本发明涉及电力负荷预测技术领域，尤其涉及一种基于经验模态分解与长短时记忆深层神经网络的台区短期负荷预测方法。
背景技术：
电力负荷预测问题旨在预测出电网中单条或者多条输电线的用电祈求，根据预测的时间跨度可分为：短期预测(几分钟到一周)、中期预测(一个月到一个季度)和长期预测(一年以上)。由于现有技术条件下，电能很难有效地存储在大型储电装置中，因此，在满足供电需求的条件下，尽可能地降低剩余发电量，是减少成本，提高电能使用效率的有效途径。因此，采用各种预测方法准确地预测出区域内中短期供电负荷，对规划和指导发电企业有效生产电能是十分必要的。目前，有很多主流的方法应用于电力负荷预测，像人工神经网络、支持向量机、高斯过程回归、自回归移动平均模型等。电力日曲线负荷与很多隐变量相关，如光照、风力、节假日等等，这些变量一般难以获取或者量化，因此造成日负荷曲线难以预测，但是可以合理地认为拥有相似的隐变量的日期其日负荷曲线较为相似。而这些相似的电力负荷日曲线是高度相关的，运用聚类技术归类神经网络的输入将会提高这些相似区域的负荷预测精度。
近年来，随着深度学习理论研究的深入发展，将深度学习理论应用于电力系统的用电需求预测是一项很有意义的工作。现有的各种基于神经网络的预测方法很少能预测出跨区域的用电负荷，且提出的供电负荷预测模型并不精确。
技术实现要素：
本发明为了解决现有技术中存在的问题，提供一种多模型长短时记忆神经网络(long-shorttermneuralnetwork,lstm)的电力负荷预测方法，该方法将经验模态分解(empiricalmodedecomposition,emd)与神经网络方法进行结合，能够精确地同时预测出台区配变的电力负荷。
为了达到上述目的，本发明提出的技术方案为：一种基于经验模态分解和长短时记忆网络的电力负荷预测方法，包括如下步骤：
获取历史时刻的电力负荷数据和日期特征因素，并对数据进行预处理；
对经过预处理的历史数据进行经验模态分解，分解产生多个本征模函数信号以及残差信号，并分别作为多个神经网络预测的输入；
采用基于长短时记忆神经网络的深层网络分别对多个本征模函数信号以及残差信号进行训练建模，产生多个针对不同分量进行预测的子模型，即基于多模型长短时记忆神经网络负荷预测模型；
利用训练生成的基于多模型长短时记忆神经网络负荷预测模型对在预测日期内电力负荷的各本征模函数分量(intrinsicmodefunction,imf)进行预测，并最后将各个分量的预测结果求和，产生当日的电力负荷预测结果。
对上述技术方案的进一步设计为：其特征在于：所述日期特征因素包括气温与周序号、日序号。
所述数据预处理过程为对历史负荷数据以及日期特征因素中的气温进行归一化处理，对日期特征因素中的日类型与周类型进行独热编码(onehot)处理。
对预处理后的历史数据进行经验模态分解的步骤为：
对于一个时序序列x0(t)，找出原数据序列所有的极大值点并用三次样条插值函数拟合形成原数据的上包络线u0(t)；
找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线l0(t)；
对上包络线和下包络线求均值，形成平均包络线m0(t)；
将原数据序列x0(t)减去该平均包络线m0(t)，得到第一个本征模函数(imf)分量序列c0(t)；
把平均包络线m0(t)视为下一轮筛选的数据序列x1(t)，重复上述步骤，可以产生多个本征模函数分量序列ci(t)以及残差序列r，直至imf分量达到停止的阈值。
所述残差序列r为最后一次筛选的平均包络线mi(t)。
所述基于长短时记忆神经网络的深层网络由三层长短时记忆网络与单层感知器网络组成。
所述基于长短时记忆神经网络的深层网络的网络优化方法使用自适应矩估计方法，所述自适应矩估计方法根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计动态调整针对于每个参数的学习速率；
基于长短时记忆神经网络的深层网络的迭代次数设置为200，对于预测的输出y，选择参考前10天的输入数据x；所述长短时记忆网络的隐藏元均设置为50。
一种基于经验模态分解和长短时记忆网络的电力负荷预测系统，包括经验模态分解单元和长短时记忆网络单元；所述经验模态分解单元用于电力负荷历史数据进行经验模态分解，分解产生多个本征模函数信号以及残差信号；
长短时记忆网络单元包括长短时记忆神经网络，长短时记忆神经网络用于对多个本征模函数信号以及残差信号进行训练建模，产生基于多模型长短时记忆神经网络负荷预测模型，并利用训练生成的预测模型对在预测日期内的电力负荷各imf分量进行预测，并将各个分量的预测结果求和，得到当日的电力负荷预测结果；
所述长短时记忆神经网络负荷预测模型表示为如下公式：
forecast＝f(x),x＝[e,t,d,i]
其中，输入矩阵x为有功负荷值曲线l、预测时刻气温预测值t、预测时刻周序号i以及预测时刻日序号d合并而成。
与现有技术相比，本发明的有益效果在于：
本发明所述基于长短时记忆神经网络的电力负荷预测方法基于深度学习领域中的长短时记忆神经网络来构建负荷预测模型，将经验模态分解与神经网络两者结合起来，进一步提升了预测效果。在回归分析中，输入信号的平稳性越强，则更容易产生精确的预测结果。根据经验模态分解的理论分析，生成的imf分量具有更好的平稳性，因此，相比于对原始的信号进行预测，对分解后的imf分量进行预测最后求和，具有更加准确的预期效果。
附图说明
图1是本发明负荷预测方法整体流程图。
图2是输入数据预处理的示意图
图3是本发明中基于经验模态分解方法对负荷曲线进行分解的示意图；
图4是负荷曲线分解实例；
图5是lstm网络的模型结构示意图；
图6是深度lstm网络示意图；
图7是本发明基于长短时记忆神经网络构建的深层网络示意图；
图8是南通市某台区负荷预测实例
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
实施例
参照图1所示，为本发明基于经验模态分解和长短时记忆网络的电力负荷预测方法整体流程图。模型的训练集由经预处理的输入历史数据组成，包括历史时刻的电力负荷数据和历史日期特征因素(气温与周序号、日序号)，如图2所示。在本实施例中，通过对负荷进行经验模态分解以进一步提升预测准确度。参考图3、4所示。所述电力负荷预测方法能够基于深度学习领域中的长短时记忆神经网络来构建负荷预测模型，参考图5、6所示。本发明使用的深层lstm网络包括三层单层lstm神经网络以及一层全连接神经网络，参考图7所示。预测实例参考图8所示。
本实施例基于经验模态分解和长短时记忆网络的台区短期电力负荷预测方法包括如下步骤：
步骤一、获取待预测区域内的历史电力负荷数和区域特征因素。具体的，典型的电力负荷祈求预测问题受到各种区域特征因素影响，所述区域特征因素包括区域内的时间、节假日、天气以及经济指标等信息，所述历史电力负荷数据是指所倡预测区域内的历史时刻的电力负荷数据信息。参照图2所示，图2是在本实例中输入数据预处理的示意图，所述历史电力负荷数据和区域特征因素，由用户从外部数据系统收集并输入至计算机1中，区域特征因素包括气温与预测时刻的周序号(1-7)、日序号(1-48)。由于神经网络的输出对输入数据十分敏感，因此，对于输入历史负荷数据及气温需要进行归一化处理，转化成(0，1)范围内的数据，对于周序号与日序号，采用onehot编码方法。
步骤二、对历史电力负荷数据进行经验模态分解。在回归分析中，输入信号的平稳性越强，则更容易产生精确的预测结果。根据经验模态分解的理论分析，生成的本征模函数(imf)分量具有更好的平稳性，因此，相比于对原始的信号进行预测，对分解后的imf分量进行预测最后求和，具有更加准确的预期效果。
所述经验模态分解(emd)算法，将复杂信号分解为有限个本征模函数以及残差，各imf分量包含了原信号的不同时间尺度的局部特征信号。该方法能够将非平稳非线性数据转为平稳线性数据，特别适用于非线性非平稳信号的分析处理，这对充分挖掘预测负荷其隐藏的时序关系具有极大的辅助作用。不同于短时傅立叶变换、小波分解等信号分解方法，该方法的基函数无需预先定义，而是由数据本身所分解得到。由于该分解基于信号序列时间尺度的局部特性，因此具有自适应性。
经验模态分解方法基于以下假设条件：数据至少有两个极值，一个最大值和一个最小值；数据的局部时域特性是由极值点间的时间尺度唯一确定；如果数据没有极值点但有拐点，则可以通过对数据微分一次或多次求得极值，然后再通过积分来获得分解结果。这种方法的本质是通过数据的特征时间尺度来获得本征波动模式，然后分解数据。
参照图3所示，图3是本发实施例中基于经验模态分解方法对负荷曲线信号进行分解的示意图。对于一个时序序列x0(t)，找出原数据序列所有的极大值点并用三次样条插值函数拟合形成原数据的上包络线u0(t)。相似地，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线l0(t).对上包络线和下包络线求均值，形成平均包络线m0(t)。将原数据序列x0(t)减去该平均包络线m0(t)，得到第一个imf分量序列c0(t)。把平均包络线m0(t)视为下一轮筛选的数据序列x1(t)，重复上述步骤，可以产生多个本征模函数(imf)分量序列ci(t)以及残差序列r(即最后一次筛选的平均包络线mi(t)),直至imf分量达到停止的阈值。筛选过程可以表示为如下公式：
ci(t)＝xi(t)-mi(t)
ri(t)＝mi(t)
因此，原时序序列x(t)可以表示为各imf分量序列ci(t)以及残差序列r之和，如下式所示：
如图4所示，图4是负荷曲线分解实例。负荷信号来源为南通市某台区某日期的历史负荷数据。原始信号被分解为了14个imf分量序列。由于信号太多，在一幅图中全部显示会导致无法分辨，此处只显示其中四个分量(1、3、5、7)。由图可以看到，分解出的imf分量相比于原始信号，具有更好的平稳性。
步骤三、根据经验模态分解产生的多个各本征模函数分量序列ci(t)以及残差序列r(也视作一个分量)，将每一个分量均和气温数据、编码后的周序号与日序号等样本分别作为训练集，输入至深度网络进行训练，形成一个单独的预测模型，最终形成多模型的整体预测体系。整体结构如图1所示进行预测时，同样先对负荷序列作emd分解，分别对在预测日期内的电力负荷各imf分量进行预测，最后将各个分量的预测结果求和，产生当日的电力负荷预测结果。
本发明采用迭代神经网络(recurrentneuralnetwork,rnn)的改进型网络长短时记忆神经网络来进行建模，下面将详细说明该网络模型结构和原理。
迭代神经网络是一种通过对隐层状态向量ht递归应用状态转移函数f来处理任意长输入序列的网络。处于时间步长t的隐层状态向量ht由当前输入xt和上一时刻的隐层状态向量ht-1决定，如下式所示：
上式可以看成一个动态系统，系统的状态按照一定的规律随时间变化。ht就是系统的状态，理论上，迭代神经网络可以近似任意的动态系统。传统上，对时间序列进行建模的策略是用迭代神经网络将输入序列映射为固定长度的向量，然后再输入到回归器中，回归器给出预测结果。但是，基于状态转移函数的多个rnns在训练的过程中，在输入长序列后，其梯度向量会出现指数级的增长或衰减，因此rnns面临梯度消失或者梯度爆炸的问题。在这种情况下，多个rnns很难学习序列的长时相关性问题。
在本实施例中，长短时记忆神经网络是一种改进型的迭代神经网络模型，它通过引入逻辑门机制，有效地解决了简单的迭代神经网络面临的梯度消失或者爆炸问题，使深层网络模型能够学习时间序列的长期依赖。该lstm网络的关键在于引入了一组记忆单元，允许网络学习何时遗忘历史信息，何时用新信息更新记忆单元。
参照图5所示，图5是单层lstm网络的模型结构示意图。所述lstm网络由输入层、lstm网络层和输出层构成。其中lstm网络层包括输入门it,输出门ot和遗忘门ft以及记忆单元ct,在时刻t，记忆单元ct记录到当前时刻t为止的所有历史信息并受到输入门it,输出门ot和遗忘门ft这三个逻辑门控制，该三个逻辑门的输出值均在0和1之间。遗忘门ft控制lstm网络层的信息擦除，所述输入门it控制lstm网络层的信息更新，所述输出门ot控制内部状态的信息输出。所述lstm网络的输入序列为x＝(x1,x2,…,xt),由输入层输入至lstm网络层，输出序列y＝(y1,y2,…,yt)为由输出层从lstm网络层输出，其中，t是每日采样数，x是历史输入负荷曲线，y是预测负荷曲线，所述lstm网络层的参数迭代更新方式如下公式(1)-(6)所示：
ft＝σ(wf·[ht-1,xt] bf)(1)
it＝σ(wi·[ht-1,xt] bi)(2)
c′t＝tanh(wc·[ht-1,xt] bc)(3)
ot＝σ(wo·[ht-1,xt] bo)(5)
其中，
在本实例中，输入门、输出门、遗忘门和记忆单元能够使lstm网络层自适应选择遗忘、记忆和输出记忆信息，如果检测到重要的信息内容，遗忘门们将会关闭，这样将会在多个时间步长内利用该信息，这就等价于捕捉到了一个长期依赖信息；另一方面，当遗忘门打开时，lstm网络层将会选择复位记忆状态。
单层神经网络的学习能力不一定能满足需求，对于一些复杂的信号。对此，本实施例将若干单层神经网络堆叠，形成深度神经网络，其中一种典型结构如图6所示。图6是深度lstm网络示意图。深度神经网络是由多个单层非线性网络叠加而成的，具有更强的学习能力。面对复杂的非线性分类任务，深层神经网络相比于单层网络具有更好的分类效果。
本实施例中以lstm层为主搭建的整体网络结构参照图7所示，图7是本发明基于长短时记忆神经网络构建的深层网络示意图，网络由三层lstm网络与单层感知器网络组成。过多的网络层数可能会导致网络的过拟合以及训练时间的急剧增加。在本实例中，一些网络参数设计如下：优化方法使用adam(adaptivemomentestimation)，即自适应矩估计，如果一个随机变量x服从某个分布，x的一阶矩是e(x)，也就是样本平均值，x的二阶矩就是e(x^2)，也就是样本平方的平均值。adam算法根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计动态调整针对于每个参数的学习速率。迭代次数设置为200，对于预测的输出y，选择参考前10天的输入数据x，lstm层隐藏元均设置为50。
本实施例中所述深度神经网络负荷预测模型表示为如下公式：
forecast＝f(x),x＝[e,t,d,i]
其中，输入矩阵x为有功负荷值曲线e(每30min采样一次)、预测时刻气温预测值t、预测时刻周序号i(1-7)以及预测时刻日序号d(1-48)合并而成。
步骤四、选择预测日期，将所需相关输入历史数据输入至预处理模块。对经过预处理的历史数据进行经验模态分解，分解产生多个本征模函数信号以及残差信号，利用训练生成的基于多模型长短时记忆神经网络负荷预测模型对配变电力负荷在预测日期内的各imf分量进行预测，并最后将各个分量的预测结果求和，产生当日的电力负荷预测结果。
步骤五、输出该配变设定日期的电力负荷预测结果；即一组电力负荷日曲线y(m)。
在本实施例中，采集到的负荷为每30分钟，每日48点的负荷数据。因此输出数据也为相同的48点曲线。参照图8所示，图8是南通市某台区某日期的负荷预测结果，其预测结果与真实值的误差约为12％，所提的多模型emd-lstm网络方法，在平均误差中显著低于传统的单层感知器网络，单层lstm网络方法以及支持向量机和动态贝叶斯网络等对照办法，预测效果得到了实际验证。
本发明的技术方案不局限于上述各实施例，凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。
1.基于经验模态分解和长短时记忆网络的电力负荷预测方法，其特征在于，包括如下步骤：
获取历史时刻的电力负荷数据和日期特征因素，并对数据进行预处理；
对经过预处理的历史数据进行经验模态分解，分解产生多个本征模函数信号以及残差信号，并分别作为多个神经网络预测的输入；
采用基于长短时记忆神经网络的深层网络分别对多个本征模函数信号以及残差信号进行训练建模，产生多个针对不同分量进行预测的子模型，即基于多模型长短时记忆神经网络负荷预测模型；
利用训练生成的基于多模型长短时记忆神经网络负荷预测模型对在预测日期内的电力负荷各imf分量进行预测，并最后将各个分量的预测结果求和，产生当日的电力负荷预测结果。
2.根据权利要求1所述基于经验模态分解和长短时记忆网络的电力负荷预测方法，其特征在于：所述日期特征因素包括气温与周序号、日序号。
3.根据权利要求2所述基于经验模态分解和长短时记忆网络的电力负荷预测方法，其特征在于：所述数据预处理过程为对历史负荷数据以及日期特征因素中的气温进行归一化处理，对日期特征因素中的日类型与周类型进行独热编码处理。
4.根据权利要求1所述基于经验模态分解和长短时记忆网络的电力负荷预测方法，其特征在于，对预处理后的历史数据进行经验模态分解的步骤为：
对于一个时序序列x0(t)，找出原数据序列所有的极大值点并用三次样条插值函数拟合形成原数据的上包络线u0(t)；
找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线l0(t)；
对上包络线和下包络线求均值，形成平均包络线m0(t)；
将原数据序列x0(t)减去该平均包络线m0(t)，得到第一个本征模函数(imf)分量序列c0(t)；
把平均包络线m0(t)视为下一轮筛选的数据序列x1(t)，重复上述步骤，可以产生多个本征模函数分量序列ci(t)以及残差序列r，直至imf分量达到停止的阈值。
5.根据权利要求4所述基于经验模态分解和长短时记忆网络的电力负荷预测方法，其特征在于，所述残差序列r为最后一次筛选的平均包络线mi(t)。
6.根据权利要求4所述基于经验模态分解和长短时记忆网络的电力负荷预测方法，其特征在于，所述基于长短时记忆神经网络的深层网络由三层长短时记忆网络与单层感知器网络组成。
7.根据权利要求6所述基于经验模态分解和长短时记忆网络的电力负荷预测方法，其特征在于，
所述基于长短时记忆神经网络的深层网络的网络优化方法使用自适应矩估计方法，所述自适应矩估计方法根据损失函数对每个参数的梯度的一阶矩估计和二阶矩估计动态调整针对于每个参数的学习速率；
基于长短时记忆神经网络的深层网络的迭代次数设置为200，对于预测的输出y，选择参考前10天的输入数据x；所述长短时记忆网络的隐藏元均设置为50。
8.基于经验模态分解和长短时记忆网络的电力负荷预测系统，其特征在于：包括经验模态分解单元和长短时记忆网络单元；所述经验模态分解单元用于电力负荷历史数据进行经验模态分解，分解产生多个本征模函数信号以及残差信号；
长短时记忆网络单元包括长短时记忆神经网络，长短时记忆神经网络用于对多个本征模函数信号以及残差信号进行训练建模，产生基于多模型长短时记忆神经网络负荷预测模型，并利用训练生成的预测模型对在预测日期内的电力负荷各imf分量进行预测，并将各个分量的预测结果求和，得到当日的电力负荷预测结果；
所述长短时记忆神经网络负荷预测模型表示为如下公式：
forecast＝f(x),x＝[e,t,d,i]
其中，输入矩阵x为有功负荷值曲线l、预测时刻气温预测值t、预测时刻周序号i以及预测时刻日序号d合并而成。
技术总结