[发明专利]一种基于VMD分解与LSTM网络的日用电量预测方法

说明书

本发明涉及一种基于VMD分解与LSTM网络的日用电量预测方法。包括对预处理后的数据进行变分模态分解，模态数K由贝叶斯优化算法进行优化；对用电量序列数据进行相关影响因子的拓展，原始数据与映射数据之间的映射参数由贝叶斯优化算法优化获得；将相关影响因子拓展后的数据分为训练集，验证集和测试集；通过LSTM模型训练各子模式，通过测试集与验证集的比较计算均方根误差；对预测结果进行重构与反归一化，确定是否满足终止条件；将优化后的映射参数输入到LSTM模型中，用训练集和验证集用作新的训练数据，对测试数据进行重构和反归一化，输出预测结果。能准确的描绘关键因素与用电量序列之间的关系，提高对日用电量预测的精度。

技术领域

本发明属于用电量预测技术领域，特别涉及一种基于VMD分解与LSTM 网络的日用电量预测方法。

背景技术

日用电量预测是一个复杂的问题，复杂性主要表现在：(1)受电力用户类 型的影响，用电量的波动性较大且表现出明显的时段性；(2)用电量受天气因 素、节假日因素以及经济条件等因素的影响，其波动性较大，即与气象因素、 政策调控日期类型等有较大的关联性。日需求预测就是通过观测历史数据，通 过可靠的方法和手段建立负荷与这些关联因素的函数关系。电力负荷的影响因 素众多，选取的因素本身也有不确定性，这些因素和电力负荷的定量关系也具 有一定的不确定性，因而人们很难对需求预测做出比较明确的量化。

发明内容

本发明所要解决的技术问题在于提供一种基于VMD分解与LSTM网络的 日用电量预测方法，准确的描绘关键因素与用电量序列之间的关系，提高对日 用电量预测的精度。

本发明与现有技术相比，有益效果在于：一种基于VMD分解与LSTM 网络的日用电量预测方法，包括以下步骤：

(1)数据预处理；

(2)对预处理后的数据进行变分模态分解，模态数K由贝叶斯优化算 法进行优化；

(3)对用电量序列数据进行相关影响因子的拓展，所述影响因子包 括典型日以及温度因素，原始数据与映射数据之间的映射参数由贝叶斯优 化算法优化获得；

(4)将相关影响因子拓展后的数据分为训练集，验证集和测试集；

(5)通过LSTM模型训练各子模式，通过测试集与验证集的比较计算 均方根误差；

(6)对预测结果进行重构与反归一化，确定是否满足终止条件，若 不满足则需要修正贝叶斯优化算法的先验函数，更新映射参数，并返回步 骤(4)；

(6)将优化后的映射参数输入到LSTM模型中，用训练集和验证集用 作新的训练数据，对测试数据进行重构和反归一化，输出预测结果。

进一步地，步骤(1)中的数据预处理通过ADF检验数据的平稳性， 若结果拒绝，则进行差分处理，之后将数据进行归一化。

进一步地，采用交叉验证，将数据拆分为训练集、验证集和测试集， 并将时间序列数据转换为如下格式：

式中，x为日用电量时间序列，N为时间序列数据总数，k是输入节点 数，j是预测数据的数量；i＝N-k-j是格式化数据的数量。

进一步地，步骤(2)通过变分模态分解方法分解为K个子模态，其 中K的数值是由贝叶斯优化算法优化得到。

进一步地，步骤(3)分别计算用电量与温度及日类型的相关性，若 存在相关性，则将原始映射扩展到每个VMD子模态，原始数据与映射数据 之间的映射参数由贝叶斯优化算法获取。

进一步地，在步骤(5)中通过LSTM模型对变分模态分解获得的子 模式进行预测，并对各子模式的预测结果进行重构，作为日用电量的预测 结果。

进一步地，