您好, 访客   登录/注册

基于CEEMDAN-CNN-GRU组合模型的短期负荷预测方法

来源:用户上传      作者:万磊 余飞 鲁统伟 姚婧

  摘 要:负荷数据的高度随机性和不确定性,导致短期负荷预测的精度很难提升。为了提高短期负荷预测的准确度,提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)与卷积神经网络(CNN)和门控循环单元(GRU)组合模型的短期负荷预测方法。首先,利用CEEMDAN模型将复杂的原始负荷序列分解为几个相对简单的子序列;其次,利用卷积神经网络(CNN)和门控循环单元(GRU)建立各分量预测模型,将归一化后的分量输入训练模型,得到预测子序列;最后,将所有分量的结果汇总,得到最终预测结果。结果表明,与LSTM模型、GRU模型、CNN-GRU及CEEMDAN-GRU组合模型相比,CEEMDAN-CNN-GRU组合模型所测精度有了明显提升,平均提升了25.08%,23.59%,20.41%和13.53%。CEEMDAN-CNN-GRU组合模型能够提取历史负荷数据中的非线性特征,有效提升短期负荷预测精度,可为电力系统建设提供有力支撑。
  关键词:数据处理;卷积神经网络;互补集合模态分解;门控循环单元;负荷预测;电力系统
  中图分类号:TP399 文献标识码:A
  Abstract: The high randomness and uncertainty of load data make it difficult to improve the accuracy of short-term load forecasting.In order to improve the accuracy of short-term load forecasting,a short-term load forecasting method based on a combined model of fully adaptive noise ensemble empirical mode decomposition (CEEMDAN),convolutional neural network (CNN) and gated recurrent unit (GRU) was proposed.First,the CEEMDAN model was used to decompose the complex original load sequence into several relatively simple sub-sequences;secondly,CNN and GRU were used to establish a prediction model for each component,and the normalized components were input into the training model to obtain the predictive subsequence.Finally,the results of all components were summarized to get the final prediction results.Experimental results show that the CEEMDAN-CNN-GRU combined model has a significant improvement in accuracy compared with the LSTM model,GRU model,CNN-GRU and CEEMDAN-GRU combined model,with an average increase of 25.08%,23.59%,20.41% and 13.53%.The CEEMDAN-CNN-GRU combined model can extract nonlinear features from historical load data,effectively improve the accuracy of short-term load forecasting,and provide strong support for power system construction.
  Keywords:data processing;convolutional neural network;complementary ensemble empirical mode decomposition;gated recurrent unit;load forecasting;electric power system
  
  荷预测是现代电力系统中的一个重要研究内容,特别是对长期规划、日常运行和控制而言,是电力高效运输和分配的一个先决条件。近年来,随着智能电网、能源互联网的快速发展,准确的负荷预测对电网的发电控制和经济调度具有重要意义[1],负荷预测正成为一个重要的研究领域。
  根据所涉及的时间长短,负荷预测一般分为3类:长期负荷预测、中期负荷预测和短期负荷预测[2-4]。短期负荷预测(STLF)不仅可以提高调度效率[5-6],还可以降低运营成本,成为负荷预测中最热门的研究课题。在过去的几十年里,众多专家学者致力于提出行之有效的方法和模型[7]。随着机器学习的发展,基于机器学习方法(如人工神经网络(artificial neural network,ANN)[8]、支持向量机(support vector machine,SVM)[9-11]等)由于其优异的拟合性能而被广泛应用于负荷预测领域。考虑到深度学习模型在处理复杂非线性序列的优越性能,人们将深度学习方法引入电力负荷预测领域[12]。文献[13]针对电力系统短期负荷预测的动态非线性特点,提出了一种基于Wiener模型的短期负荷预测模型,并采用Elman递归神经网络对其非线性部分进行拟合,在一定程度上提高了学习效率和预测精度。

nlc202206151119



转载注明来源:https://www.xzbu.com/1/view-15433608.htm

相关文章