一种基于VMD-IPSO-GRU的电力负荷预测方法

一种基于vmd-ipso-gru的电力负荷预测方法
技术领域
1.本发明涉及电力负荷预测技术领域，尤其涉及一种电力负荷预测方法。


背景技术：

2.能源是我们人类赖以生存的基础与保障，其中电力能源对我国来说是最重要的能源之一。因此，保障电力的稳定供应，对我国的经济及发展、居民的工作与生活以及社会的稳定有至关重要的作用。目前无论是人们生活或是生产的工具，如通讯工具、生产设备等大多数都是由电力驱动的。一旦电力系统无法保证稳定，进而导致停电事故的发生，那么该地区将直接处于瘫痪状态，人们的通勤和休息被打乱，公司的运作被干扰，工厂的生产也将无法进行。因此对电力负荷进行预测，保证电力系统的正确运行一直是相关领域的研究热点。
3.传统的电力负荷预测方法包括时间序列法、回归分析法等，这些模型结构简单，但对电力负荷的预测精度也较低。而随机森林、人工神经网络、支持向量回归等机器学习方法没有考虑到负荷数据在时序上的相关性，rnn循环神经网络因其具有时序性，被广泛运用在时间序列的预测上。gru和lstm都是一种特殊的rnn，相对于lstm，gru结构更简单、收敛速度更快，但利用gru进行预测时需要依靠经验来对部分参数进行确定，具有不确定性。因此本发明使用了改进的粒子群算法对这些参数进行寻优来进行电力负荷的预测。


技术实现要素：

4.针对现有电力负荷预测技术中存在的上述不足，本发明提供一种基于vmd-ipso-gru的电力负荷预测方法。
5.本发明采用vmd变分模态分解将原始数据分解为多个分量，使用改进的粒子群算法ipso对gru网络的参数进行优化，该模型具有预测速度快、准确性高、泛化能力强的特点。
6.本发明的目的是提出一种基于vmd-ipso-gru的电力负荷预测方法，包括如下步骤：
7.步骤1：获取某地区的电力负荷数据及该地区的天气数据，保留其中的日期、电力消耗数据和温度数据，构成原始数据集；
8.步骤2：对原始电力负荷时间序列及气象数据、时间数据进行数据清洗，补全缺失值，剔除偏差过大的异常值；
9.(2.1)缺失数据处理：检查原始数据集中是否存在缺失值，由于电力负荷具有连续性，因此对缺失数据使用均值法进行填充，即对该数据缺失点的前后两条数据之和求平均值；
10.(2.2)偏差数据处理：由于电力负荷呈现周期性，且短期内的变化幅度较小，因此对识别到的异常数据中的偏差数据使用一周前同一采样位置的数据替代；
11.(2.3)归一化处理：根据公式(1)对数据进行归一化处理
12.13.其中yi为归一化后的值，xi为数据原始值值，x
max
和x
min
分别为数据的最大值和最小值。
14.步骤3：获得最佳分解模态数k，将电力负荷时间序列f(t)进行vmd分解，得到k个不同中心频率的模态uk＝(u1,u2,
…
,uk)，将vmd分解后的子序列与温度因素t结合作为输入向量ik＝(uk,q1,q2,
…
,qn)，同时划分训练集和测试集。
15.(3.1)首先是vmd的构建，通过对每一个模态进行希尔伯特变换得到其解析信号和单边谱，根据梯度平方准则和高斯平滑度计算确定其带宽，计算过程如公式(2)所示
[0016][0017]
式中，k为模态的分解个数，为对时刻t的微分，δ(t)为狄拉克函数，uk和ωk为分解后的第k个模态分量的数学表达式和中心频率，|| ||2为二范式函数，f(t)为待处理的信号。最终分解得到的所有模态之和必须与f(t)一致。
[0018]
(3.2)其次是vmd的求解。引入拉格朗日算子，将每个模态确定带宽的约束问题转变为无约束问题进行求解。处理过程如公式(3)所示：
[0019][0020]
其中，α为二次惩罚因子，λ为拉格朗日乘法算子。
[0021]
使用交替方向乘子法更新各个模态分量uk(t)和对应的中心频率ωk，求得公式(2)的最优解，通过傅里叶变换，计算分解得到的k个模态分量的最优值，如公式(4)所示:
[0022][0023]
按照相同的过程，得到中心频率的更新公式，如公式(5)所示：
[0024][0025]
由此，通过vmd分解出电力负荷数据的k个模态分量uk和中心频率ωk；
[0026]
步骤4：建立ipso-gru预测模型。
[0027]
(4.1)设置ipso的维度空间d＝2，粒子群规模为20,最大迭代次数为100，惯性权重ω
max
＝0.9，ω
min
＝0.4，学习因子c1＝c2＝1.5；
[0028]
(4.2)设置隐藏层节点数n0、n1，取值范围为[1,200]；
[0029]
(4.3)初始化粒子群中的每个粒子i的位置速度个体最优解群体最
优解其中粒子i的位置代表节点数为n0,n1；
[0030]
(4.4)将每个粒子的位置参数作为神经网络节点训练gru模型，计算适应度值，并比较选择适应度小的位置更新
[0031]
(4.5)对粒子群中的每个粒子的惯性权重、速度与位置进行更新，具体如公式(6)、(7)、(8)所示：
[0032][0033][0034]
其中，分别代表粒子在第k+1、k次迭代中第d维的速度、位置；为第k次迭代时第d维的个体最优解、群体最优解；r1、c2为加速度常数，分别代表粒子的个体学习因子和群体学习因子，r1r2为[0,1]内的随机数，用于满足粒子寻优过程的随机性；
[0035][0036]
其中，ω为惯性权重，ω
max
和ω
min
分别表示惯性权重的最大值和最小值，k为当前迭代次数，k
max
为最大迭代次数；
[0037]
(4.6)重复步骤(4.3)、(4.4)，直到满足最大迭代次数时停止，将寻找到的全局最优解代入gru进行训练；
[0038]
步骤5：将所有子序列的预测值序列重构并进行反归一化处理，得到最终预测值并根据平均绝对百分比误差mape来判断，其计算公式如公式(9)所示：
[0039][0040]
其中，yi表示的中真实值，表示神经网络模型的预测值。
[0041]
将本发明提出的方法与其他经典预测方法在同一数据集上进行准确度对比，使用单一gru模型、pso-gru模型、ipso-gru模型、vmd-ipso-gru模型的mape分别为9.2412％、8.6491％、8.2739％、7.5523％，通过与其他方法的对比，验证了本发明所提出方法的准确性与可靠性。
[0042]
本发明还包括一种基于vmd-ipso-gru的电力负荷预测系统，包括：
[0043]
原始数据集构建模块，用于获取某地区的电力负荷数据及该地区的天气数据，保留其中的日期、电力消耗数据和温度数据，构成原始数据集；
[0044]
数据清洗模块，用于对原始电力负荷时间序列及气象数据、时间数据进行数据清洗，补全缺失值，剔除偏差过大的异常值；
[0045]
最佳分解模态数获取模块，用于获得最佳分解模态数k，将电力负荷时间序列f(t)进行vmd分解，得到k个不同中心频率的模态uk＝(u1,u2,
…
,uk)，将vmd分解后的子序列与温度因素t结合作为输入向量ik＝(uk,q1,q2,
…
,qn)，同时划分训练集和测试集；
[0046]
ipso-gru预测模型建立模块，用于建立ipso-gru预测模型；
[0047]
反归一化处理模块，用于将所有子序列的预测值序列重构并进行反归一化处理，得到最终预测值，并根据平均绝对百分比误差mape来判断。
[0048]
本发明的优点是：1、通过vmd分解原始电力负荷数据，降低数据的复杂度，从而更好地挖掘数据内部的信息。2、使用ipso算法对gru网络模型参数进行寻优，降低了模型训练成本，提高了预测精度，并使gru网络具有更快的收敛速度和更好的搜索能力。3、采用本发明模型与其他经典模型作对比试验，结果显示本模型效果拟合效果更好，预测精度更高。
附图说明
[0049]
图1是本发明预测方法流程图示意图。
[0050]
图2是ipso-gru模型训练流程图。
[0051]
图3是本发明系统的结构图。
[0052]
为了使本发明的目的、技术方案及优点更加清楚明白，结合以下附图，对本发明进行进一步的详细说明。
[0053]
实施例1
[0054]
参照图1和图2，本发明提出一种基于vmd-ipso-gru的短期电力负荷预测方法，包括如下步骤：
[0055]
步骤1：获取某地区的电力负荷数据及该地区的天气数据，保留其中的日期、电力消耗数据和温度数据，构成原始数据集；
[0056]
步骤2：对原始电力负荷时间序列及气象数据、时间数据进行数据清洗，补全缺失值，剔除偏差过大的异常值；
[0057]
(2.1)缺失数据处理：检查原始数据集中是否存在缺失值，由于电力负荷具有连续性，因此对缺失数据使用均值法进行填充，即对该数据缺失点的前后两条数据之和求平均值；
[0058]
(2.2)偏差数据处理：由于电力负荷呈现周期性，且短期内的变化幅度较小，因此对识别到的异常数据中的偏差数据使用一周前同一采样位置的数据替代；
[0059]
(2.3)归一化处理：根据公式(1)对数据进行归一化处理
[0060][0061]
其中yi为归一化后的值，xi为数据原始值值，x
max
和x
min
分别为数据的最大值和最小值。
[0062]
步骤3：获得最佳分解模态数k，将电力负荷时间序列f(t)进行vmd分解，得到k个不同中心频率的模态uk＝(u1,u2,
…
,uk)，将vmd分解后的子序列与温度因素t结合作为输入向量ik＝(uk,q1,q2,
…
,qn)，同时划分训练集和测试集。
[0063]
(3.1)首先是vmd的构建，通过对每一个模态进行希尔伯特变换得到其解析信号和单边谱，根据梯度平方准则和高斯平滑度计算确定其带宽，计算过程如公式(2)所示：
[0064][0065]
式中，k为模态的分解个数，为对时刻t的微分，δ(t)为狄拉克函数，uk和ωk为分解后的第k个模态分量的数学表达式和中心频率，|| ||2为二范式函数，f(t)为待处理的信号。最终分解得到的所有模态之和必须与f(t)一致；
[0066]
(3.2)其次是vmd的求解。引入拉格朗日算子，将每个模态确定带宽的约束问题转变为无约束问题进行求解。处理过程如公式(3)所示：
[0067][0068]
其中，α为二次惩罚因子，λ为拉格朗日乘法算子。
[0069]
使用交替方向乘子法更新各个模态分量uk(t)和对应的中心频率ωk，求得公式(2)的最优解，通过傅里叶变换，计算分解得到的k个模态分量的最优值，如公式(4)所示:
[0070][0071]
按照相同的过程，得到中心频率的更新公式，如公式(5)所示：
[0072][0073]
由此，可以通过vmd分解出电力负荷数据的k个模态分量uk和中心频率ωk；
[0074]
步骤4：建立ipso-gru预测模型。
[0075]
(4.1)设置ipso的维度空间d＝2，粒子群规模为20,最大迭代次数为100，惯性权重ω
max
＝0.9，ω
min
＝0.4，学习因子c1＝c2＝1.5；
[0076]
(4.2)设置隐藏层节点数n0、n1，取值范围为[1,200]；
[0077]
(4.3)初始化粒子群中的每个粒子i的位置速度个体最优解群体最优解其中粒子i的位置代表节点数为n0,n1；
[0078]
(4.4)将每个粒子的位置参数作为神经网络节点训练gru模型，计算适应度值，并比较选择适应度小的位置更新
[0079]
(4.5)对粒子群中的每个粒子的惯性权重、速度与位置进行更新，具体如公式(6)、(7)、(8)所示：
[0080]
[0081][0082]
其中，分别代表粒子在第k+1、k次迭代中第d维的速度、位置；为第k次迭代时第d维的个体最优解、群体最优解；r1、c2为加速度常数，分别代表粒子的个体学习因子和群体学习因子，r1r2为[0,1]内的随机数，用于满足粒子寻优过程的随机性；
[0083][0084]
其中，ω为惯性权重，ω
max
和ω
min
分别表示惯性权重的最大值和最小值，k为当前迭代次数，k
max
为最大迭代次数；
[0085]
(4.6)重复步骤(4.3)、(4.4)，直到满足最大迭代次数时停止，将寻找到的全局最优解代入gru进行训练；
[0086]
步骤5：将所有子序列的预测值序列重构并进行反归一化处理，得到最终预测值并根据平均绝对百分比误差mape来判断，其计算公式如公式(9)所示
[0087][0088]
其中，yi表示的中真实值，表示神经网络模型的预测值。
[0089]
将本发明提出的方法与其他经典预测方法在同一数据集上进行准确度对比，使用单一gru模型、pso-gru模型、ipso-gru模型、vmd-ipso-gru模型的mape分别为9.2412％、8.6491％、8.2739％、7.5523％，通过与其他方法的对比，验证了本发明所提出方法的准确性与可靠性。
[0090]
实施例2
[0091]
参照图3，本发明还包括一种基于vmd-ipso-gru的电力负荷预测系统，包括：
[0092]
原始数据集构建模块，用于获取某地区的电力负荷数据及该地区的天气数据，保留其中的日期、电力消耗数据和温度数据，构成原始数据集；
[0093]
数据清洗模块，用于对原始电力负荷时间序列及气象数据、时间数据进行数据清洗，补全缺失值，剔除偏差过大的异常值；
[0094]
最佳分解模态数获取模块，用于获得最佳分解模态数k，将电力负荷时间序列f(t)进行vmd分解，得到k个不同中心频率的模态uk＝(u1,u2,
…
,uk)，将vmd分解后的子序列与温度因素t结合作为输入向量ik＝(uk,q1,q2,
…
,qn)，同时划分训练集和测试集；
[0095]
ipso-gru预测模型建立模块，用于建立ipso-gru预测模型；
[0096]
反归一化处理模块，用于将所有子序列的预测值序列重构并进行反归一化处理，得到最终预测值，并根据平均绝对百分比误差mape来判断。
[0097]
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

技术特征：
1.一种基于vmd-ipso-gru的电力负荷预测方法，包括如下步骤：步骤1：获取某地区的电力负荷数据及该地区的天气数据，保留其中的日期、电力消耗数据和温度数据，构成原始数据集；步骤2：对原始电力负荷时间序列及气象数据、时间数据进行数据清洗，补全缺失值，剔除偏差过大的异常值；(2.1)缺失数据处理：检查原始数据集中是否存在缺失值，由于电力负荷具有连续性，因此对缺失数据使用均值法进行填充，即对该数据缺失点的前后两条数据之和求平均值；(2.2)偏差数据处理：由于电力负荷呈现周期性，且短期内的变化幅度较小，因此对识别到的异常数据中的偏差数据使用一周前同一采样位置的数据替代；(2.3)归一化处理：根据公式(1)对数据进行归一化处理其中y
i
为归一化后的值，x
i
为数据原始值值，x
max
和x
min
分别为数据的最大值和最小值；步骤3：获得最佳分解模态数k，将电力负荷时间序列f(t)进行vmd分解，得到k个不同中心频率的模态u
k
＝(u1,u2,
…
,u
k
)，将vmd分解后的子序列与温度因素t结合作为输入向量i
k
＝(u
k
,q1,q2,
…
,q
n
)，同时划分训练集和测试集；(3.1)首先是vmd的构建，通过对每一个模态进行希尔伯特变换得到其解析信号和单边谱，根据梯度平方准则和高斯平滑度计算确定其带宽，计算过程如公式(2)所示式中，k为模态的分解个数，为对时刻t的微分，δ(t)为狄拉克函数，u
k
和ω
k
为分解后的第k个模态分量的数学表达式和中心频率，|| ||2为二范式函数，f(t)为待处理的信号；最终分解得到的所有模态之和必须与f(t)一致；(3.2)其次是vmd的求解；引入拉格朗日算子，将每个模态确定带宽的约束问题转变为无约束问题进行求解；处理过程如公式(3)所示：其中，α为二次惩罚因子，λ为拉格朗日乘法算子；使用交替方向乘子法更新各个模态分量u
k
(t)和对应的中心频率ω
k
，求得公式(2)的最优解，通过傅里叶变换，计算分解得到的k个模态分量的最优值，如公式(4)所示:
按照相同的过程，得到中心频率的更新公式，如公式(5)所示：由此，通过vmd分解出电力负荷数据的k个模态分量u
k
和中心频率ω
k
；步骤4：建立ipso-gru预测模型；(4.1)设置ipso的维度空间d＝2，粒子群规模为20,最大迭代次数为100，惯性权重ω
max
＝0.9，ω
min
＝0.4，学习因子c1＝c2＝1.5；(4.2)设置隐藏层节点数n0、n1，取值范围为[1,200]；(4.3)初始化粒子群中的每个粒子i的位置速度个体最优解群体最优解其中粒子i的位置代表节点数为n0,n1；(4.4)将每个粒子的位置参数作为神经网络节点训练gru模型，计算适应度值，并比较选择适应度小的位置更新(4.5)对粒子群中的每个粒子的惯性权重、速度与位置进行更新，具体如公式(6)、(7)、(8)所示：(8)所示：其中，分别代表粒子在第k+1、k次迭代中第d维的速度、位置；为第k次迭代时第d维的个体最优解、群体最优解；r1、c2为加速度常数，分别代表粒子的个体学习因子和群体学习因子，r
1 r2为[0,1]内的随机数，用于满足粒子寻优过程的随机性；其中，ω为惯性权重，ω
max
和ω
min
分别表示惯性权重的最大值和最小值，k为当前迭代次数，k
max
为最大迭代次数；(4.6)重复步骤(4.3)、(4.4)，直到满足最大迭代次数时停止，将寻找到的全局最优解代入gru进行训练；步骤5：将所有子序列的预测值序列重构并进行反归一化处理，得到最终预测值并根据平均绝对百分比误差mape来判断，其计算公式如公式(9)所示：其中，y
i
表示的中真实值，表示神经网络模型的预测值。2.一种基于vmd-ipso-gru的电力负荷预测系统，其特征在于：包括：原始数据集构建模块，用于获取某地区的电力负荷数据及该地区的天气数据，保留其中的日期、电力消耗数据和温度数据，构成原始数据集；
数据清洗模块，用于对原始电力负荷时间序列及气象数据、时间数据进行数据清洗，补全缺失值，剔除偏差过大的异常值；最佳分解模态数获取模块，用于获得最佳分解模态数k，将电力负荷时间序列f(t)进行vmd分解，得到k个不同中心频率的模态u
k
＝(u1,u2,
…
,u
k
)，将vmd分解后的子序列与温度因素t结合作为输入向量i
k
＝(u
k
,q1,q2,
…
,q
n
)，同时划分训练集和测试集；ipso-gru预测模型建立模块，用于建立ipso-gru预测模型；反归一化处理模块，用于将所有子序列的预测值序列重构并进行反归一化处理，得到最终预测值，并根据平均绝对百分比误差mape来判断。

技术总结
一种基于VMD-IPSO-GRU的电力负荷预测方法，包括如下步骤：(1)获取某地区的电力负荷数据及该地区的天气数据，保留其中的日期、电力消耗数据和温度数据，构成原始数据集；(2)对原始电力负荷时间序列及气象数据、时间数据进行数据清洗，补全缺失值，剔除偏差过大的异常值；(3)获得最佳分解模态数K，将电力负荷时间序列f(t)进行VMD分解，得到K个不同中心频率的模态u


技术研发人员：蒋一波 朱航锟 周泽宝 周轲
受保护的技术使用者：浙江工业大学
技术研发日：2023.02.13
技术公布日：2023/8/21