的计算算子；fn为原始负荷时间序列；β为自适应系数；bln代表第l次实验时加入的具有标准正态分布的白噪声序列；fln为第l次实验添加完标准正态分布白噪声后的负荷时间序列；为第l次经验模态分解时得到的第k个IMF分量；k＝1,2,…,K，K表示经经验模态分解后产生的IMF分量的个数；为CEEMDAN产生的第m个IMF分量；m＝1,2,…,M，M表示经CEEMDAN分解后产生的IMF分量个数；①对原始负荷时间序列fn进行d次实验，分别形成d个新的负荷时间序列，计算公式为式5：fln＝fn+β0bln5式中，l＝1,2,…,d，d为实验次数；β0为初始自适应系数；②对每个新的负荷时间序列分别进行经验模态分解，取出各自的第一个IMF分量并计算其平均值，得到CEEMDAN的第一个IMF分量和第一个残余分量r1n,计算公式为式6和7： ③对残余分量r1n进行d次实验，构建出d个新的序列r1n+β1Y1bln，对每个新序列分别进行经验模态分解直至得到第一个IMF分量，求其平均值进而得到CEEMDAN的第二个IMF分量计算公式为式8： 式中，β1为第二个自适应系数；④对其余的每个阶段，经过计算可得到CEEMDAN的第e个残余分量ren和第e+1个IMF分量计算公式为式9和式10： 式中，e＝2,3,…,M；βe为第e+1个自适应系数；⑤重复执行步骤④，直至所获得的残余分量极值点个数至多不超过两个时，经验模态分解不再分解，算法终止，算法终止时，CEEMDAN分解产生的IMF分量个数为M个，原始信号序列fn最终被分解为M个IMF分量和一个最终的残余分量Rn，公式为式11： 3对分解得到的每个IMF分量分别构建对应的LSTM模型并进行预测①选用LSTM神经网络作为预测模型LSTM神经网络是一种特殊的循环神经网络，它在循环神经网络的基础上，加入了三个“门”结构和一个记忆单元，以各I类元胞历史负荷的日合理最大值时间序列为基础，对各序列分解得到的IMF分量分别搭建各自的LSTM神经网络模型，预测目标年中所有I类元胞各日负荷的最大值，进而得出所有I类元胞的年负荷最大值；一个LSTM神经网络由输入层、隐含层和输出层三部分组成，其中隐含层是由若干个记忆单元模块组成；在t时刻时，一个记忆单元模块的输入由t时刻的输入向量xt、上一时刻记忆单元的状态ct-1、和上一时刻隐含层的状态ht-1三部分组成；输出由该时刻记忆单元的状态ct以及该时刻隐含层的状态ht两部分组成；模块内部包含三个门：遗忘门、输入门和输出门；其中，遗忘门以一定的概率控制是否遗忘上一时刻的记忆单元细胞信息；输入门决定了当前时刻输入的信息有多少保存至当前单元状态；输出门决定了当前单元最终要输出的信息，其计算公式如式12-15所示；ft＝SigWhfht-1+Uxfxt+Bf12it＝SigWhiht-1+Uxixt+Bi13vt＝TanhWhcht-1+Uxcxt+Bc14ot＝SigWhoht-1+Uxoxt+Bo15式中，ft、it、ot分别为遗忘门、输入门和输出门的输出结果，vt表示输入至单元的新信息，Whc、Uxc分别表示ht-1、xt与vt的连接权值矩阵；Whf、Whi、Who分别为遗忘门、输入门、输出门对应于ht-1的权值矩阵，Uxf、Uxi、Uxo为遗忘门、输入门、输出门对应于xt的权值矩阵，Bf、Bi、Bo分别为遗忘门、输入门、输出门的偏置向量；Bc为新信息的偏置向量；Sig表示sigmoid激活函数，输入经过激活函数后可将输出控制在[0,1]之间；Tanh为双曲正切激活函数，将输出缩放在-1,1之间；记忆单元模块在t时刻的外部输出信息ct、ht的计算公式为16-17：ct＝ft⊙ct-1+it⊙vt16ht＝ot⊙Tanhct17式中：⊙为点乘之意，即矩阵中对应元素分别相乘；②确定LSTM神经网络的超参数在构建LSTM神经网络预测模型时，需要先确定模型的以下超参数：输入层维数、输入层时间步数、隐含层层数、隐含层神经元个数以及输出层神经元个数；其中，输入层维数、输入层时间步数以及输出层神经元个数由输入和输出的数据来决定；而隐含层及其神经元的数量会影响到神经网络训练和预测的效果，因此要综合考虑模型的学习能力与训练的复杂程度，合理地选择隐含层及其神经元的数量；③对LSTM神经网络进行训练采用随时间反向传播算法，结合设定的超参数，对LSTM神经网络进行训练；具体训练步骤如下：a.将训练数据通过输入层传入到神经网络后，通过LSTM神经元初始的权值和偏置值前向计算得到预测值；b.根据设定的损失函数公式反向计算得到每个LSTM神经网络神经元的误差项；c.选择合适的优化器，通过误差项来调整权值和偏置值以最小化损失函数；在经过权值和偏置值的多次调整后，预测值逐渐逼近期望值，进而得到有效的预测模型。

全文数据：

权利要求：

百度查询： 东北电力大学 基于CEEMDAN-LSTM的空间负荷预测方法

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