[发明专利]基于EEMD和LSTM的负荷预测方法、装置及设备

权利要求书

1.一种基于EEMD和LSTM的负荷预测方法，其特征在于，包括：

获取历史负荷数据；

确定所述历史负荷数据中的样本数据和测试数据；

基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列；

从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据；

根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型；

利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测。

2.根据权利要求1所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述基于EEMD对所述样本数据和所述测试数据均进行分解得到样本子序列和测试子序列包括：

在所述样本数据和所述测试数据中添加高斯白噪声；

将添加所述高斯白噪声的样本数据和测试数据进行分解得到样本IMF分量、测试IMF分量、样本残差和测试残差；

判断所述样本残差是否小于第一阈值，若是，则停止分解；

若否，则继续分解所述样本残差直到最终的样本残差小于所述第一阈值；

判断所述测试残差是否小于第二阈值，若是，则停止分解；

若否，则对所述测试残差继续分解直到最终的测试残差小于所述第二阈值；

其中，所述样本子序列包含多个样本IMF分量和所述最终的样本残差，所述测试子序列包含多个测试IMF分量和所述最终的测试残差。

3.根据权利要求1或2所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述从所述样本子序列和所述测试子序列中选取与所述样本子序列对应的第一目标数据和与所述测试子序列对应的第二目标数据包括：

判断所述样本子序列中的各样本IMF分量与添加高斯白噪声的样本数据的第一相关性是否达到第一预设条件；

若是，则将所述第一相关性达到所述第一预设条件的样本IMF分量作为所述第一目标数据；

判断所述测试子序列中的各测试IMF分量与添加高斯白噪声的测试数据的第二相关性是否达到所述第一预设条件；

若是，则将所述第二相关性达到所述第一预设条件的测试IMF分量作为所述第二目标数据。

4.根据权利要求3所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述根据所述第一目标数据和纵横交叉算法建立LSTM神经网络预测模型包括：

确定所述第一目标数据中各样本IMF分量的数据量；

根据所述第一目标数据中各样本IMF分量的数据量确定与所述第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型；

将所述第一目标数据中各样本IMF分量作为与所述第一目标数据中各样本IMF分量对应的初始LSTM神经网络模型的输入；

利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练以建立与各所述初始LSTM神经网络模型对应的LSTM神经网络预测模型。

5.根据权利要求4所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述利用所述纵横交叉算法对各所述初始LSTM神经网络模型进行训练的训练过程具体为：

对所述初始LSTM神经网络模型的待优化粒子进行编码并产生初始种群；

计算所述初始种群中各编码粒子的适应度；

根据各所述编码粒子的适应度对各所述编码粒子进行横向交叉和纵向交叉得到种群矩阵；

计算所述种群矩阵中每个粒子的适应度并选取满足第二预设条件的粒子作为子代种群中的个体；

重复上述步骤直到迭代次数超过最大迭代次数时停止迭代以完成对所述初始LSTM神经网络的训练。

6.根据权利要求4所述的基于EEMD和LSTM的负荷预测方法，其特征在于，所述利用所述第二目标数据和所述LSTM神经网络预测模型进行负荷预测包括：

将所述第二目标数据作为各所述LSTM神经网络预测模型的输入；

获取各所述LSTM神经网络预测模型输出层的预测值；

将各所述预测值进行叠加得到实际负荷预测结果。