[发明专利]一种基于VMD-CNN-LSTM短期电力负荷预测方法

说明书

一种基于VMD‑CNN‑LSTM短期电力负荷预测方法，包括：获取某地区电力负荷数据，保留其中的日期和每日电力消耗数据，构成原始数据集；数据集预处理，包括对异常数据集中的缺失数据进行补全，对异常数据中的偏差数据进行修正，再通过VMD算法分解成多个分量，并进行归一化处理，按照一定的比例划分成训练集、验证集和测试集；基于VMD‑CNN‑LSTM短期电力负荷预测模型构建，基于VMD‑CNN‑LSTM短期电力负荷预测模型包括输入层、卷积神经网络层、激活层、长短期记忆网络层、全连接层、输出层；将得到的训练集用于训练基于VMD‑CNN‑LSTM短期电力负荷预测模型，得到一个适度拟合状态的短期电力负荷预测模型；将得到的电力负荷预测模型对短期电力负荷进行预测。本发明还包括电力负荷预测系统。

(一)技术领域

本发明属于智能电网大数据领域，具体涉及一种基于VMD-CNN-LSTM短期电力负荷预测方法。

(二)背景技术

随着经济的发展和社会的进步，电力应用于人们日常生活的各个方面，可以说电力系统的稳定是国民经济发展的基石。电能作为一种资源，由于其特殊属性，不能被大量存储，电能只在需要时生产，可减少不必要的电能损耗和降低成本，这就为电力系统提出了一定的挑战。一方面，电力系统要保证发电厂能够提供稳定的电能，另一方面，电力系统需要预测电力负荷的需求量，在两者之间寻求一种动态平衡，保证国计民生用电的同时，也能保证经济效益。快速且准确的电力负荷预测，通过对已有的电力负荷数据和与影响电力负荷的因素数据分析，对短期某一时刻或时间段的短期电力负荷进行预测，为电网运行制定发电计划提供可靠的依据，不仅可以节约大量的成本，还可以保证电力系统的稳定与经济效益。

目前国内外学者提出的电力负荷预测方法主要有基于统计学的线性回归模型、基于机器学习模型和基于深度学习模型等，以上算法应用于电力负荷预测各有优点，但也存在一些问题。基于传统的统计学线性模型有自回归移动平均模型(ARMA)和差分自回归移动平均模型(ARIMA)等，因为电力负荷数据存在诸多非线性因素，导致线性回归模型的预测效果有限；机器学习模型包括支持向量机(SVM)、随机森林(RF)、极限学习机(ELM)和K-Means聚类算法等，以上算法没有考虑到数据的时序性，无法挖掘到电力负荷数据背后的隐藏特征，电力负荷预测的准确度低，近年来，随着深度学习的快速发展，相关学者将卷积神经网络(CNN)、循环神经网络(RNN)和长短期记忆网络(LSTM)应用于电力负荷预测，由于单个神经网络提取电力负荷的特征存在模型欠拟合问题，电力预测的预测效果有待提高。

针对上述问题，设计一种泛化程度好、准确度高的电力负荷预测模型是一个亟待解决的问题。

(三)发明内容

为了克服现有技术的不足，本发明旨在提供一种基于VMD-CNN-LSTM短期电力负荷预测方法，其中，变分模态分解(VMD)对原始数列进行分解成多个分量，卷积神经网络(CNN)提取分解后的数据特征，长短期记忆网络(LSTM)提取分解后数据的时序特征，用于预测短期电力负荷数据。预测模型具有预测速度快，泛化能力好，预测结果准确度高的优点。

本发明解决其技术问题所使用的技术方案是：

一种基于VMD-CNN-LSTM短期电力负荷预测方法，包括如下步骤：

第一步：获取某地区电力负荷数据，保留其中的日期和每日电力消耗数据，构成原始数据集；

第二步：数据集预处理。包括对异常数据集中的缺失数据进行补全，对异常数据中的偏差数据进行修正，经过异常处理后的数据通过VMD算法分解成多个分量，并进行归一化处理，按照一定的比例划分成训练集、验证集和测试集；

(2.1)数据集中的异常数据处理

(2.1.1)异常数据中的缺失数据

对异常数据中的缺失数据采用均值法进行填充，填充缺失数据用前一天的数据和后一天的数据平均值，计算公式如公式(1)所示：