[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

说明书

本发明公开了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，包括步骤S1：设置SSA的麻雀种群数目、不同任务分工麻雀所占比例以及最大迭代次数；步骤S2：在解空间里初始化待优化参数；步骤S3：实用对应的参数数值构建BiLSTM模型对样本进行训练，并计算适应度值；步骤S4：根据BiLSTM传出的适应度值更新麻雀种群位置，得到新的解，将对应解，即参数取值，传给BiLSTM进行训练；步骤S5：重复步骤S2和步骤S3，直到达到醉倒迭代次数并迭代完成；步骤S6：输出最优参数值组合，建立最优BiLSTM预测模型；解决现有技术负荷预测方法存在的收敛慢、参数调节繁琐、稳定性不佳和预测精度不高等技术问题，有效地提高对短期负荷预测精度。

技术领域

本发明涉及负荷预测技术，尤其是涉及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。

背景技术

目前，有关负荷预测的方法可分为以下三类，一是以线性回归、ARIMA和指数平滑为代表的传统预测方法。传统方法虽然结构简单易于实施，但在非线性时序预测问题方面表现很差。二是以机器学习和深度学习为代表的人工智能方法，此类方法提高了对非线性问题的处理能力。近几年随着计算机算力的提升，尤其是以神经网络为代表的深度学习模型，被广泛应用于负荷预测；三是组合预测法，组合预测法的常见思路分为两种：一种是将启发式优化算法与单个预测模型进行组合，对模型的超参数取值进行选择和设置。文献使用粒子群算法对深度置信网络模型进行优化；文献提出了基于遗传算法优化BP神经网络的预测模型；较单一模型而言，均提高了预测的精度。第二种思路为结合信息领域的信号分解技术，对时序数据进行预处理来降低数据的复杂度，再进行预测。文献提出了一种基于经验模式分解 (empirical mode decomposition，EMD)和LSTM组合的短期负荷预测模型，与单一LSTM模型相比，预测精度更高。文献将变分模态分解(variational modedecomposition，VMD)和LSTM 结合，降低了预测误差。

例如，一种在中国专利文献上公开的“一种组合型电力负荷预测方法”，其公开号为 CN103679287A，包括收敛速度慢、参数调节繁琐频繁、预测系统整体稳定性较低等技术问题，无法有效地提高短期负荷预测的精确度。

发明内容

本发明是为了解决现有技术负荷预测方法存在的收敛慢、参数调节繁琐、稳定性不佳和预测精度不高等技术问题，有效地提高对短期负荷预测精度，提供一种基于自适应啁啾模态分解(ACMD)和麻雀搜索算法(SSA)优化双向长短时记忆网络(BiLSTM)的短期负荷组合预测方法。

为了实现上述目的，本发明采用以下技术方法：

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。

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将原始数据经过ACDM分解产生的序列数据输入给BiLSTM预测模型，使用SSA算法对预测模型进行参数优化，最后优化过后的模型输出预测结果，将多个优化后的预测模型输出结果叠加与原始数据对比，即可评估预测结果准确度。