[发明专利]一种基于二维经验模态分解的门控循环单元网络负荷预测方法

说明书

本发明公开了一种基于二维经验模态分解的门控循环单元网络负荷预测方法，该方法包括如下步骤：首先根据原始负荷时间序列每小时的最小值和最大值来获得负荷区间，并通过复值变换得到区间复值序列；再通过二维经验模态分解(BEMD)将复值序列分解为有限个二维模态分量和一个残差分量，提取和识别数据的波动特征；其次，利用多元多尺度排列熵(MMPE)对各二维模态分量进行复杂度分析，重构分解后的二维模态分量以捕获内部因素，减少估计误差的累积；接着利用门控循环单元(GRU)同步预测各分量的上下界；最后，将各个分量的上下界预测结果分别相加集成得到最终区间预测值。

技术领域

本发明涉及一种基于二维经验模态分解的门控循环单元网络负荷预测方法，属于电力系统的负荷预测技术领域。

背景技术

随着电能与居民生活、工农业生产、社会发展关系愈加密切，智能电网的建设工作的进一步推进，逐步积累了海量的电力数据，并且整体数据量每年增长20％，由TB级向PB级发展。因此，智能电网需要进一步的提升数据存储、数据挖掘以及模式识别的能力，需有效减少损耗、提升一次能源的利用率；提前制定精确的发电计划和合理的调度方案是提高电网稳定性和经济性的重要手段。而建立准确的负荷预测模型不仅可以保证能及时调整电网运行方式、准确编制事故处置预案，确保电网经济、稳定运行，还可以节约发电成本，提高经济效益。

传统的离散时间序列数据无法反映观测对象的所有取值和变化范围，而区间值序列由某一特定时期的峰值和低谷值组成，是一种特殊形式的时间序列，使用区间数据可以包含更多的有效信息，如同一时期的变化和趋势。另外，与传统的点值时间序列相比，区间时间序列数据的独特表现形式使得其建模过程更加复杂，难度更大，较于点预测更具有挑战性。区间负荷预测是电力行业运行决策和电力系统规划的重要风险管理工具，先前的研究很少关注电力负荷的区间预测，大多没有考虑区间上下界之间可能存在的关联，因此，研究开发区间负荷预测方法具有重要的理论和现实意义。

传统的用负荷预测方法包括线性回归分析、趋势外推法以及周期因子模型法等。而这些预测方法在处理非线性、非平稳、高复杂性的时间序列时，预测效果并不理想。因此，为了简化和划分复杂数据，越来越多的学者采用经验模态分解(EMD)对负荷数据进行分解。EMD是一种直观的、自适应的信号处理技术，可以将非平稳、复杂的信号分解为几个独立的本征模态函数(IMFs)和一个残差项(RES)。然而，EMD只能处理一维时间序列，BEMD可适用于处理复值信号，因此本发明采用BEMD对负荷数据进行分解。与单一模型相比，从原始数据分解后的模态分量进行负荷建模预测会增加复杂度和计算量，因此采用元多尺度排列熵(MMPE)对各分解后的二维模态分量进行复杂度分析，将复杂度低的模态分量相加为一个新的分量，降低计算复杂度，减少预测误差的累计，提高负荷预测模型的鲁棒性及预测率。长短期记忆神经(LSTM)网络是一种广泛应用的循环神经网络(RNN)，它对数据时序性的适应能力很强，但其参数量较多、模型收敛速度较慢；而门控循环单元网络(GRU)是一种基于LSTM的优化网络，其简化了LSTM的内部单元结构，在保证较高预测精度的同时可有效缩短模型的训练时间。因此，本发明提出了一种基于二维经验模态分解的门控循环单元网络负荷预测算法。

发明内容

本发明针对现有技术的不足，解决了EMD只能处理一维时间序列，以及分解后的模态分量预测会导致计算复杂度高等问题，提出了一种基于二维经验模态分解的负荷预测算法，该预测模型不仅可以挖掘海量电力负荷数据的特征信息，还可以提高预测模型的预测精度及鲁棒性。

为了克服上述现有技术的不足，本发明提供了如下的技术方案：

一种基于二维经验模态分解的门控循环单元网络负荷预测方法，包括如下步骤：

S1.通过智能电表采集用户负荷数据，得到原始用电负荷数据，根据一定的时间尺度构造区间复值序列；

S2.通过二维经验模态分解BEMD算法对区间复值序列进行分解，将其根据本身所具有的特点分解为若干对相互独立、且拥有不一样尺度特征的模态分量IMF和一对残差序列；