基于EMD-IPSO-LSTM模型的短期电力负荷预测_赵一鸣.pdf
《基于EMD-IPSO-LSTM模型的短期电力负荷预测_赵一鸣.pdf》由会员分享,可在线阅读,更多相关《基于EMD-IPSO-LSTM模型的短期电力负荷预测_赵一鸣.pdf(6页珍藏版)》请在咨信网上搜索。
1、 国外电子测量技术北大中文核心期刊D O I:1 0.1 9 6 5 2/j.c n k i.f e m t.2 2 0 4 3 3 5基于EMD-I P S O-L S TM模型的短期电力负荷预测赵一鸣 吉月辉 刘俊杰 陈嘉齐(天津理工大学电气工程与自动化学院 天津 3 0 0 3 8 4)摘 要:准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性。由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-I P S O-L S TM)的预测模型。首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(I MF)以及残差(R e s),
2、引入非线性递减分配方法和正弦函数分别改进粒子群算法(P S O)的惯性权重和学习因子,可以更有效地寻找L S TM参数的最优解。其次,利用I P S O优化L S TM的第1层神经元个数、损失率、以及批量大小等参数,将所有I MF和R e s分为高、中,低频三组分量,并代入优化后的L S TM网络进行预测,叠加获取最终的预测结果。最后,以 G E F C o m 2 0 1 4 预测竞赛电力负荷数据集进行仿真实验,并且对L S TM、I P S O-L S TM、EMD-P S O-L S TM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度。关键词:短期负荷预测;经验模态分解;改进
3、的粒子群算法;长短时神经网络中图分类号:TN 2文献标识码:A国家标准学科分类代码:5 2 0.6 0 4 S h o r t t e r m p o w e r l o a d f o r e c a s t i n g b a s e d o n EMD-I P S O-L S TM m o d e l Z h a o Y i m i n g J i Y u e h u i L i u J u n j i e C h e n J i a q i(S c h o o l o f E l e c t r i c a l E n g i n e e r i n g a n d A u t o m
4、 a t i o n,T i a n j i n U n i v e r s i t y o f T e c h n o l o g y,T i a n j i n 3 0 0 3 8 4,C h i n a)A b s t r a c t:A c c u r a t e p r e d i c t i o n o f s h o r t-t e r m l o a d p r o v i d e s b a s i s f o r p o w e r d i s p a t c h i n g o f p o w e r p l a n t s a n d i m p r o v e s t
5、 h e e c o n o m y o f p o w e r s y s t e m s.D u e t o t h e n o n-l i n e a r a n d n o n-s t a t i o n a r y n a t u r e o f l o a d d a t a,t h i s p a p e r p r o p o s e s a p r e d i c t i o n m o d e l b a s e d o n e m p i r i c a l m o d e d e c o m p o s i t i o n-i m p r o v e d p a r t
6、 i c l e s w a r m o p t i m i z a t i o n-l o n g s h o r t-t e r m m e m o r y(EMD-I P S O-L S TM).F i r s t,t h e EMD i s u s e d t o d e a l w i t h t h e n o n l i n e a r l o a d s e q u e n c e,a n d t h e s e q u e n c e i s d e c o m p o s e d i n t o m u l t i p l e i n t r i n s i c m o d
7、 e f u n c t i o n s(I MF)a n d r e s i d u a l s(R e s).T h e n o n l i n e a r d e c r e a s i n g a s s i g n m e n t m e t h o d a n d s i n e f u n c t i o n a r e i n t r o d u c e d t o i m p r o v e t h e i n e r t i a w e i g h t a n d l e a r n i n g f a c t o r o f p a r t i c l e s w a r
8、 m o p t i m i z a t i o n(P S O)r e s p e c t i v e l y,s o t h a t t h e o p t i m a l s o l u t i o n o f L S TM p a r a m e t e r s c a n b e f o u n d m o r e e f f e c t i v e l y.S e c o n d l y,t h e I P S O i s u s e d t o o p t i m i z e t h e p a r a m e t e r s s u c h a s t h e n u m b
9、e r o f n e u r o n s i n t h e f i r s t l a y e r o f L S TM,t h e l o s s r a t e,a n d t h e b a t c h s i z e.A l l I MF a n d r e s a r e d i v i d e d i n t o t h r e e g r o u p s:h i g h,m e d i u m,a n d l o w f r e q u e n c y c o m p o n e n t s,a n d a r e s u b s t i t u t e d i n t o
10、t h e o p t i m i z e d L S TM n e t w o r k f o r p r e d i c t i o n.T h e f i n a l p r e d i c t i o n r e s u l t i s o b t a i n e d b y s u p e r p o s i t i o n.F i n a l l y,a s i m u l a t i o n e x p e r i m e n t i s c a r r i e d o u t w i t h t h e G E F C o m 2 0 1 4 p o w e r l o a d
11、 f o r e c a s t i n g c o m p e t i t i o n d a t a s e t,a n d c o m p a r e d w i t h L S TM,I P S O-L S TM a n d EMD-P S O-L S TM.T h e r e s u l t s s h o w t h a t t h e p r o p o s e d f o r e c a s t i n g m o d e l h a s h i g h e r f o r e c a s t i n g a c c u r a c y.K e y w o r d s:s h
12、o r t t e r m l o a d f o r e c a s t i n g;EMD;I P S O;L S TM 收稿日期:2 0 2 2-0 9-1 30 引 言电力负荷预测是以历史数据为关键组成部分对未来负荷数据进行预测1。负荷预测中最常见的按时间跨度分为短期负荷预测、中期负荷预测和长期负荷预测3种。短期负荷预测是指日负荷预测和周负荷预测,中期负荷预测是指月至年的负荷预测,长期负荷预测是指未来1年以上时间段内的负荷预测。中期负荷预测可为设备维修计划提供便利。一年以上长期负荷预测可以成为电力系统发展规划的前提。短期如日负荷预测对电力系统安全运231北大中文核心期刊国外电子测量技术
13、 行、节约发电成本、提升用电质量、优化电力调度等方面有重要意义2。传统的预测模型主要利用历史负荷数据的时序性,方法较为简单。趋势扩展方法通常根据梯度定律推断其未来趋势和状态。类似地,回归分析的方法是把负荷及影响因素分别作为自变量和因变量,寻找二者关系和回归方程,从而预测将来的负荷值3。时间序列方法是最常用的预测方法之一,常用的时间序列预测方法有自回归综合移动平均(a u t o r e g r e s s i v e i n t e g r a t e d m o v i n g a v e r a g e m o d e l,A R I MA)模型4、季节性自回归综合滑动平均(s e a s
14、 o n a l a u t o r e g r e s s i v e i n t e g r a t e d m o v i n g a v e r a g e,S A R I MA)模型5、具有外部输入的自回归综合运动平均(a u t o r e g r e s-s i v e i n t e g r a t e d m o v i n g a v e r a g e m o d e l,A R I MA X)模式6等。但传统方法一般都把历史和预测数据看成简单的数学关系,无法较好地处理非平稳、非线性的数据。随着机器学习的不断快速发展,机器学习的方法被广泛的应用于图像处理中,在电力负荷预测
15、方面也取得了一定的成就。文献7 采用模糊C均值方法来进行特征提取,然后用组合核函数作为支持向量机(s u p p o r t v e c t o r m a c h i n e,S VM)模型的核函数,最后用烟花算法在此基础上进行了优化,提高了模型预测性能。文献8 采用自适应网格法的多目标粒子群优化 算 法(m u l t i p l e o b j e c t i v e p a r t i c l e s w a r m o p t i m i z a t i o n,MO P S O)优化B P神经网络,达到了较好的预测结果。文献9 采用粒子群算法(p a r t i-c l e s w
16、 a r m o p t i m i z a t i o n,P S O)算法优化S VM参数,寻找S VM的最优参数组合,构建模型进行训练与预测,在一定程度上保证了短期负荷预测的精度。文献1 0 采用改进的深度稀疏自编码器(i m p r o v e d d e e p l e a r n i n g s p a r s e a u t o e n c o d e r,I D S A E)和果蝇优化算法(f r u i t f l y o p t i m i z a t i o n a l g o r i t h m,F OA)优化极限学习机(e x t r e m e l e a r n
17、i n g m a-c h i n e,E LM),减小了预测误差。文献1 1 提出一种混沌鲸鱼算法优化的E LM预测模型,优化E LM的初始权值和偏置,减小输出误差。上述机器学习的方法虽然在处理非线性数据时取得了一定的效果,但是这些方法本身的特征提取能力 较 弱,并 且 预 测 随机 性 较 大 的数 据 时 精度较低。近年来,深度学习在负荷预测的比重越来越大。深度学习神经网络具有更加复杂的结构模型,更强的学习能力以及泛化能力等。文献1 2 使用比循环神经网络(r e c u r-s i v e n e u r a l n e t w o r k,R NN)更具有更多优点的长短期记忆网络(l
18、 o n g s h o r t-t e r m m e m o r y,L S TM)网络进行电力负荷预测,克服了R NN的梯度爆炸等问题,提高了预测的准确性。文献 1 3 将卷 积 神 经 网络(c o n v o l u t i o n a l n e u r a l n e t w o r k s,C NN)与L S TM进行结合,提出了二者结合的混合预测模型,利用C NN对历史负荷等数据进行特征提取,再利用L S TM对其进行预测,得到了比单一模型更好的预测结果,但文献中并未充分的考虑L S TM本身超参数对预测精度的影响,神经元个数等参数对精度影响较大,手动调节容易错过最优的超参数
19、组合。文献1 4 提出了一种基于经验模态分解(e m p i r i c a l m o d e d e c o m p o s i t i o n,EMD)和L S TM网络结合的预测模型,充分发挥各算法优势提高了预测精度。文献1 5 采用贝叶斯准则(B a y e s i a n i n f o r m a t i o n c r i t e r i o n,B I C)进行特征提取,引入加权皮尔逊距离的密度峰值方法识别负荷曲线,结合L S TM进行负荷预测。文献1 6 采用EMD-C NN-L S TM混合模型进行短期电力负荷预测,首先将负荷数据进行EMD平稳化处理,分解后的分量重构并叠
20、加,利用C NN进行特征提取,最后输入到L S TM网络进行预测,得到了精度较高的结果。文献1 7 采用P S O对L S TM的超参数进行优化,不断训练寻找合适的超参数,提高了模型精度与稳定性但未考虑P S O中惯性权重与学习因子对寻优过程的影响。但上述文献均需要人为手动调节神经网络参数。为了解决上述问题,本文提出一种改进的P S O算法(i m p r o v e d p a r t i c l e s w a r m o p t i m i z a t i o n,I P S O)与EMD算法以及L S TM相结合的预测模型,实现了神经网络超参数的自动寻优和模型预测精度的提高。首先用EM
21、D对原始数据进行分解,以便于更好的特征提取,然后通过改P S O的惯性权重w以及学习因子c1、c2后的算法来对L S TM网络的神经元个数、损失率、批大小等参数进行优化,最后将数据带入优化后的网络进行负荷预测并对结果加以验证。1 基于EMD-I P S O-L S TM组合模型的短期电力负荷预测1.1 EMD经验模态分解是H u a n g等1 8于1 9 9 8年提出的一种信号处理方法。EMD根据数据本身的时间尺度特征分解信号,不预设任何基函数,该方法在处理非平稳和非线性数据方面具有很大的优势1 9。原始信号来自数据的特征,通过EMD分解为固有模式函数(i n t r i n s i c m
22、 o d e f u n c-t i o n,I MF)。因此,经验模态分解可以有效地分解奇异值,避免陷入局部最优,提高模型的性能和鲁棒性。1.2 P S O算法P S O算法根据组的适应度移动个体寻找最佳区域,每个粒 子 在 搜 索 空 间 中 移 动 以 寻 找 最 有 利 的 飞 行 路径2 0,已广泛用于神经网络训练和结构优化设计2 1。在求解优化问题时,粒子群算法通过跟踪个体最优粒子和群体最优粒子来更新粒子的速度和位置。可以描述如下:在D维搜索空间中,有m个粒子形成一个组。在第t次迭代中,第i个粒子的位置和速度以及搜索到的最优位置分别为Xi,j(t)、Vi,j(t)和Pi,j。第e粒
23、子通过监督个体的最佳适应值Pb e s t和组的当前最佳适应值gb e s t来更新其位置和速度。正由于这两个极值的作用,粒子便不断地更新速度及位置,逐渐的寻找最优位置。其中,速度更新和位置更新如下:331 国外电子测量技术北大中文核心期刊Vi,j(t+1)=w Vi,j(t)+c1r1Pi,j-Xi,j(t)+c2r2Pi,j-Xi,j(t)(1)Xi,j(t+1)=Xi,j(t)+Vi,j(t+1)(2)式中:c1、c2为正的学习因子,范围为02;r1、r2为01之间均匀分布的随机数;w为惯性权重。1.3 L S TM网络L S TM是由H o c h r e i t e r等2 2于1
24、9 9 7年提出R NN的变体改进,是用于预测时间序列的专家模型,有效地处理长期时间依赖问题。与R NN相比,L S TM结构中添加了输入门、遗忘门和输出门,有效地处理消失梯度问题2 3。L S TM模型架构如图1所示。图1 L S TM模型的架构其中,ft为遗忘门,输入门控制上一刻记忆单元ct-1需要遗忘的信息;xt为时间步长为t的当前输入;it为输入门,控制当前时刻候选状态?ct需要存储的信息;ot为输出门,控制当前时刻记忆单元ct输出给外部状态ht的信息。2 E M D-I P S O-L S T M短期电力负荷预测模型构建2.1 I P S O算法虽然P S O在解决复杂优化问题方面有
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 EMD IPSO LSTM 模型 短期 电力 负荷 预测 赵一鸣
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。