基于CEEMD-LSTM的综合能源系统多元负荷预测方法

摘要

本发明提出了一种基于CEEMD‑LSTM的综合能源系统多元负荷预测方法，利用标准分数归一化的方法对原始数据进行预处理，利用Pearson相关系数对负荷预测的影响因素进行分析，筛选出关联度较高的影响因素；采用互补集合经验模态分解法将冷、热、电负荷序列分解为各组本征模态函数(IMF)均值分量并进行筛选保留与负荷预测相关度较高的IMF均值分量；将各组筛选后的IMF均值分量以及天气因素数据输入长短期记忆网络(LSTM)模型进行训练和学习得到最终CEEMD‑LSTM负荷预测模型；将预测的各组IMF均值分量相加并进行归一化逆变换得到最终预测结果。

说明书

技术领域

本发明属于能源系统负荷预测技术领域，尤其是涉及一种基于CEEMD-LSTM的综合能源系统多元负荷预测方法。

背景技术

冷、热、电负荷的供需平衡是综合能源系统安全、稳定运行的前提，灵活、高效、精准的负荷预测是系统规划设计、调度运行的重要环节。为高效、充分、环保地响应终端用户对冷、热、电负荷的需求，综合能源系统将各个能源网络互联以实现在各类能源分配、转化、存储、消费等环节中进行有机协调与优化。同时，大规模可再生能源系统的接入，各个能源系统之间的耦合性增强，对负荷预测的实时性、准确性及可靠性有了更高的要求。因此，冷、热、电负荷的预测对综合能源系统的研究具有重要的工程价值。

冷、热、电负荷具有复杂性、随机性及非线性等特点，在综合能源系统中，短期电负荷具有明显的周期性，相邻日、相似日的负荷曲线具有一定的相似性。短期电负荷及综合能源系统中冷、热负荷受环境因素特别是天气状况的影响较大，与温度、湿度等相关，具有显著的随机性。冷、热、电负荷不仅与自身历史数据有关，各负荷之间也存在着某种相关性，以往的时间序列负荷预测方法仅仅考虑了对应负荷的时间序列，并未将各个负荷之间的影响及相关环境因素考虑在内，冷、热、电负荷预测精度较低。

发明内容

有鉴于此，本发明提出一种基于CEEMD-LSTM的综合能源系统多元负荷预测方法，考虑冷、热、电负荷的特点，通过数据预处理，负荷预测的影响因素筛选，CEEMD分解及筛选IMF分量，LSTM训练和学习，预测结果进行归一化逆变换得到最终预测结果。

一种基于CEEMD-LSTM的综合能源系统多元负荷预测方法，包括：

步骤S110：利用标准分数归一化的方法对原始数据进行预处理；

步骤S120：利用Pearson相关系数对负荷预测的影响因素进行分析，筛选出关联度较高的天气影响因素；

步骤S130：采用CEEMD法将冷、热、电负荷序列分解为各组IMF均值分量，利用Pearson相关系数筛选保留与负荷预测相关度较高的IMF均值分量；

步骤S140：将各组筛选后的IMF均值分量以及天气因素数据输入LSTM模型进行训练和学习，并进行负荷预测；

步骤S150：将预测的各组IMF均值分量叠加重构并进行归一化逆变换得到最终预测结果。

优选地，步骤S110中，将冷、热、电负荷值、温度及湿度数值数据利用标准分数归一化方法进行处理，得到具有零均值和单位方差的标准数据。

进一步，步骤S120包括：分析冷、热、电各负荷变量间及天气因素对冷、热、电负荷预测的影响机理，采用Pearson相关系数计算冷、热、电负荷与天气因素之间的相关性，选择相关性较强的变量构建冷、热、电多元负荷预测的多变量时间序列。

优选地，选择相关系数大于0.2的变量构建冷、热、电多元负荷预测的多变量时间序列。

进一步，步骤S130中，将n时刻的各组IMF均值分量与第n+1时刻的负荷预测数据计算Pearson相关系数，进行清洗处理筛选出相关系数较高的IMF均值分量。

优选地，筛选出相关系数大于0.2的IMF均值分量。

进一步，步骤S140包括：将步骤S130得到的经CEEMD分解后的冷、热、电历史负荷IMF均值分量数据以及温度、湿度天气数据输入LSTM模型，进行不断的训练和学习，利用训练好的模型进行负荷预测。

进一步，步骤S150具体包括：将所述步骤S140得到的CEEMD-LSTM负荷预测模型预测的各组IMF均值分量进行叠加重构并进行归一化的逆变换得到最终的预测结果数值。

优选地，归一化公式为

式中，x为需进行归一化处理的样本值，μ为原始样本数据的均值，δ为原始样本数据的标准差，x

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的基于CEEMD-LSTM的综合能源系统多元负荷预测方法流程图；

图2为本发明实施例提供的综合能源系统结构图；

图3为本发明实施例的LSTM的单元结构图；

图4为本发明实施例提供的总负荷、温度、湿度plotmatrix图；

图5为本发明实例提供的样本冷、热、电负荷plotmatrix图；

图6为本发明实例提供的IMF均值分量分解图；

图7为本发明实例提供的冷负荷预测结果与实际结果对比图；

图8为本发明实例提供的热负荷预测结果与实际结果对比图；

图9为本发明实例提供的电负荷预测结果与实际结果对比图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

随着时代发展，科技进步，生产与消费水平逐渐提高，电网公供电部门的电力工作者们高度重视用电设备和用电质量的要求。电力负荷预测用于安排电网调度计划，提前进行增大或减少供电操作，以减少电力运输中的损耗，提高经济效益，其对保障电力系统安全稳定和经济运行具有重要意义。为进一步提高供电可靠性，改善供电质量，电力负荷预测就要求具有更高的预测精度，因此对电力负荷预测算法的研究已成为智能运行和管理电网的重要研究课题。

基于此，本发明实施例提供的基于CEEMD-LSTM的综合能源系统多元负荷预测方法，考虑冷、热、电负荷的特点，通过数据预处理，负荷预测的影响因素筛选，CEEMD分解及筛选IMF分量，LSTM训练和学习，预测结果进行归一化逆变换得到最终预测结果。

图1为本发明实施例提供的基于CEEMD-LSTM的综合能源系统多元负荷预测方法流程图。

参照图1，基于CEEMD-LSTM的综合能源系统多元负荷预测方法包括以下步骤：

步骤S110，利用标准分数归一化方法对原始数据进行预处理。

本实施例中，具体实现方式包括：将负荷值、温度及湿度等数值数据利用标准分数归一化方法进行处理，最终得到具有零均值和单位方差的标准数据。标准化公式如下：

式中：x为需进行归一化处理的样本值，μ为原始样本数据的均值，δ为原始样本数据的标准差，x

步骤S120，利用Pearson相关系数对负荷预测的影响因素进行分析，筛选出关联度较高的天气影响因素。并构建冷、热、电多元负荷预测的多变量时间序列。

本实施例，优选地，相关系数的计算公式如下式所示：

式中，

取绝对值后的相关系数与相关性划分如表1所示。

表1相关系数与相关性划分

综合能源系统中冷、热、电负荷耦合度高，关联性强，为充分挖掘系统中冷、热、电负荷数据的相关信息，分析各负荷变量间及天气因素对冷、热、电负荷的影响机理，采用Pearson相关系数计算冷、热、电负荷与天气因素之间的相关性，选择相关系数大于0.2的变量构建冷、热、电多元负荷预测的多变量时间序列。

步骤S130，利用CEEMD分解冷、热、电负荷序列得到各组IMF均值分量并进行筛选保留与负荷预测相关度较高的IMF均值分量。

本发明实施例中，步骤S130可用以下步骤实现，包括：

步骤S310，采用CEEMD法将冷、热、电负荷序列分解为各组IMF均值分量；

具体地，步骤S310由如下方式实现：

将数据序列组X记为{X}＝{x

x

式中，w

之后对x

r

IMF

第k个余项r

r

IMF

步骤S320，利用Pearson相关系数筛选保留与负荷预测相关度较高的IMF均值分量；

具体地，步骤320由如下方式实现：

对冷、热、电负荷经CEEMD分解得到的各组IMF均值分量叠加重构出现灰度值过大的情况。将第n时刻的各组IMF均值分量与第n+1时刻的负荷预测数据计算Pearson相关系数，清洗筛选出其中相关系数大于0.2的IMF均值分量进行CEEMD-LSTM模型的负荷预测。

步骤S140，将筛选后的冷、热、电负荷IMF均值分量以及天气因素数据输入LSTM模型进行训练和学习并进行负荷预测；

本发明实施例中，步骤S140可由如下方式实现：

LSTM神经网络的基本单元包含遗忘门、输入门和输出门等特殊结构，LSTM的单元结构如图2所示。遗忘门是由输入状态x

由于以上特殊结构的作用，使得LSTM不仅学习了长时间尺度下的数据规律，还可以体现出短时间尺度下的数据特征，实现了长时间与短时间记忆的结合。相关计算公式如下：

f

i

c

c

o

h

式中：f

步骤S150，将预测的各组IMF均值分量叠加重构并进行归一化逆变换得到最终预测结果。

负荷预测的最终结果需将已预测的各组IMF均值分量叠加重构并根据式(1)进行逆变换得到。

下面通过具体的示例来进行说明。

实验数据来源于某省工业园区综合能源系统，多种类能源负荷采样间隔为15min，9月25日至11月12日共4704组数据作为训练数据，11月13日至11月18日共576组数据作为测试数据。该工业园区综合能源系统由电力系统、热力系统、供冷系统组成，综合能源系统结构图如图3所示，样本总负荷、温度、湿度plotmatrix图如图4所示，样本冷、热、电负荷plotmatrix图如图5所示。采用plotmatrix作图可更直观看出各变量之间的相关性，为下文Pearson相关性计算提出参考。

利用某综合能源系统9月至11月55天共5280组负荷数据以及相应的温度、湿度、风速等天气数据进行Pearson相关性计算结果如表2所示。

表2各影响因素之间Pearson相关系数绝对值

由表2冷、热、电负荷与各影响因素的相关系数数据可知，冷、热、电负荷预测值与历史数据以及温度、湿度之间相关系数的绝对值大于0.2；与风速之间相关系数的绝对值小于0.2。所以仅将冷、热、电负荷历史数据、温度及湿度作为考虑因素。

以综合能源系统中电负荷数据为例进行CEEMD分解分析。经CEEMD分解后电负荷分量个数为11。由于冷、热、电负荷实验数据相同，分量个数均为11。

由于将11组IMF均值分量叠加重构时出现灰度值过大的情况，将11组IMF均值分量与下一时刻的电负荷值做Pearson相关性分析，结果如表3所示。

表3各IMF均值分量的Pearson相关系数

清洗处理筛选出相关系数大于0.2的IMF均值分量，进行后续CEEMD-LSTM模型的负荷预测。共得到8个IMF分量均值IMF

以9月25日至11月12日的冷、热、电负荷数据以及天气数据，预测11月13日11月18日每隔15分钟的冷、热、电负荷数据。其中11月18日预测结果如图7、图8和图9所示。

通过对比图7至图9中11月18日逐时冷、热、电负荷预测结果和实际结果可知：电负荷的预测误差相比于冷、热负荷更大，这是因为电负荷的受控影响因素多，使得负荷曲线波动性较大，预测精度较差；而冷、热负荷惯性较强，且易于储存，负荷曲线波动性较小，预测精度较高。

为了保证实验的公平性，采用了相同数据测试集对不同算法对比评估。测试结果如表4所示。

表4各算法的误差

通过比较不同算法预测结果可知：ARIMA模型、LSTM神经网络和改进的LSTM神经网络都具备逼近冷热电负荷曲线的能力。ARIMA模型和BP神经网络精度较差，LSTM预测精度次之，EMD-LSTM及EEMD-LSTM模型预测误差明显下降，CEEMD-LSTM模型计算精度最高，进而可验证CEEMD在克服模态混叠上的优势。

本发明实施例所提供的基于CEEMD-LSTM的综合能源系统多元负荷预测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。