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。