[发明专利]一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法

权利要求书

1.一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法，其特征是，本方案包括以下步骤：

步骤S1：结合配电网用电数据采集系统采集的负荷数据以及配电台区附近气象站采集的气象数据形成原始数据集，并将原始数据集分为80％的训练数据以及20％的测试数据；

步骤S2：对于训练数据中的负荷数据，利用自适应啁啾模态分解(ACMD)方法对历史负荷序列数据进行分解，得出q个子序列；结合测试数据集中的气象数据特征；

步骤S3：对于分解后的q个子序列分别构建双向长短时记忆网络(BiLSTM)预测模型；利用麻雀搜索算法(SSA)对构建的q个BiLSTM模型进行优化，优化模型的超参数值，根据优化后的值构建最优预测模型；

步骤S4：根据建立的最优预测模型对各子序列进行预测，将预测结果进行叠加组合得到最终的预测结果，并对比其他预测方法，通过相关评价指标对预测结果进行评估，分析模型的预测效果。

2.根据权利要求1所述的一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法，其特征是，所述ACMD方法采用递归算法的框架进行匹配追踪，处理具有强时变特性的多模信号；使用ACMD处理负荷预测所需历史功率信号，具体公式如下所示：

其中Q是信号模式的数量，Aq(t)、fq(t)和分别表示第q个信号模式的瞬时幅值、瞬时频率和初始相位。

3.根据权利要求2所述的一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法，其特征是，通过调制和解调步骤，将(1)式改写，具体如下所示：

其中，bq(t)和dq(t)为解调算子，表示解调频率(DF)，为瞬时幅值；可以发现，当解调频率等于瞬时频率时，即当时，解调信号中的调频项为0，得到带宽最窄的纯调幅信号。

4.根据权利要求3所述的一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法，其特征是，通过最小化解调信号的带宽，ACMD算法进行中频估计，对信号进行分解，并逐个估计信号分量，通过交替更新解调信号和频率函数来求解此优化问题实现对原始信号的逐个分解，在得到第一个信号分量之后，将其从原始信号中减去，然后将剩余分量作为新的初始信号继续分解得到第二个信号分量，反复循环更新，直到获取全部信号分量，具体如下所示：

其中||...||₂为L2范数，用来表示距离；”为二阶导数，其物理意义为分解后单模态曲线的平滑程度；λ为惩罚因子；和表示带宽；对于t＝t0,…,tN-1时间序列的离散信号，采样点个数为N,则上式的离散表达形式为：

其中，s＝[s(t₀),…,s(t_N-1)]^T，u_q＝[(b_q)^T,(d_q)^T]^T，b_q＝[b_q(t₀),…,b_q(t_N-1)]^T,d_q＝[d_q(t₀),…,d_q(t_N-1)]^T，Λ＝diag[Ω,Ω]为分块对角阵，Ω为二阶差分矩阵。

5.根据权利要求1所述的一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法，其特征是，所述BiLSTM采用两层LSTM组合而成，同时将两层LSTM进行前向和反相两个方向的序列，其中前向层用于捕捉当前时间节点之前的特征序列，反向层用于捕捉未来时刻到当前时间节点的特征序列。

6.根据权利要求1所述的一种基于自适应啁啾模态分解和SSA-BiLSTM的短期负荷组合预测方法，其特征是，所述预测模型建立流程通过在D维解空间内不断更新各类麻雀的位置，比较适应度值来寻求更好的位置即求解目标函数的最优解，所述各类麻雀包括发现者、加入者和报警者。