[发明专利]基于VMD-CNN-LSTM的短期电力负荷预测方法

说明书

本发明涉及基于VMD‑CNN‑LSTM的短期电力负荷预测方法，属于电力负荷预测技术领域，通过VMD技术进行短期电力负荷序列分解；通过CNN‑LSTM模型进行短期电力负荷的初始预测；结合气候、湿度相关因素特征对CNN‑LSTM模型初始预测的电力负荷进行修正预测。合理对负荷序列及相关影响影响因素进行处理和使用，提高电力负荷预测的精度。构建了基于变分模态分解的卷积长短时记忆网络短期电力负荷预测模型。合理使用气候特征等相关因素使得模型对训练样本数量的要求大大降低，并且在休息日和工作日负荷平均水平相差较大的情况下仍能对两者均做出较好的预测。加入CNN网络能大大提升预测网络的训练速度。

技术领域

本发明属于电力负荷预测技术领域，具体涉及基于VMD-CNN-LSTM的短期电力负荷预测方法。

背景技术

短期电力负荷预测是构建数字智能化新型电力系统的重要推动力，精准的电力负荷预测能为电网协调调度、地区生产规划和节能减排等提供重要参考。随着分布式可再生能源在用户侧装机容量的不断增长以及电力市场发展的不断深入，地区性负荷需求呈现出更强的随机性特征，对地区负荷预测及智能化管理带来了新的挑战。目前针对电力负荷预测受多种外部因素影响而呈现复杂随机性特点所做的研究，大多使用小波分解或者经验模态分解方法进行负荷数据预处理，易出现模态混叠问题而引入大量噪声，影响负荷预测的精度。此外，现有研究要么不考虑气候等相关因素的影响，要么直接将其与历史负荷数据一同作为输入特征进行预测，然而气候等相关因素规律性较差，直接进入预测网络会降低网络性能，从而影响预测精度的提升。因此，研究更好的负荷序列处理方法以及更合理的相关因素使用途径，对提升新型电力系统下负荷预测的精度具有重要意义。

发明内容

本发明目的在于提供基于VMD-CNN-LSTM的短期电力负荷预测方法，用于解决上述现有技术中存在的技术问题，现有研究要么不考虑气候等相关因素的影响，要么直接将其与历史负荷数据一同作为输入特征进行预测，然而气候等相关因素规律性较差，直接进入预测网络会降低网络性能，从而影响预测精度的提升。

基于VMD-CNN-LSTM的短期电力负荷预测方法，包括以下步骤：

S1、通过VMD技术进行短期电力负荷序列分解；

S2、在步骤S1的基础上，通过CNN-LSTM模型进行短期电力负荷的初始预测；

S3、在步骤S2的基础上，结合气候、湿度相关因素特征对CNN-LSTM模型初始预测的电力负荷进行修正预测。

进一步的，步骤S1中VMD的约束变分问题如下：

式中：{u_k}为信号分解后的第k个模态分量；{ω_k}为第k个模态分量的频率中心；δ(t)表示狄拉克分布，*为卷积运算符。

进一步的，步骤S2具体如下：

对VMD处理后得到的各模态分量，利用-LSTM模型进行短期电力负荷的初始预测；

具体计算公式如下：

式中，w为权重矩阵；b为偏置项；σ表示sigmoid函数，其作用是将f_t，i_t，o_t的值限定为区间[0,1]上的实数；tanh表示tanh函数，作用是将输出值限定在区间[-1,1]上；即，经VMD技术处理过后的各模态分量，经过CNN-LSTM预测模型之后，得到一个初始的短期负荷预测结果。

进一步的，步骤S3具体如下：

将气候、湿度相关因素归一化处理后与CNN-LSTM预测模型的输出结果进行合并重构，再使用多重全连接层进行特征提取与拟合工作，最后输出相关因素修正后的短期电力负荷预测结果。