[发明专利]基于神经网络组合模型的短期负荷预测方法、设备及介质

说明书

本发明实施例涉及电力技术领域，公开了一种基于神经网络组合模型的短期负荷预测方法、设备及介质。该方法包括：获取负荷数据，并对负荷数据进行归一化处理；利用CEEMDAN分解算法对归一化处理后的负荷数据进行分解，得到n个不同频率的固有模态函数分量以及一个剩余残差分量；将固有模态函数分量以及剩余残差分量分别输入预先训练得到的CNN‑LSTM‑ELM预测模型，获取初步预测结果；对预测结果进行叠加，得到的叠加预测结果作为负荷数据对应的负荷预测结果。实施本发明实施例，可以克服单一模型精度不足问题，有效提高负荷预测的精度。

技术领域

本发明涉及电力技术领域，具体涉及一种基于神经网络组合模型的短期负荷预测方法、设备及介质。

背景技术

电力行业是一个关乎国家民生的重要基础行业，在经济发展、工业生产和人民日常生活中扮演着至关重要的角色。电力负荷的主要特点就是一旦生产很难储存，短期需求变换大，受多种因素影响。因此，准确的短期负荷预测对电力公司减少电力浪费，保持生产和需求之间的平衡，降低生产成本，提高经济收益，以及管理调度和未来的容量规划具有重要作用。

多年来众多国内外学者对短期负荷预测进行了大量的研究，基本可分为基于统计理论的传统方法，机器学习方法和模型组合法。传统方法包括时间序列模型。机器学习方法包括支持向量机(SVM)，循环神经网络(RNN)，极限学习机(ELM)，长短期记忆神经网络(LSTM)，卷积神经网络(CNN)，门控循环单元(GRU)等。模型组合法主要分为两类。一类是对负荷序列通过经验模态分解(EMD)等算法进行数据预处理，然后结合其他模型进行预测。一类是对预测模型中的超参数通过粒子群(PSO)等智能优化算法进行自动寻优以提高模型预测性能。

电力负荷的主要特点就是一旦生产很难储存，短期需求变换大，总是会受到天气条件，动态电价和社会活动等不稳定因素的影响，负荷序列会表现出高度非线性和非平稳的特性。集成模态分解算法(EMD)能把高度非线性和非平稳性的负荷数据分解成若干个相对平稳的子序列，但当信号中存在由异常事件引起的间歇现象时，EMD会出现模态混叠现象。支持向量机(SVM)能很好的拟合非线性的负荷数据，但不能处理大量数据，且需要复杂耗时的人工特征提取和选择。卷积神经网络(CNN)能够提取复杂趋势特征，长短期记忆神经网络(LSTM)，卷积神经网络(CNN)，门控循环单元(GRU)能够提取时序特征，但模型中的众多参数依靠研究人员的经验设定，有很大的不确定性，且单一模型无法充足的学习负荷序列的隐含特征。

发明内容

针对所述缺陷，本发明实施例公开了一种基于神经网络组合模型的短期负荷预测方法、设备及介质，可以克服单一模型精度不足问题，有效提高负荷预测的精度。

本发明实施例第一方面公开一种基于神经网络组合模型的短期负荷预测方法，所述方法包括：

获取负荷数据，并对所述负荷数据进行归一化处理；

利用CEEMDAN分解算法对所述归一化处理后的负荷数据进行分解，得到n个不同频率的固有模态函数分量以及一个剩余残差分量；

将所述固有模态函数分量以及所述剩余残差分量分别输入预先训练得到的CNN-LSTM-ELM预测模型，获取初步预测结果；

对所述预测结果进行叠加，得到的叠加预测结果作为所述负荷数据对应的负荷预测结果。

作为一种可选的实施方式，在本发明实施例第一方面中，所述CNN-LSTM-ELM预测模型的训练，包括：

获取负荷样本数据，并对所述负荷样本数据进行归一化处理；

利用CEEMDAN分解算法对所述归一化处理后的负荷样本数据进行分解，得到多个分解分量，所述分解分量包括n个不同频率的固有模态函数IMF₁-IMF_n分量以及一个剩余残差res分量；