本发明涉及电力系统负荷预测技术领域，特别涉及一种基于模态分解和迁移学习的极端场景下负荷预测方法。
背景技术：
电力系统负荷预测是进行电力系统规划、指导电力生产的重要手段和关键环节，然而，一些极端场景下如地震、山洪、泥石流、台风、霜冻等自然灾害或设备故障等不可控因素会导致电力负荷发生突变。在这种情况下，历史数据相对于未来的负荷曲线变化已无参考价值，无法通过传统的时间序列方法算出较准确的预测值。
技术实现要素：
本发明是为了解决上述现有技术存在的不足之处，提出一种基于模态分解和迁移学习的极端场景下负荷预测方法，以期能充分利用其他同类极端场景的负荷历史数据，捕捉出该类场景的负荷变化趋势，从而对处于极端事件发生及其恢复过程的电力负荷进行较为准确的预测，能在应这些突发事件时对电力调度和规划起到更好的指引作用。
为实现以上目的，本发明采用如下技术方案：
本发明一种基于模态分解和迁移学习的极端场景下电力负荷预测方法的特点在于，所述方法包括如下步骤：
步骤1、统计各种极端场景下电力负荷历史数据，并按负荷曲线的趋势进行分类，得到带有分类标签的电力负荷历史数据；再收集待预测场景下的历史数据；
步骤2、使用改进的聚合经验模态分解法将待预测场景下的历史数据和带有分类标签的电力负荷历史数据中同种类型的历史数据进行分解，得到电力负荷的基本趋势和若干高频分量；
步骤3、使用所述电力负荷的基本趋势进行基于注意力机制模型权重转移的迁移学习，得到趋势项的预测模型；
步骤4、使用所述趋势项的预测模型和lstm网络分别对所述电力负荷的基本趋势和若干高频分量进行负荷预测，并将预测结果叠加起来，从而得到负荷预测结果。
本发明所述的极端场景下电力负荷预测方法的特点在于，所述步骤2中改进的聚合经验模态分解法包括：
步骤2.1、使用支持向量机回归预测对待预测负荷的历史数据x0和带有分类标签的电力负荷历史数据中同种类型的m组历史数据{xi|i＝1,2,...,m}进行端点延拓，得到延拓后的待预测时间序列y0和历史时间序列{yi|i＝1,2,...,m}；其中，xi表示第i组历史数据，yi表示第i组历史时间序列；
步骤2.2、对待预测时间序列y0和历史时间序列{yi|i＝1,2,...,m}添加有限幅值的白噪声序列a，得到处理后的待预测时间序列ya0和处理后的历史时间序列{yai|i＝1,2,...,m}；其中，yai表示第i组处理后的历史时间序列；
步骤2.3、使用经验模态分解法将处理后的待预测时间序列ya0分解为一个待预测负荷的基本趋势项和j个待预测负荷的高频分量，将处理后的历史时间序列{yai|i＝1,2,...,m}分解为m个训练用历史数据的基本趋势项和m×j个训练用历史数据的高频分量；
步骤2.4、每次加入不同的白噪声序列后，重复步骤2.2和步骤2.3共n次，从而得到n个待预测负荷的基本趋势项和n×j个待预测负荷的高频分量，以及n×m个训练用历史数据的基本趋势项和n×m×j个训练用历史数据的高频分量；
步骤2.5、计算n个待预测负荷的基本趋势项的均值并作为待预测趋势项序列r0，计算n×j个待预测负荷的高频分量的均值并作为待预测趋势项序列{ri|i＝1,2,...,m}，计算n×m个训练用历史数据的基本趋势项的均值并作为待预测高频分量序列c0t，计算n×m×j个训练用历史数据的高频分量的均值并作为训练用高频分量序列{cit|i＝1,2,...,m；t＝1,2,...,j}。
所述步骤3中基于注意力机制模型权重转移的迁移学习方法包括：
步骤3.1、将含有学习参数q的注意力模型与编码-解码器结构相连接，形成一个序列到序列学习的网络；
步骤3.2、以所述待预测趋势项序列{ri|i＝1,2,...,m}作为训练数据，通过adam算法反复修正学习参数q，直到误差满足要求，从而得到训练好的迁移模型；
步骤3.3、将所述迁移模型与lstm网络相连接，作为待预测趋势项序列r0的预测模型。
所述步骤4中包括：
步骤4.1、将待预测趋势项序列r0作为训练数据输入所述预测模型中，并通过adam算法训练预测模型中lstm网络的参数，同时预测到电力负荷的基本趋势的未来数据；
步骤4.2、使用另一个lstm网络分别对j个待预测高频分量序列c0t进行预测，得到j个高频分量序列的未来数据；
步骤4.3、将所述电力负荷的基本趋势的未来数据和j个高频分量序列的未来数据相加，得到待预测的负荷预测结果。
与现有技术相比，本发明有益效果在于：
1、本发明能充分利用其他同类极端场景的负荷历史数据，捕捉出该类场景的负荷变化趋势，从而对处于极端事件发生及其恢复过程的电力负荷进行较为准确的预测；
2、本发明提出的改进的聚合经验模态分解算法，相对于传统的聚合经验模态分解算法而言，采用支持向量机回归预测方法进行端点延拓，有效解决了现有方法分解时发生端点效应的问题，能提取出较好的负荷变化趋势；
3、本发明提出的迁移学习算法使用其他同类场景的历史数据训练注意力机制模型中的查询向量，再将其转移到预测模型中，从而实现了对同类先验知识的充分利用，以预测出极端事件发生及恢复过程的负荷变化。
附图说明
图1是本发明极端场景下负荷预测方法的流程示意图；
图2是现有技术中经验模态分解算法的流程示意图；
图3是现有技术中lstm网络基本单元的结构图。
具体实施方式
本实施例中，如图1所示，一种基于模态分解和迁移学习的极端场景下负荷预测方法是按如下过程进行：
步骤1、统计各种极端场景下电力负荷历史数据，并按负荷曲线的趋势进行分类，得到带有分类标签的电力负荷历史数据；再收集待预测场景下的历史数据；
具体地，极端场景包括地震、山洪、泥石流、台风、霜冻等自然灾害或设备故障等不可控因素导致负荷发生不正常突变的场景；电力负荷历史数据指自突发事件发生前一段时间至完全恢复正常时的均匀时刻采样负荷功率值；
步骤2、使用改进的聚合经验模态分解法将待预测场景下的历史数据和带有分类标签的电力负荷历史数据中同种类型的历史数据进行分解，得到电力负荷的基本趋势和若干高频分量；
步骤2.1、使用支持向量机回归预测对待预测负荷的历史数据x0和带有分类标签的电力负荷历史数据中同种类型的m组历史数据{xi|i＝1,2,...,m}进行端点延拓，得到延拓后的待预测时间序列y0和历史时间序列{yi|i＝1,2,...,m}；其中，xi表示第i组历史数据，yi表示第i组历史时间序列；
具体地，支持向量机回归预测方法中，构造的最优决策函数为：
式(1)中，w为权重参数，
利用结构风险最小化准则，引入非负的松弛变量和点积核函数k(x,x’)，通过极小化目标函数来确定基于回归算法的支持向量机为：
式(2)中，f是最优决策函数。
引入拉格朗日乘子构造拉格朗日泛函，作为二次规划问题求解。
步骤2.2、对待预测时间序列y0和历史时间序列{yi|i＝1,2,...,m}添加有限幅值的白噪声序列a，得到处理后的待预测时间序列ya0和处理后的历史时间序列{yai|i＝1,2,...,m}；其中，yai表示第i组处理后的历史时间序列；
步骤2.3、使用经验模态分解法将处理后的待预测时间序列ya0分解为一个待预测负荷的基本趋势项和j个待预测负荷的高频分量，将处理后的历史时间序列{yai|i＝1,2,...,m}分解为m个训练用历史数据的基本趋势项和m×j个训练用历史数据的高频分量；
具体地，经验模态分解方法如图2所示，步骤如下：
步骤2.3.1、对任一给定信号x(t)，首先确定出x(t)上的所有极值点，用三次样条曲线连接所有极大值点形成上包络线，同样的方法形成下包络线。信号x(t)与上下包络线的均值m1的差记为h1，则
h1＝x(t)-m1(3)
重复上述步骤，直到第i次的结果hi满足imf的两个条件时，则其成为从原始信号筛选出的第一阶imf，记为c1。通常第一阶imf分量c1包含信号的最高频部分。
步骤2.3.2、将c1从原信号x(t)中分离出来，得到一个去掉高频分量的差值信号r1，有：
r1＝x(t)-c1(4)
把r1作为新信号，重复2.3.1的筛分步骤，直到第j阶的残余信号成为单调函数，不能再筛分出imf分量。
rj＝rj-1-cj(5)
式(5)中，rj为第j次筛分后的残余信号，cj为第j阶残余信号。
步骤2.3.3、原给定信号x(t)可表示为j个imf分量和一个残余项的和，即：
式(6)中：rj为第j次筛分后的残余信号，代表信号中的平均趋势；各imf分量ck则分别代表信号从高到低不同频率段的成分；
步骤2.4、每次加入不同的白噪声序列后，重复步骤2.2和步骤2.3共n次，从而得到n个待预测负荷的基本趋势项和n×j个待预测负荷的高频分量，以及n×m个训练用历史数据的基本趋势项和n×m×j个训练用历史数据的高频分量；
步骤2.5、求n个待预测负荷的基本趋势项的均值作为待预测趋势项序列r0，求n×j个待预测负荷的高频分量的均值作为待预测趋势项序列{ri|i＝1,2,...,m}，求n×m个训练用历史数据的基本趋势项的均值作为待预测高频分量序列c0t，求n×m×j个训练用历史数据的高频分量的均值作为训练用高频分量序列{cit|i＝1,2,...,m；t＝1,2,...,j}。
步骤3、使用电力负荷的基本趋势进行基于注意力机制模型权重转移的迁移学习，得到趋势项的预测模型；
步骤3.1、将含有学习参数q的注意力模型与编码-解码器结构相连接，形成一个序列到序列学习的网络；
具体地，注意力机制模型为点积模型，由下式表示：
s(d,q)＝dtq(8)
式(7)-式(9)中，d为输入序列，q为查询向量，s(d,q)是点积模型的注意力打分函数，由式(8)计算，α为注意力分布，由式(9)计算。
步骤3.2、以待预测趋势项序列{ri|i＝1,2,...,m}作为训练数据，通过adam算法反复修正学习参数q，直到误差满足要求，从而得到训练好的迁移模型；
具体地，adam算法是一种改进的梯度下降方法，是rmsprop算法与动量法的结合，使用动量作为参数更新方向，而且可以自适应调整学习率。其参数更新计算公式如下：
m＝β1m′ (1-β1)g(13)
g＝β2g (1-β2)g⊙g(14)
式(10)-式(14)中，β1和β2分别是两个移动平均的衰减率，通常取值为β1＝0.9，β2＝0.99；g是梯度向量，m和g可分别看作梯度的均值(一阶矩)和未减去均值的方差(二阶矩)。
步骤3.3、将迁移模型与lstm网络相连接，作为待预测趋势项序列r0的预测模型。
如图3所示，lstm网络的数学模型如下式所示：
ft＝σ(wf·[ht-1,xt] bf)(15)
gt＝σ(wg·[ht-1,xt] bi)(16)
st＝tanh(wc·[ht-1,xt] bc)(17)
ct＝ft⊙ct-1 gt⊙st(18)
ot＝σ(wo·[ht-1,xt] bo)(19)
ht＝ot⊙tanh(ct)(20)
yt＝softmax(ht)(21)
式(15)-式(21)中：xt为输入，ft为遗忘门值，gt为输入门值，st为临时状态量，ct为状态量，ot为中间输出量，ht为输出门值，yt为输出；wf，wg，wc，wo分别为对应的权值矩阵，bf，bg，bc，bo分别为对应的偏置项，⊙表示阵列乘法，即向量各元素相乘。σ为sigmoid激活函数，其与tanh激活函数和softmax激活函数的具体表达式见下式：
步骤4、使用趋势项的预测模型和lstm网络分别对电力负荷的基本趋势和若干高频分量进行负荷预测，并将预测结果叠加起来，从而得到负荷预测结果。
步骤4.1、将待预测趋势项序列r0作为训练数据输入预测模型中，并通过adam算法训练预测模型中lstm网络的参数，同时预测到电力负荷的基本趋势的未来数据；
步骤4.2、使用另一个lstm网络分别对j个待预测高频分量序列c0t进行预测，得到j个高频分量序列的未来数据；
步骤4.3、将电力负荷的基本趋势的未来数据和j个高频分量序列的未来数据相加，得到待预测的负荷预测结果。
1.一种基于模态分解和迁移学习的极端场景下电力负荷预测方法，其特征在于，所述方法包括如下步骤：
步骤1、统计各种极端场景下电力负荷历史数据，并按负荷曲线的趋势进行分类，得到带有分类标签的电力负荷历史数据；再收集待预测场景下的历史数据；
步骤2、使用改进的聚合经验模态分解法将待预测场景下的历史数据和带有分类标签的电力负荷历史数据中同种类型的历史数据进行分解，得到电力负荷的基本趋势和若干高频分量；
步骤3、使用所述电力负荷的基本趋势进行基于注意力机制模型权重转移的迁移学习，得到趋势项的预测模型；
步骤4、使用所述趋势项的预测模型和lstm网络分别对所述电力负荷的基本趋势和若干高频分量进行负荷预测，并将预测结果叠加起来，从而得到负荷预测结果。
2.如权利要求1所述的极端场景下电力负荷预测方法，其特征在于，所述步骤2中改进的聚合经验模态分解法包括：
步骤2.1、使用支持向量机回归预测对待预测负荷的历史数据x0和带有分类标签的电力负荷历史数据中同种类型的m组历史数据{xi|i＝1,2,...,m}进行端点延拓，得到延拓后的待预测时间序列y0和历史时间序列{yi|i＝1,2,...,m}；其中，xi表示第i组历史数据，yi表示第i组历史时间序列；
步骤2.2、对待预测时间序列y0和历史时间序列{yi|i＝1,2,...,m}添加有限幅值的白噪声序列a，得到处理后的待预测时间序列ya0和处理后的历史时间序列{yai|i＝1,2,...,m}；其中，yai表示第i组处理后的历史时间序列；
步骤2.3、使用经验模态分解法将处理后的待预测时间序列ya0分解为一个待预测负荷的基本趋势项和j个待预测负荷的高频分量，将处理后的历史时间序列{yai|i＝1,2,...,m}分解为m个训练用历史数据的基本趋势项和m×j个训练用历史数据的高频分量；
步骤2.4、每次加入不同的白噪声序列后，重复步骤2.2和步骤2.3共n次，从而得到n个待预测负荷的基本趋势项和n×j个待预测负荷的高频分量，以及n×m个训练用历史数据的基本趋势项和n×m×j个训练用历史数据的高频分量；
步骤2.5、计算n个待预测负荷的基本趋势项的均值并作为待预测趋势项序列r0，计算n×j个待预测负荷的高频分量的均值并作为待预测趋势项序列{ri|i＝1,2,...,m}，计算n×m个训练用历史数据的基本趋势项的均值并作为待预测高频分量序列c0t，计算n×m×j个训练用历史数据的高频分量的均值并作为训练用高频分量序列{cit|i＝1,2,...,m；t＝1,2,...,j}。
3.如权利要求2所述的极端场景下电力负荷预测方法，其特征在于，所述步骤3中基于注意力机制模型权重转移的迁移学习方法包括：
步骤3.1、将含有学习参数q的注意力模型与编码-解码器结构相连接，形成一个序列到序列学习的网络；
步骤3.2、以所述待预测趋势项序列{ri|i＝1,2,...,m}作为训练数据，通过adam算法反复修正学习参数q，直到误差满足要求，从而得到训练好的迁移模型；
步骤3.3、将所述迁移模型与lstm网络相连接，作为待预测趋势项序列r0的预测模型。
4.如权利要求3所述的极端场景下电力负荷预测方法，其特征在于，所述步骤4中包括：
步骤4.1、将待预测趋势项序列r0作为训练数据输入所述预测模型中，并通过adam算法训练预测模型中lstm网络的参数，同时预测到电力负荷的基本趋势的未来数据；
步骤4.2、使用另一个lstm网络分别对j个待预测高频分量序列c0t进行预测，得到j个高频分量序列的未来数据；
步骤4.3、将所述电力负荷的基本趋势的未来数据和j个高频分量序列的未来数据相加，得到待预测的负荷预测结果。
技术总结