本發明屬于電力負荷預測,涉及一種電力負荷預測方法及系統,具體涉及一種基于改進灰狼優化算法和vmd-wpe-cnn-bilstm-am的負荷預測方法及系統。
背景技術:
1、電力負荷預測在電力系統的規劃和運行中扮演著重要的角色。它不僅是確保電力供需平衡、維護電網穩定性的基礎,還直接影響電力公司的經濟效益和投資決策。準確的負荷預測能夠幫助優化發電資源配置,降低運營成本,同時為電力基礎設施投資提供可靠依據。在當前能源結構轉型和智能電網發展的背景下,負荷預測的重要性更加凸顯,精準可靠的負荷預測可以確保電力系統穩定可靠運行并實現電能智能調度,降低電力系統運營成本,因此,提高電力負荷預測的準確性對于實現電力系統的高效、經濟、可靠運行具有重大意義。
2、當下電力負荷預測主要有機器學習和深度學習等方法,然而單一的預測模型往往效果不佳,同時由于電力負荷具有高復雜性和非線性強的特點,故而其預測結果通常較差。
技術實現思路
1、為了解決上述技術問題,本發明提供了一種基于改進灰狼優化算法和vmd-wpe-cnn-bilstm-am的負荷預測方法及系統。
2、本發明的方法采用的技術方案是:一種基于改進灰狼優化算法的電力負荷預測方法,包括以下步驟:
3、步驟1:對原始數據進行歸一化預處理,所述原始數據包括電力負荷、溫度、濕度、氣壓、風速、降雨量、電價、是否為工作日、用電時段等
4、步驟2:對預處理后的數據進行變分模態分解,獲得 l個有限帶寬的子序列imf1、imf2、…、imfl;其中,使用改進灰狼優化算法對變分模態分解的模態數 k和懲罰因子進行尋優;
5、所述改進灰狼優化算法,首先使用logistic混沌映射進行種群初始化,然后融合差分變異和人工兔擾動變異來進行灰狼位置變異,最后在灰狼最優位置處進行精英反向學習變異;
6、步驟3:計算得到的各子序列的加權排列熵,將加權排列熵值相近的分量進行聚合重構;
7、步驟4:將聚合重構后的子序列分別帶入預測模型進行預測,將預測結果進行疊加得到最終的預測結果。
8、作為優選,步驟1中所述歸一化預處理,采用公式為:
9、;
10、其中,為處理后的數據, x為原始數據,和分別是原始數據中最大值以及最小值。
11、作為優選,步驟2中,所述變分模態分解,采用的約束變分模型為:
12、;
13、其中,表示 t時刻第 k個模態分量,為的中心頻率;為拉格朗日算子;為單位脈沖函數;為偏導運算;為卷積運算; j表示虛數單位;為待分解的信號序列,<>為內積運算符;
14、步驟2的具體實現過程是:
15、首先在頻譜中進行如下迭代:
16、;
17、;
18、式中:為的傅里葉變換; n表示第 n次迭代, i表示第 i個固有模態函數;表示第 n+1次迭代時,第 i個模態分量傅里葉變換后的頻域表達;表示第 n次迭代時,拉格朗日算子傅里葉變換后的頻域表達;表示第 n次迭代時,第 k個模態分量的中心頻率;表示頻率;
19、然后對進行迭代,為拉格朗日算子更新的參數;
20、最后通過計算得到迭代停止條件,為預先設定的允許誤差;迭代完成后輸出分解后得到的各個子序列。
21、作為優選,步驟2中,所述使用改進灰狼優化算法對變分模態分解的模態數k和懲罰因子進行尋優,具體實現包括以下子步驟:
22、(1)設置變分模態分解參數范圍,初始化灰狼優化算法;
23、(2)計算適應度函數值wfe,并記錄最佳個體位置;
24、首先計算輸入的原始信號幅值h,若變分模態分解后得到m個分量,計算各分量的模糊熵值,之后計算各分量的平均幅值;在改進灰狼優化算法優化變分模態分解時,適應度函數最終的表達式為:
25、;
26、;
27、(3)判斷是否滿足最大迭代次數,若是,選取wfe最小時的模態數k和懲罰因子作為變分模態分解參數輸出;若否,則更新灰狼位置并回轉執行步驟(2)。
28、作為優選,步驟2中,使用logistic混沌映射進行灰狼優化算法種群初始化,采用公式為:
29、;
30、式中:為第 n個混沌數, n為迭代次數;為控制參數,為[0,4]間實數;是[0,1]區間,這是受計算式的值域范圍所確定的。
31、作為優選,步驟2中所述融合差分變異和人工兔擾動變異來進行灰狼位置變異;變異后的灰狼位置為:
32、;
33、式中:,,; t為當前迭代次數;為第次迭代時灰狼位置,為變異后產生的新的位置,為當前最優位置, f為(0,1)間的隨機值;為服從正太分布的某一數,和均為(0,1)間隨機值;表示1到d之間的隨機整數值;為最大迭代次數;d?為變量維度;round為四舍五入取整函數;?g為判斷因子,為(0,1)間隨機值,當g小于等于0.5的時候采用差分變異改變灰狼位置,當g大于0.5的時候采用人工兔擾動變異來改變灰狼位置。
34、作為優選,步驟2中所述在灰狼最優位置處進行精英反向學習變異,采用公式為:
35、;
36、式中:為精英反向學習生成的最優位置;為(0,1)間隨機數;和分別為灰狼最優位置的最小值和最大值。
37、作為優選,步驟3的具體實現包括以下子步驟:
38、步驟3.1:針對子序列進行 m維相空間重構,獲得子序列組;
39、;
40、其中,1≤ i≤ n,為延遲時間, m為嵌入維數,n為時間序列長度;
41、步驟3.2:計算各子序列權重 ωi;
42、;
43、步驟3.3:計算各子序列排序形式的加權概率;
44、;
45、其中,為的排序形式 πk;
46、步驟3.4:計算子序列x i的wpe值;
47、。
48、作為優選,步驟4中所述預測模型,為訓練好的預測模型;所述預測模型,為卷積神經網絡cnn、雙向長短時記憶神經網絡bi-lstm和注意力網絡attention相結合的模型;
49、訓練時,使用cnn對輸入數據進行特征提取,之后bi-lstm將經過cnn提取特征后的信息進行訓練,同時加入注意機制am,使得預測模型在訓練的時候更加注重對預測結果權重大的特征的信息。
50、本發明的系統采用的技術方案是:一種基于改進灰狼優化算法的電力負荷預測系統,包括:
51、一個或多個處理器;
52、存儲裝置,用于存儲一個或多個程序,當所述一個或多個程序被所述一個或多個處理器執行時,使得所述一個或多個處理器實現所述的基于改進灰狼優化算法的電力負荷預測方法。
53、相對于現有技術,本發明的有益效果包括:
54、(1)本發明采用多個策略對灰狼優化算法(gwo)進行改進,從而提升了算法的全局搜索能力,尋優精度和迭代速度,使得算法具有更好的尋優性能。
55、(2)本發明使用多策略改進灰狼優化算法(msgwo)對變分模態分解(vmd)進行參數尋優,并依據尋優的參數對原始數據進行分解,充分降低了數據的復雜度和非線性,為后續的預測奠定了很好的數據輸入模型。
56、(3)本發明使用cnn-bi-lstm-am相結合的預測模型來進行預測,充分發揮了各個模型的特點,大幅度提升了預測精度和預測穩定性。
57、(4)本發明針對預測模型超參數選取困難的問題,使用msgwo來對cnn-bi-lstm-am模型進行超參數尋優,從而獲取了最優超參數模型,進一步提升了預測精度。
58、(5)本發明依據各分量的加權排列熵(wpe)對vmd分解得到的各分量進行聚合重構,很好地保留了各分量內在的聯系,也減少了后續的預測建模的工作量。