[发明专利]变分模态分解与深度信念网络的短期负荷预测方法

说明书

技术领域

本发明涉及一种电力系统短期负荷预测方法，对电力系统负荷进行预测，属于电力系统技术领域。

背景技术

电力系统短期负荷预测是根据历史负荷变化规律，结合气象、经济等因素对未来几天或几小时负荷进行科学预测。准确的负荷预测是安排电力生产调度、设备检修计划的重要决策依据。因此，有必要研究负荷预测的新方法及新技术，以提高负荷预测精度与可靠性，满足工程技术要求。

如今，随着智能电网的建设发展、高级量测体系等智能传感设备安装与应用，电力系统获得了呈指数级增长的多源、多态、异构数据，如何利用这些海量负荷数据，并结合大数据处理技术解决电力系统复杂高维问题将成为未来电网发展的挑战。同时，深度学习理论作为当下人工智能领域的研究热点，在语音识别、图像处理、机器翻译等方面取得瞩目成绩，也引发了电力行业关注。作为深度学习家族中的一员，深度信念网络(deep belief network,DBN)吸引了众多学者目光。DBN由多层受限玻尔兹曼机(restricted Boltzmann machine,RBM)堆叠组成，首先采用对比散度(contrastive divergence,CD)算法逐层训练网络参数，然后基于误差反向传播对参数进行微调，最终获得参数最优解。而RBM作为一种有效的特征处理方法，能够胜任电力系统负荷预测高维、复杂、非线性问题求解。同时，求解DBN参数时，将庞大样本量的训练集事先分成小批量数据进行计算，提高了训练效率。目前，国内很少有研究者应用DBN建立负荷预测模型。本发明利用DBN建立负荷预测方法，具有较好的预测性能。由于DBN对海量数据的适应性，本发明提出的方法对未来电力大数据环境下负荷预测建模具有一定的参考意义。

为进一步提高短期负荷预测精度，许多学者提出了组合预测模型。一种做法是将不同模型预测结果通过一定的权重组合获得最终的组合预测结果；另一种广泛采用的方法是首先对原始负荷序列进行预处理，将其分解成特征互异的多个分量，然后对每个分量分别建立预测模型，将各分量预测结果叠加获得最终的预测值。原始负荷序列经分解后，既可以细致研究负荷局部变化信息，挖掘隐含的内在规律，又可以把握负荷总体变化趋势，从而提高了预测精度。因此，为细致分析负荷的周期性、随机性变化特点，本发明采用新型自适应信号处理方法—变分模态分解(variational mode decomposition,VMD)，将原始负荷序列分解为一系列特征互异的子序列，即模态函数。然后对每一模态函数进行建模分析，根据其变化特点采用互信息理论选取有效的输入变量，最终构建基于DBN的短期负荷预测方法，并通过提前24h预测场景验证本发明方法的有效性。

发明内容

发明目的：本发明针对现有电力系统负荷预测技术中存在的问题，如面对海量精细化负荷数据时，一般负荷预测方法运行效率低，难以处理高维、复杂、非线性回归的问题，提供一种基于深度信念网络的快速高效短期负荷预测方法，用于处理海量负荷样本问题。同时，为有效选取出对负荷具有较大贡献的输入变量集合，采用互信息理论度量两变量间的相关性，从而避免人工经验选取输入变量的不足，提高工程适应性。此外，为细致分析负荷的周期性、随机性变化特点，本发明采用新型自适应信号处理方法—变分模态分解，将原始负荷序列分解为一系列特征互异的子序列，即模态函数。然后对每一模态函数进行建模分析，根据其变化特点采用互信息理论选取有效的输入变量，最终构建基于DBN的短期负荷预测方法，并通过提前24h负荷预测场景验证本发明方法的有效性。

技术方案：一种基于变分模态分解与深度信念网络的短期负荷预测方法，包括以下步骤：

1)获取电力系统短期负荷预测所需的基本数据：历史负荷数据和气象数据；其中历史负荷数据为历史日每日间隔1h的整点时刻负荷数据，气象数据包括整点时刻环境温度、预测日日期类型等影响因素；

2)采用变分模态分解方法将原始历史负荷数据分解为一系列特征互异的模态函数；

3)采用近似熵计算各模态函数复杂度，将近似熵值相近的模态函数合并为新序列，形成随机分量、细节分量和趋势分量，并对每个分量进行特征分析；

4)为计算影响因素与输出变量间的相关性，需要对数据进行归一化处理，以消除物理量纲的不同；

5)结合负荷的周期特性，对不同分量分别采用互信息理论从历史负荷、气象因素、日期类型等角度选取输入变量集合；

6)构建基于深度信念网络的短期负荷预测方法，并通过提前24h负荷预测场景验证本发明方法的有效性。