本發(fā)明屬于電力負(fù)荷預(yù)測(cè)，涉及一種電力負(fù)荷預(yù)測(cè)方法及系統(tǒng)，具體涉及一種基于改進(jìn)灰狼優(yōu)化算法和vmd-wpe-cnn-bilstm-am的負(fù)荷預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、電力負(fù)荷預(yù)測(cè)在電力系統(tǒng)的規(guī)劃和運(yùn)行中扮演著重要的角色。它不僅是確保電力供需平衡、維護(hù)電網(wǎng)穩(wěn)定性的基礎(chǔ)，還直接影響電力公司的經(jīng)濟(jì)效益和投資決策。準(zhǔn)確的負(fù)荷預(yù)測(cè)能夠幫助優(yōu)化發(fā)電資源配置，降低運(yùn)營(yíng)成本，同時(shí)為電力基礎(chǔ)設(shè)施投資提供可靠依據(jù)。在當(dāng)前能源結(jié)構(gòu)轉(zhuǎn)型和智能電網(wǎng)發(fā)展的背景下，負(fù)荷預(yù)測(cè)的重要性更加凸顯，精準(zhǔn)可靠的負(fù)荷預(yù)測(cè)可以確保電力系統(tǒng)穩(wěn)定可靠運(yùn)行并實(shí)現(xiàn)電能智能調(diào)度，降低電力系統(tǒng)運(yùn)營(yíng)成本，因此，提高電力負(fù)荷預(yù)測(cè)的準(zhǔn)確性對(duì)于實(shí)現(xiàn)電力系統(tǒng)的高效、經(jīng)濟(jì)、可靠運(yùn)行具有重大意義。

2、當(dāng)下電力負(fù)荷預(yù)測(cè)主要有機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方法，然而單一的預(yù)測(cè)模型往往效果不佳，同時(shí)由于電力負(fù)荷具有高復(fù)雜性和非線性強(qiáng)的特點(diǎn)，故而其預(yù)測(cè)結(jié)果通常較差。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于改進(jìn)灰狼優(yōu)化算法和vmd-wpe-cnn-bilstm-am的負(fù)荷預(yù)測(cè)方法及系統(tǒng)。

2、本發(fā)明的方法采用的技術(shù)方案是：一種基于改進(jìn)灰狼優(yōu)化算法的電力負(fù)荷預(yù)測(cè)方法，包括以下步驟：

3、步驟1：對(duì)原始數(shù)據(jù)進(jìn)行歸一化預(yù)處理，所述原始數(shù)據(jù)包括電力負(fù)荷、溫度、濕度、氣壓、風(fēng)速、降雨量、電價(jià)、是否為工作日、用電時(shí)段等

4、步驟2：對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行變分模態(tài)分解，獲得 l個(gè)有限帶寬的子序列imf1、imf2、…、imfl；其中，使用改進(jìn)灰狼優(yōu)化算法對(duì)變分模態(tài)分解的模態(tài)數(shù) k和懲罰因子進(jìn)行尋優(yōu)；

5、所述改進(jìn)灰狼優(yōu)化算法，首先使用logistic混沌映射進(jìn)行種群初始化，然后融合差分變異和人工兔擾動(dòng)變異來(lái)進(jìn)行灰狼位置變異，最后在灰狼最優(yōu)位置處進(jìn)行精英反向?qū)W習(xí)變異；

6、步驟3：計(jì)算得到的各子序列的加權(quán)排列熵，將加權(quán)排列熵值相近的分量進(jìn)行聚合重構(gòu)；

7、步驟4：將聚合重構(gòu)后的子序列分別帶入預(yù)測(cè)模型進(jìn)行預(yù)測(cè)，將預(yù)測(cè)結(jié)果進(jìn)行疊加得到最終的預(yù)測(cè)結(jié)果。

8、作為優(yōu)選，步驟1中所述歸一化預(yù)處理，采用公式為：

9、；

10、其中，為處理后的數(shù)據(jù)， x為原始數(shù)據(jù)，和分別是原始數(shù)據(jù)中最大值以及最小值。

11、作為優(yōu)選，步驟2中，所述變分模態(tài)分解，采用的約束變分模型為：

12、；

13、其中，表示 t時(shí)刻第 k個(gè)模態(tài)分量，為的中心頻率；為拉格朗日算子；為單位脈沖函數(shù)；為偏導(dǎo)運(yùn)算；為卷積運(yùn)算； j表示虛數(shù)單位；為待分解的信號(hào)序列，<>為內(nèi)積運(yùn)算符；

14、步驟2的具體實(shí)現(xiàn)過(guò)程是：

15、首先在頻譜中進(jìn)行如下迭代：

16、；

17、；

18、式中：為的傅里葉變換； n表示第 n次迭代， i表示第 i個(gè)固有模態(tài)函數(shù)；表示第 n+1次迭代時(shí)，第 i個(gè)模態(tài)分量傅里葉變換后的頻域表達(dá)；表示第 n次迭代時(shí)，拉格朗日算子傅里葉變換后的頻域表達(dá)；表示第 n次迭代時(shí)，第 k個(gè)模態(tài)分量的中心頻率；表示頻率；

19、然后對(duì)進(jìn)行迭代，為拉格朗日算子更新的參數(shù)；

20、最后通過(guò)計(jì)算得到迭代停止條件，為預(yù)先設(shè)定的允許誤差；迭代完成后輸出分解后得到的各個(gè)子序列。

21、作為優(yōu)選，步驟2中，所述使用改進(jìn)灰狼優(yōu)化算法對(duì)變分模態(tài)分解的模態(tài)數(shù)k和懲罰因子進(jìn)行尋優(yōu)，具體實(shí)現(xiàn)包括以下子步驟：

22、（1）設(shè)置變分模態(tài)分解參數(shù)范圍，初始化灰狼優(yōu)化算法；

23、（2）計(jì)算適應(yīng)度函數(shù)值wfe，并記錄最佳個(gè)體位置；

24、首先計(jì)算輸入的原始信號(hào)幅值h，若變分模態(tài)分解后得到m個(gè)分量，計(jì)算各分量的模糊熵值，之后計(jì)算各分量的平均幅值；在改進(jìn)灰狼優(yōu)化算法優(yōu)化變分模態(tài)分解時(shí)，適應(yīng)度函數(shù)最終的表達(dá)式為：

25、；

26、；

27、（3）判斷是否滿足最大迭代次數(shù)，若是，選取wfe最小時(shí)的模態(tài)數(shù)k和懲罰因子作為變分模態(tài)分解參數(shù)輸出；若否，則更新灰狼位置并回轉(zhuǎn)執(zhí)行步驟（2）。

28、作為優(yōu)選，步驟2中，使用logistic混沌映射進(jìn)行灰狼優(yōu)化算法種群初始化，采用公式為：

29、；

30、式中：為第 n個(gè)混沌數(shù)， n為迭代次數(shù)；為控制參數(shù)，為[0,4]間實(shí)數(shù)；是[0,1]區(qū)間，這是受計(jì)算式的值域范圍所確定的。

31、作為優(yōu)選，步驟2中所述融合差分變異和人工兔擾動(dòng)變異來(lái)進(jìn)行灰狼位置變異；變異后的灰狼位置為：

32、；

33、式中：，，； t為當(dāng)前迭代次數(shù)；為第次迭代時(shí)灰狼位置，為變異后產(chǎn)生的新的位置，為當(dāng)前最優(yōu)位置， f為(0，1)間的隨機(jī)值；為服從正太分布的某一數(shù)，和均為(0，1)間隨機(jī)值；表示1到d之間的隨機(jī)整數(shù)值；為最大迭代次數(shù)；d?為變量維度；round為四舍五入取整函數(shù)；?g為判斷因子，為(0，1)間隨機(jī)值，當(dāng)g小于等于0.5的時(shí)候采用差分變異改變灰狼位置，當(dāng)g大于0.5的時(shí)候采用人工兔擾動(dòng)變異來(lái)改變灰狼位置。

34、作為優(yōu)選，步驟2中所述在灰狼最優(yōu)位置處進(jìn)行精英反向?qū)W習(xí)變異，采用公式為：

35、；

36、式中：為精英反向?qū)W習(xí)生成的最優(yōu)位置；為(0，1)間隨機(jī)數(shù)；和分別為灰狼最優(yōu)位置的最小值和最大值。

37、作為優(yōu)選，步驟3的具體實(shí)現(xiàn)包括以下子步驟：

38、步驟3.1：針對(duì)子序列進(jìn)行 m維相空間重構(gòu)，獲得子序列組；

39、；

40、其中，1≤ i≤ n，為延遲時(shí)間， m為嵌入維數(shù)，n為時(shí)間序列長(zhǎng)度；

41、步驟3.2：計(jì)算各子序列權(quán)重 ωi；

42、；

43、步驟3.3：計(jì)算各子序列排序形式的加權(quán)概率；

44、；

45、其中，為的排序形式 πk；

46、步驟3.4：計(jì)算子序列x i的wpe值；

47、。

48、作為優(yōu)選，步驟4中所述預(yù)測(cè)模型，為訓(xùn)練好的預(yù)測(cè)模型；所述預(yù)測(cè)模型，為卷積神經(jīng)網(wǎng)絡(luò)cnn、雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)bi-lstm和注意力網(wǎng)絡(luò)attention相結(jié)合的模型；

49、訓(xùn)練時(shí)，使用cnn對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，之后bi-lstm將經(jīng)過(guò)cnn提取特征后的信息進(jìn)行訓(xùn)練，同時(shí)加入注意機(jī)制am，使得預(yù)測(cè)模型在訓(xùn)練的時(shí)候更加注重對(duì)預(yù)測(cè)結(jié)果權(quán)重大的特征的信息。

50、本發(fā)明的系統(tǒng)采用的技術(shù)方案是：一種基于改進(jìn)灰狼優(yōu)化算法的電力負(fù)荷預(yù)測(cè)系統(tǒng)，包括：

51、一個(gè)或多個(gè)處理器；

52、存儲(chǔ)裝置，用于存儲(chǔ)一個(gè)或多個(gè)程序，當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行時(shí)，使得所述一個(gè)或多個(gè)處理器實(shí)現(xiàn)所述的基于改進(jìn)灰狼優(yōu)化算法的電力負(fù)荷預(yù)測(cè)方法。

53、相對(duì)于現(xiàn)有技術(shù)，本發(fā)明的有益效果包括：

54、（1）本發(fā)明采用多個(gè)策略對(duì)灰狼優(yōu)化算法（gwo）進(jìn)行改進(jìn)，從而提升了算法的全局搜索能力，尋優(yōu)精度和迭代速度，使得算法具有更好的尋優(yōu)性能。

55、（2）本發(fā)明使用多策略改進(jìn)灰狼優(yōu)化算法（msgwo）對(duì)變分模態(tài)分解（vmd）進(jìn)行參數(shù)尋優(yōu)，并依據(jù)尋優(yōu)的參數(shù)對(duì)原始數(shù)據(jù)進(jìn)行分解，充分降低了數(shù)據(jù)的復(fù)雜度和非線性，為后續(xù)的預(yù)測(cè)奠定了很好的數(shù)據(jù)輸入模型。

56、（3）本發(fā)明使用cnn-bi-lstm-am相結(jié)合的預(yù)測(cè)模型來(lái)進(jìn)行預(yù)測(cè)，充分發(fā)揮了各個(gè)模型的特點(diǎn)，大幅度提升了預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性。

57、（4）本發(fā)明針對(duì)預(yù)測(cè)模型超參數(shù)選取困難的問(wèn)題，使用msgwo來(lái)對(duì)cnn-bi-lstm-am模型進(jìn)行超參數(shù)尋優(yōu)，從而獲取了最優(yōu)超參數(shù)模型，進(jìn)一步提升了預(yù)測(cè)精度。

58、（5）本發(fā)明依據(jù)各分量的加權(quán)排列熵（wpe）對(duì)vmd分解得到的各分量進(jìn)行聚合重構(gòu)，很好地保留了各分量?jī)?nèi)在的聯(lián)系，也減少了后續(xù)的預(yù)測(cè)建模的工作量。