ICEEMDAN-ISSA-LSTM短期电力负荷预测.pdf
《ICEEMDAN-ISSA-LSTM短期电力负荷预测.pdf》由会员分享,可在线阅读,更多相关《ICEEMDAN-ISSA-LSTM短期电力负荷预测.pdf(9页珍藏版)》请在咨信网上搜索。
1、引用格式:引用格式:高超,孙谊媊,赵洪峰,等.ICEEMDAN-ISSA-LSTM 短期电力负荷预测J.中国测试,2023,49(9):99-107.GAOChao,SUNYiqian,ZHAOHongfeng,etal.Short-termelectricloadforecastingbasedonICEEMDAN-ISSA-LSTMJ.ChinaMeasurement&Test,2023,49(9):99-107.DOI:10.11857/j.issn.1674-5124.2021120033ICEEMDAN-ISSA-LSTM 短期电力负荷预测高超1,孙谊媊2,赵洪峰1,曹培芳1(1.新
2、疆大学电气工程学院,新疆乌鲁木齐830017;2.国网新疆电力公司,新疆乌鲁木齐830017)摘要:针对传统短期负荷预测方法误差大的问题,提出一种基于改进型自适应白噪声的完全集合经验模态分解(ICEEMDAN)和改进的麻雀搜索算法(ISSA)优化长短期记忆网络(LSTM)的短期负荷预测方法。首先,针对负荷序列波动性大,导致直接使用负荷数据进行预测难以获取内在特征的问题,运用 ICEEMDAN 方法将原始负荷序列进行分解,得到时间尺度各异的 IMF 分量;其次,针对 LSTM 模型参数较难选取的问题,采用 ISSA 对 LSTM 的超参数寻优,利用 Fuch 混沌映射、反向学习策略和自适应 t
3、变异改进麻雀算法,减小 SSA 陷入局部最优的风险,提高麻雀算法的寻优能力和收敛速度;最后,依据分解得到的各组数据特征,建立 ISSA-LSTM 模型并进行预测,再将各组分量的预测值进行叠加,得到最终的电力负荷预测结果。仿真结果表明:与其他预测模型相比,ICEEMDAN-ISSA-LSTM 模型具有更高的短期电力负荷预测精度,其预测平均绝对误差为 9.39kW,均方根误差为 11.47kW,平均绝对百分比误差为 0.19%。关键词:短期电力负荷预测;ICEEMDAN;麻雀搜索算法;长短期记忆网络;超参数寻优中图分类号:TM715文献标志码:A文章编号:16745124(2023)0900990
4、9Short-term electric load forecasting based on ICEEMDAN-ISSA-LSTMGAOChao1,SUNYiqian2,ZHAOHongfeng1,CAOPeifang1(1.SchoolofElectricalEngineering,XinjiangUniversity,Urumqi830017,China;2.StateGridXinjiangElectricPowerCo.,Ltd.,Urumqi830017,China)Abstract:Aimingattheproblemoflargeerrorsintraditionalshort-
5、termloadforecastingmethods,thispaperproposes a combined prediction method based on an improved complete ensemble empirical modedecompositionwithadaptivenoise(ICEEMDAN)andanimprovedsparrowsearchalgorithm(ISSA)optimizeslongshort-termmemory(LSTM).Firstofall,inviewoftheproblemthatitisdifficulttoobtainin
6、trinsiccharacteristicsbydirectlyusingtheloaddataforpredictionduetothelargefluctuationoftheloadsequence,theICEEMDANmethodisusedtodecomposetheoriginalloadsequencetoobtainIMFcomponentswithdifferenttimescales.Secondly,fortheproblemthattheparametersofLSTMmodelaredifficulttoselect,ISSAisusedtooptimizetheh
7、yperparametersofLSTM,andthesparrowalgorithmisimprovedbyusingFuchchaoticmapping,reverselearningstrategyandadaptivetmutationtoreducetheriskofSSAfallingintolocaloptimum.Theoptimizationabilityandconvergencespeedofthesparrowalgorithmareimproved;finally,收稿日期:2021-12-06;收到修改稿日期:2022-02-26基金项目:国家自然科学基金资助项目(
8、51762038)作者简介:高超(1995-),男,河南洛阳市人,硕士研究生,专业方向为电力负荷预测。第49卷第9期中国测试Vol.49No.92023年9月CHINAMEASUREMENT&TESTSeptember,2023accordingtothecharacteristicsofeachgroupofdataobtainedbydecomposition,theISSA-LSTMmodelisestablishedandpredicted,andthepredictedvaluesofeachgrouparesuperimposedtoobtainthefinalpowerload
9、forecasting result.The simulation results show that,compared with other forecasting models,theICEEMDAN-ISSA-LSTMmodelhashighershort-termpowerloadforecastingaccuracy,itsforecastmeanabsoluteerroris9.39kW,therootmeansquareerroris11.47kW,andthemeanabsolutepercentageerroris0.19%.Keywords:short-termelectr
10、icloadforecasting;ICEEMDAN;sparrowsearchalgorithm;LSTM;hyperparameteroptimization0 引言短期电力负荷预测是电力系统安全稳定运行的一个重要环节,发电企业可以依据精确的预测结果,制定最优的发电计划,同时电力调度部门也能依据预测结果为系统的正常运行做出合理的规划1。目前,国内外预测电力负荷的方法主要分为传统的统计分析法和基于机器学习的方法。传统的统计分析法主要包括时间序列法、回归分析法等,这类方法原理简单,预测速度快,但是很难高度拟合非线性、多因素的电力负荷数据。机器学习的方法能够拟合复杂的非线性数据,自适应能力强、鲁
11、棒性强,而且受到了学者们的广泛关注,如文献 2-4采用长短期记忆(longshort-termmemory,LSTM)网络、随机森林回归和人工神经网络实现了短期负荷预测。近年来,LSTM 在负荷序列的预测问题上受到了广泛关注,但是 LSTM 受众多超参数的影响,大多采用经验法进行设置,需要通过多次尝试,找到效果比较好的一组,耗时耗力。如文献 5 采用随机搜索的方法寻找 LSTM 网络的最优超参数,取得了较优的预测结果。文献 6 将 LSTM 网络的记忆功能和分数位回归的概率预测相结合,提高了预测效率。文献 7 结合 LSTM 的记忆功能和 MTL 的耦合信息共享特性,建立了 LSTM-MTL
12、多元负荷预测方法。文献 8 针对 LSTM 参数难以确定的问题,首先利用不同的策略对 PSO 算法进行改进,再利用改进后的 PSO 算法对 LSTM 的参数寻优,建立了 IPSO-LSTM 模型。但是上述算法都未考虑负荷序列的强波动性和随机性,未能充分挖掘负荷序列的内部特征信息。文献 9 采用集成经验模态分解(ensembleempiricalmodedecomposition,EEMD)处理负荷序列,但是 EEMD 在分解中容易出现模态混叠现象,而且其分解后存在较大误差。相较于 EEMD,改进型自适应白噪声的完全集合经验模态分解(ICEEMDAN)对信号的分解效果较为理想10。基于上述研究,
13、本文运用 ICEEMDAN 方法将原始负荷序列分解为时间尺度各异的子序列,降低负荷序列的波动性,提取负荷序列内部信息。引入Fuch 混沌映射初始化麻雀种群,克服种群初始化的盲目性;引入动态权重因子,平衡 SSA 算法全局搜索和局部开发能力;再结合反向学习策略和自适应t 变异对最优麻雀进行扰动,提高算法的寻优能力,降低麻雀算法陷入局部极值的概率。利用改进的麻雀 搜 索 算 法(improved sparrow search algorithm,ISSA)对 LSTM 的超参数寻优,最后依据分解得到的各子序列的数据特征,建立 ISSA-LSTM 模型并进行预测,再将各预测值进行线性叠加,得到最终的
14、电力负荷预测结果。1 基本原理1.1 ICEEMDAN 分解算法i在 EMD 分解算法的基础上,ICEEMDAN 在分解的过程中添加均值为 0 和方差为 1 的特殊白噪声,将信号 x(t)分解为若干个 IMF 分量和一个残差分量11。ICEEMDAN 分解方法有效减缓了 EMD、EEMD 算法中 IMF 分量可能存在的残余噪声和模态混叠等问题。ICEEMDAN 分解的过程如下:Ek()()Ek()()1)引入 EMD 算法中算子和,能在k 阶模式下分解原始信号 x(t),被用于产生信号的局部均值。xi(t)=x(t)+0E1(i(t)1=(xi(t)0=0std(x(t)/std(Ek(i(t
15、)02)构造加噪信号,利用EMD 计 算 出 第 一 阶 残 差。其 中在初始阶段被添加,用于除去噪声,是首次加噪信号与分析信号之间的期望信噪比倒数。i 表示加入噪声的次数,std 表示标准差,操作符表示对整体求平均。100中国测试2023年9月k=1IMF1(t)=x(t)1(t)3)当时,求得第一阶 IMF 分量,即。1(t)+1E2(i(t)4)利用局部均值的平均值,求得第二阶残差和第二阶 IMF 分量:2(t)=(1(t)+1E2(i(t)(1)IMF2(t)=1(t)(1(t)+1E2(i(t)(2)5)推导出 k 阶模式:k(t)=(k1(t)+k1Ek(i(t)(3)IMFk(t
16、)=k1(t)k(t)(4)6)重复步骤 5),求出所有的残差和 IMF 分量。1.2 麻雀算法麻雀搜索算法(sparrowsearchalgorithm,SSA)是一种基于群体的智能优化算法,模拟麻雀的觅食行为和反捕食行为12。相较于蚁群算法、鲸鱼优化算法、粒子群优化算法等群体优化算法,SSA 具有寻优能力强、收敛速度快、鲁棒性强等特点。麻雀算法的原理如下:假设 n 只麻雀组成的种群表示为:X=x11x21xd1x12x22xd2.x1nx2nxdn(5)式中:d变量的维数;n麻雀的数量。所有麻雀的适应度值表示为:Fx=f(x11x21xd1)f(x12x22xd2).f(x1nx2nxdn
17、)(6)适应度值高的发现者为种群提供觅食的区域和方向,发现者占种群的比例为 PD,在迭代过程中,发现者的位置更新表示为:Xt+1i,j=Xti,jexp(i itermax),if R2 n/2Xt+1p+?Xt+1i,jXt+1p?A+L,otherwise(8)A+=AT(AAT)1(9)式中:Xp发现者的最优位置;Xworst种群所在区域最差的位置;A1m 的矩阵,其中每个元素赋值为1 或1。假设意识到危险的麻雀占种群数量 10%20%,当麻雀意识到危险,做出的反捕食行为可表示为:Xt+1i,j=Xtbest+?Xti,jXtbest?,if fi fgXti,j+K?Xti,jXtwo
18、rst?(fi fw)+,if fi=fg(10)式中:Xbest全局的最优位置;步长,满足正态分布且均值为 0、方差为 1 的随机数;K0,1 的一个随机数;fi每个麻雀个体的适应度值;fg和 fw种群中最佳和最差的适应度值;一个常数。1.3 长短时记忆网络长短期记忆网络作为一种改进的递归神经网络,其在 RNN 的基础上增加了遗忘门、输入门和输出门 3 个门控单元,有效解决了 RNN 在长序列中出现的梯度消失或爆炸缺陷等问题13。LSTM 依据独特的门控单元和记忆单元可以对长时间序列进行有效处理,克服了长期时间依赖于输入序列的问题。遗忘门在保留了重要信息的同时避免了无用信息向后传递,而输入门
19、和输出门则读取数据和将处理后的数据向下一个时刻传递。LSTM 的结构如图 1 所示,其计算公式如下式所示:ft=(Wfxxt+Wfhht1+bf)(11)it=(Wixxt+Wihht1+bi)(12)gt=tanh(Wgxxt+Wghht1+bg)(13)Ot=(Woxxt+Wohht1+bo)(14)Ct=gtit+Ct1 ft(15)ht=tanh(Ct)Ot(16)其中 W 和 b 为权重和偏置;为 sigmoid 函数;Ct1第49卷第9期高超,等:ICEEMDAN-ISSA-LSTM 短期电力负荷预测101为上一时刻输入的单元状态;ht1为上一时刻的中间状态。当前时刻输入为 xt;
20、中间变量包括遗忘门的输出 ft,输入门、输出门分别输出 it和 Ot,以及输入节点的输出 gt;输出变量包括单元状态 Ct和中间状态 ht。Ct1ht1XttanhtanhCththtftitgtOt图 1 LSTM 结构图2 改进的麻雀算法2.1 Fuch 混沌初始化种群基本麻雀算法在求解最优解问题时,采用随机初始化的方法生成初始种群,可能产生初始麻雀种群分布不均的问题,导致麻雀种群的多样性较差。为了丰富麻雀种群的多样性,引入 Fuch 混沌映射模型,利用该模型较好的迭代速度且在 0,1 间产生分布均匀混沌序列的特征,产生多样性的混沌初始化麻雀种群。Fuch 混沌映射表达式为:Xn+1=co
21、s(1/X2n)(17)Xn,0 n Z+其中,。2.2 动态权重和位置更新策略为了更好地平衡麻雀种群的全局和局部搜索之间的关系,防止算法陷入局部最优,造成搜索精度较低。本文引入动态惯性权重因子更新麻雀的位置,惯性权重 的计算公式和改进后的发现者与加入者的位置更新方程如下式所示:=sin(t2itermax+)+1(18)Xt+1i,j=Xti,j+(ftj,gXti,j)r1,if R2 n/2Xt+1p+?Xt+1i,jXt+1p?A+L,otherwise(20)ftj,g式中:上一代中第 j 维的全局最优解;r10,1 的一个随机数。2.3 融合自适应 t 变异和反向学习策略为了让麻雀
22、个体找到更优的解,以当前解为基础,通过反向学习策略求得相对应的反向解,对比当前解和反向解的适应度值,保留更优的解。将反向学习策略引入到麻雀算法中,数学表达式为:Xopbest(t)=ub+r(lbXbest(t)(21)Xt+1i,j=Xopbest(t)+b1(Xbest(t)Xopbest(t)(22)式中:Xopbest(t)第 t 次迭代最优解的反向解;ub、lb上下边界;r1d 的随机数矩阵;b1控制参数,如下式所示:b1=(itermaxtitermax)t(23)自适应 t 分布又称为学生分布,含有参数自由度 n,n 的值越小,其曲线形态越平坦,曲线中间越低,曲线双侧尾部翘得越高
23、。本文充分利用麻雀种群信息,以迭代次数 t 作为自由度参数,在迭代前期 t 较小,类似柯西变异具有较强的全局搜索能力,后期 t 较大,类似高斯变异具有较强的局部搜索能力,从而提高算法的搜索能力14。对麻雀位置利用自适应 t 变异进行更新如下式所示:Xt+1i,j=Xbest(t)+Xbest(t)t(iter)(24)其中 t(iter)为以麻雀算法迭代次数为参数自由度的 t 分布。为了进一步提高麻雀算法的寻优能力,结合反向学习策略和自适应 t 变异策略,在一定概率下动态更新目标位置。通过反向学习策略,扩大算法的搜索空间;利用自适应 t 变异策略对最优解位置进行扰动变异,改善算法的全局搜索能力
24、和局部搜索能力。依据选择概率 Ps自决定目标位置的更新策略,选择概率的公式如下式所示:Ps=0.50.1(itermaxt)/itermax(25)当 Psrand 时,选择式(24)自适应 t 变异策略更新目标位置,反之选择式(21)式(23)反向学习策略更新目标位置。为了保证适应度值的最优,在变异更新后,引入贪心机制,对比变异前后两个位置的适应度值,确定是否更新位置。贪心机制如式(26)所示,f(x)表示麻雀个体在 x 处的适应度值。Xbest=Xt+1i,j,f(Xt+1i,j)f(Xbest)Xbest,f(Xt+1i,j)f(Xbest)(26)102中国测试2023年9月3 ICE
25、EMDAN-ISSA-LSTM 短期负荷预测模型本文构建的 LSTM 网络涉及到的超参数主要有:隐含层神经元的个数 L1和 L2,学习率 lr,LSTM的迭代次数 K。将这 4 个超参数作为 ISSA 算法寻优的特征,即在 ISSA 算法中麻雀 Xi为(L1i,L2i,lri,Ki),利用 ISSA 算法对 LSTM 模型进行优化。LSTM前一层的输出作为下一层的输入,最后通过dense全连接层输出数据。本文基于 ICEEMDAN-ISSA-LSTM 预测方法的主要步骤如下:1)运用 ICEEMDAN 将负荷序列分解为 n 个IMF 分量和一个残余分量 Re。2)按照下式对各分解量进行归一化处
- 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:
- ICEEMDAN ISSA LSTM 短期 电力 负荷 预测
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。