考虑EEMD分解后重构准确性的电力负荷预测方法及系统

摘要

本发明提出了考虑EEMD分解后重构准确性的电力负荷预测方法及系统，包括：对原始负荷进行EEMD分解获得多个本征模态分量和一个残余分量；从多个本征模态分量中筛选出有效的本征模态分量，并针对上述各分量分别建立基于BO‑LSTM的预测模型，获得分量预测信号；利用极限学习机算法将各分量预测信号进行融合以获得最终的预测信号。本发明可以有效抑制上述缺陷对最终预测结果的影响，能够有效提高EEMD分解后重构的准确性，进而提高了电力负荷预测精度。

说明书

技术领域

本发明属于环保和能源中的负荷预测技术领域，尤其涉及考虑EEMD分解后重构准确性的电力负荷预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

减少发电侧一次能源消耗、开展用户侧需求响应是实现节能减排计划的重中之重，而电力负荷预测技术的发展是实现上述目标的重要基础，精准的负荷预测对电网系统经济、高效、稳定运行具有重要意义。

为了滤除信号噪声、提取信号稳定分量、提高负荷预测精度，信号分解与重构技术被引入预测模型。最常用的信号分解方法包括小波分解、EMD分解和EEMD分解技术。其中，EEMD分解相比其它两项分解技术具有得天独厚的优势。一方面，EEMD分解克服了小波分解人为选取母函数和分解层数的缺点；另一方面，EEMD分解又不会产生EMD分解的模态混叠现象。但是，EEMD算法在分解的过程中引入了高斯白噪声，分解之后的信号会存在残余的白噪声，且在应用相关系数法选取有效的本征模态分量时完全依靠经验确定，缺乏科学依据。

现有技术EEMD分解后重构技术是在应用EEMD分解算法处理原始信号进而将各分量预测信号进行重构时采用直接相加的处理方法。将各分量预测信号直接相加的重构方式既没有对分量信号残余白噪声进行处理，也没有考虑相关系数法确定有效本征模态分量时人为经验对预测结果的影响，导致在将EEMD分解后的各分量信号进行预测、重构时，会降低最终预测结果的准确度，即缺乏对EEMD分解后重构准确性的考量。

发明内容

为克服上述现有技术的不足，本发明提供了考虑EEMD分解后重构准确性的电力负荷预测方法，可以有效抑制上述缺陷对最终预测结果的影响。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

第一方面，公开了考虑EEMD分解后重构准确性的电力负荷预测方法，包括：

对原始负荷进行EEMD分解获得多个本征模态分量和一个残余分量；

从多个本征模态分量中筛选出有效的本征模态分量，并针对上述各分量分别建立基于BO-LSTM的预测模型，获得分量预测信号；

利用极限学习机算法将各分量预测信号进行融合以获得最终的预测信号。

进一步的技术方案，还包括对原始负荷进行EEMD分解的预处理步骤，具体为对原始负荷中的缺失值和噪声数据的处理。

进一步的技术方案，筛选出有效的本征模态分量时，利用皮尔逊相关系数法计算各本征模态分量与原始信号之间的线性相关性，并选取相关性大于设定值的信号作为有效分量信号。

进一步的技术方案，对于经皮尔逊相关系数法筛选出的有效分量信号进行标准化处理。

进一步的技术方案，建立基于BO-LSTM的预测模型之后，对训练集数据处理获得各分量预测结果之后，将各分量预测信号去除最后一个点作为输入一起送入ELM网络，输出设置为与分量信号相对应的未经EEMD分解的原始信号。

进一步的技术方案，利用贝叶斯优化算法调试ELM网络超参数，从而ELM学习各分量预测信号之间的非线性关系。

进一步的技术方案，利用均方根误差、均方误差和平均绝对误差评估预测模型性能。

第二方面，公开了考虑EEMD分解后重构准确性的电力负荷预测系统，包括：

EEMD分解模块，被配置为：对原始负荷进行EEMD分解获得多个本征模态分量和一个残余分量；

预测模型建立模块，被配置为：从多个本征模态分量中筛选出有效的本征模态分量，并针对上述各分量分别建立基于BO-LSTM的预测模型；

预测信号获得模块，被配置为：利用预测模型获得分量预测信号，利用极限学习机算法将各分量预测信号进行融合以获得最终的预测信号。

以上一个或多个技术方案存在以下有益效果：

针对现有负荷预测技术在应用EEMD分解时没有考虑分量信号重构准确性的缺陷，本发明提出了一种考虑EEMD分解后重构准确性的负荷超短期预测方案。在EEMD-BO-LSTM模型的基础上设计ELM信号融合层，通过深度学习技术融合EEMD分解之后的各分量预测信号之间的非线性关系，可以有效抑制上述缺陷对最终预测结果的影响，能够有效提高EEMD分解后重构的准确性，进而提高了电力负荷预测精度。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例的流程图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

参见附图1所示，本实施例公开了考虑EEMD分解后重构准确性的电力负荷预测方法，包括：

首先，对原始负荷进行EEMD(Ensemble Empirical Mode Decomposition)分解获得多个本征模态分量和一个残余分量；

然后利用皮尔逊相关系数法筛选出有效的本征模态分量，并针对上述各分量分别建立基于BO(Bayesian Optimization)-LSTM(Long Short-Term Memory)的预测模型获得分量预测信号；

最后利用极限学习机算法(extreme learning machine，ELM)将各分量预测信号进行融合从而获得最终的预测信号。

在具体对原始负荷进行EEMD分解之前还包括数据纠错的步骤：

数据纠错处理的主要目的是防止异常数据对预测结果产生负面影响。异常值主要是指原始数据集中的缺失值和噪声数据。对于缺失值，采用同类均值插补法。即首先利用层次聚类模型确定缺失值的类型，然后计算该类型数据的均值进行插补。对于噪声数据，利用分箱法进行处理。即根据噪声数据周围的邻近值来做局部光滑处理。

EEMD分解：将经过数据纠错处理之后的原始信号送入EEMD模型，从而获得多个本征模态分量和一个残余分量。对本征模态分量采取皮尔逊相关系数法分析，筛选出相关性高的有效分量信号，一个残余分量舍弃。

具体的，电力负荷预测为例，则电力负荷的历史数据就是原始信号。

选取有效分量：利用皮尔逊相关系数法计算各本征模态分量与原始信号之间的线性相关性，并选取相关性大于0.7的信号作为有效分量信号。

数据标准化处理：对于经皮尔逊相关系数法筛选出的有效分量信号，采取z-score标准化方法进行处理，获得均值为0，方差为1的新序列。

建立EEMD-B0-LSTM预测模型：针对各EEMD分解和皮尔逊相关系数法分析之后产生的各信号分量分别建立B0-LSTM超短期负荷预测模型。在对时间序列数据即原始信号进行预测时，可以通过引入隐藏层来实现。时间序列是一种特殊的序列形式，将会增加输入变量之间的序列依赖性。传统的循环神经网络(Recurrent Neural Network,RNN)模型，在训练的过程中会发生因梯度消失而导致的无法训练长期依赖信息的问题。

各信号分量具体为：EEMD分解将产生n个本征模态分量和一个残余分量，残余分量直接舍弃，n个本征模态分量用皮尔逊相关系数法进行筛选。

LSTM是对长期依赖和短期依赖都能进行有效训练的算法。而利用贝叶斯优化神经网络超参数的过程可以视为通过特定方法寻找代理函数来拟合超参数与模型评价之间关系的过程，贝叶斯网络负责筛选出有希望的超参数组合进行迭代，最终输出效果最佳的超参数组合。

贝叶斯优化问题可分为四大组成部分，分别为：目标函数、域空间、优化算法、结果历史记录。其中，目标函数在预测模型中可以设置为使用某组超参数在验证集上的损失函数(loss)、精准度(accuracy)或均方根误差(Root Mean Squard Error，RMSE)等模型评价指标函数。域空间是指我们设置的各超参数的取值范围。优化算法是指构造代理函数以及构造采集函数确定下一组超参数的方法。结果历史记录将存储对各组超参数的评估结果。

上述目标函数使用RMSE，公式为

设计ELM信号融合层：将训练集数据送入B0-LSTM模型获得各分量预测结果之后，将各分量预测信号去除最后一个点(训练集单步超短期预测的结果)后作为输入一起送入ELM网络，输出设置为与分量信号相对应的未经EEMD分解的原始信号。同时利用贝叶斯优化算法调试ELM网络超参数，从而ELM可以很好的学习各分量预测信号之间的非线性关系。最后将训练结束的BO-LSTM-ELM模型转移至测试集进行验证。

EEMD-BO-LSTM-ELM模型性能评估：通过测试集数据验证本发明的预测精度，利用均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE)评估本发明的预测模型性能。

本发明提出的一种考虑EEMD分解后重构准确性的负荷超短期预测犯法，通过为预测模型设计ELM信号融合层来降低EEMD分解过程中残余的白噪声并克服选取有效本征模态分量时完全依靠经验确定的缺陷，从而进一步提高超短期电力负荷预测的精度，本申请输出的是未来15min的一个点的电力负荷数据，本发明对EEMD分解后重构的两大缺陷做了考量，创新性的利用ELM设计分量预测信号的融合层，通过学习各分量预测信号之间的非线性关系来克服EEMD分解后重构的缺陷。

实施例二

本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。

实施例三

本实施例的目的是提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。

实施例四

本实施例的目的是提供考虑EEMD分解后重构准确性的电力负荷预测系统，包括：

EEMD分解模块，被配置为：对原始负荷进行EEMD分解获得多个本征模态分量和一个残余分量；

预测模型建立模块，被配置为：从多个本征模态分量中筛选出有效的本征模态分量，并针对上述各分量分别建立基于BO-LSTM的预测模型；

预测信号获得模块，被配置为：利用预测模型获得分量预测信号，利用极限学习机算法将各分量预测信号进行融合以获得最终的预测信号。

以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。