本發(fā)明屬于用電負(fù)荷預(yù)測(cè)，尤其涉及一種基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法。

背景技術(shù)：

1、隨著電力系統(tǒng)規(guī)模不斷擴(kuò)大和復(fù)雜性持續(xù)提升，準(zhǔn)確預(yù)測(cè)電力系統(tǒng)負(fù)荷對(duì)保障電力系統(tǒng)安全穩(wěn)定運(yùn)行具有重要意義。目前，常見(jiàn)的電力負(fù)荷預(yù)測(cè)方法主要存在以下問(wèn)題：

2、(1)數(shù)據(jù)的非線性、非平穩(wěn)性影響了預(yù)測(cè)精度。

3、(2)傳統(tǒng)深度學(xué)習(xí)模型在負(fù)荷數(shù)據(jù)處理中的過(guò)擬合問(wèn)題，導(dǎo)致模型的泛化能力差。

4、(3)對(duì)輸入特征選擇和模型超參數(shù)優(yōu)化的依賴較強(qiáng)，增加了預(yù)測(cè)模型的復(fù)雜性。

5、目前，常用方法包括支持向量機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)及其擴(kuò)展模型。然而，這些方法在處理復(fù)雜負(fù)荷數(shù)據(jù)時(shí)存在局限，且傳統(tǒng)的超參數(shù)調(diào)優(yōu)手段難以實(shí)現(xiàn)模型性能的有效提升。同時(shí)，現(xiàn)有研究中對(duì)多維特征因素的綜合利用程度不足，影響了預(yù)測(cè)模型的實(shí)用性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種通過(guò)基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，將變分模態(tài)分解(vmd)和貝葉斯優(yōu)化(bo)技術(shù)應(yīng)用于長(zhǎng)短期記憶網(wǎng)絡(luò)(lstm)中，提出一種高效、精準(zhǔn)的多特征電力負(fù)荷預(yù)測(cè)方法。

2、本發(fā)明的技術(shù)方案如下：一種基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，包括：

3、s10：獲取電力系統(tǒng)的日負(fù)荷數(shù)據(jù)和相關(guān)特征因素?cái)?shù)據(jù)，并對(duì)所述日負(fù)荷數(shù)據(jù)和相關(guān)特征因素?cái)?shù)據(jù)進(jìn)行預(yù)處理；

4、s20：將預(yù)處理后的數(shù)據(jù)進(jìn)行數(shù)據(jù)處劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

5、s30：將所述日負(fù)荷數(shù)據(jù)進(jìn)行變分模態(tài)分解，獲取k個(gè)本征模態(tài)函數(shù)；

6、s40：為每個(gè)本征模態(tài)函數(shù)建立長(zhǎng)短期記憶網(wǎng)絡(luò)模型，通過(guò)訓(xùn)練集對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

7、s50：通過(guò)驗(yàn)證集和貝葉斯優(yōu)化算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行優(yōu)化；

8、s60：通過(guò)測(cè)試集對(duì)優(yōu)化后的長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行評(píng)估。

9、進(jìn)一步地，所述步驟s10包括：

10、對(duì)所述日負(fù)荷數(shù)據(jù)和相關(guān)特征因素?cái)?shù)據(jù)進(jìn)行數(shù)據(jù)清洗，刪除異常數(shù)據(jù)和缺失數(shù)據(jù)；

11、通過(guò)斯皮爾曼相關(guān)分析和熱力圖分析對(duì)相關(guān)特征因素?cái)?shù)據(jù)進(jìn)行篩選，篩選出核心特征因素?cái)?shù)據(jù)。

12、進(jìn)一步地，所述步驟s30中：

13、所述變分模態(tài)分解的目標(biāo)函數(shù)為：

14、

15、式中，uk(t)是第k個(gè)本征模態(tài)函數(shù)；ωk是第k個(gè)本征模態(tài)函數(shù)的中心頻率；*表示卷積運(yùn)算；δ(t)是狄拉克函數(shù)；j為虛數(shù)單位，為時(shí)間導(dǎo)數(shù)。

16、進(jìn)一步地，所述步驟s40中：

17、每個(gè)本征模態(tài)函數(shù)建立長(zhǎng)短期記憶網(wǎng)絡(luò)模型，包括一個(gè)輸入層、兩個(gè)lstm層、一個(gè)dropout層、一個(gè)全連接層、一個(gè)回歸輸出層；

18、設(shè)置長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)初始值。

19、進(jìn)一步地，所述超參數(shù)為第一層神經(jīng)網(wǎng)絡(luò)的隱藏單元、第二層神經(jīng)網(wǎng)絡(luò)的隱藏單元、dropout比例和學(xué)習(xí)率。

20、進(jìn)一步地，所述步驟s50包括：

21、設(shè)置長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)搜索空間；

22、選取優(yōu)化目標(biāo)函數(shù)；

23、運(yùn)行貝葉斯優(yōu)化算法，迭代長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)；

24、選擇最優(yōu)超參數(shù)，并配置在所述長(zhǎng)短期記憶網(wǎng)絡(luò)模型中。

25、進(jìn)一步地，所述優(yōu)化目標(biāo)函數(shù)為驗(yàn)證集的均方差。

26、進(jìn)一步地，所述步驟s50中，貝葉斯優(yōu)化算法的公式為：

27、ei(x)＝ε[max(0,f(x)-f(x*))]

28、其中，f(x)為優(yōu)化目標(biāo)函數(shù)，ei(x)為待改進(jìn)函數(shù)，x*為最優(yōu)采樣點(diǎn)的位置，f(x*)為當(dāng)前的最優(yōu)解。

29、進(jìn)一步地，所述步驟s60包括：

30、在訓(xùn)練后的長(zhǎng)短期記憶網(wǎng)絡(luò)模型中輸入測(cè)試集的核心特征因素?cái)?shù)據(jù)；

31、將長(zhǎng)短期記憶網(wǎng)絡(luò)模型輸出的k個(gè)本征模態(tài)函數(shù)值進(jìn)行重構(gòu)，獲得預(yù)測(cè)負(fù)荷；

32、根據(jù)預(yù)測(cè)負(fù)荷和測(cè)試集的日負(fù)荷數(shù)據(jù)，進(jìn)行指標(biāo)評(píng)估。

33、進(jìn)一步地，所述指標(biāo)評(píng)估具體的指標(biāo)包括：mae、rmse、mape、r2和nse。

34、本發(fā)明的有益效果：

35、(1)提高預(yù)測(cè)精度：通過(guò)vmd分解消除負(fù)荷數(shù)據(jù)的非平穩(wěn)性，增強(qiáng)lstm模型的學(xué)習(xí)能力，并利用bo優(yōu)化lstm超參數(shù)，提升了模型的整體預(yù)測(cè)性能。

36、(2)自動(dòng)化超參數(shù)優(yōu)化：貝葉斯優(yōu)化方法顯著減少了超參數(shù)調(diào)優(yōu)時(shí)間，提升了模型的泛化能力和穩(wěn)定性。

37、(3)多特征輸入的有效性：充分利用多維特征信息，使模型在捕捉負(fù)荷變化特征方面具有更高的解釋性和適應(yīng)性。

技術(shù)特征：

1.一種基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s10包括：

3.如權(quán)利要求1所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s30中：

4.如權(quán)利要求1所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s40中：

5.如權(quán)利要求4所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述超參數(shù)為第一層神經(jīng)網(wǎng)絡(luò)的隱藏單元、第二層神經(jīng)網(wǎng)絡(luò)的隱藏單元、dropout比例和學(xué)習(xí)率。

6.如權(quán)利要求1所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s50包括：

7.如權(quán)利要求6所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述優(yōu)化目標(biāo)函數(shù)為驗(yàn)證集的均方差。

8.如權(quán)利要求6所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s50中，貝葉斯優(yōu)化算法的公式為：

9.如權(quán)利要求1所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟s60包括：

10.如權(quán)利要求9所述的基于vmd-bo-lstm的多特征電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述指標(biāo)評(píng)估具體的指標(biāo)包括：mae、rmse、mape、r2和nse。

技術(shù)總結(jié)
本發(fā)明屬于用電負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于VMD?BO?LSTM的多特征電力負(fù)荷預(yù)測(cè)方法。獲取電力系統(tǒng)的日負(fù)荷數(shù)據(jù)和相關(guān)特征因素?cái)?shù)據(jù)，并對(duì)所述日負(fù)荷數(shù)據(jù)和相關(guān)特征因素?cái)?shù)據(jù)進(jìn)行預(yù)處理；將預(yù)處理后的數(shù)據(jù)進(jìn)行數(shù)據(jù)處劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；將所述日負(fù)荷數(shù)據(jù)進(jìn)行變分模態(tài)分解，獲取K個(gè)本征模態(tài)函數(shù)；為每個(gè)本征模態(tài)函數(shù)建立長(zhǎng)短期記憶網(wǎng)絡(luò)模型，通過(guò)訓(xùn)練集對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；通過(guò)驗(yàn)證集和貝葉斯優(yōu)化算法對(duì)長(zhǎng)短期記憶網(wǎng)絡(luò)模型的超參數(shù)進(jìn)行優(yōu)化；通過(guò)測(cè)試集對(duì)優(yōu)化后的長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行評(píng)估。本發(fā)明展現(xiàn)出了良好的預(yù)測(cè)性能，能有效處理電力負(fù)荷數(shù)據(jù)的非線性和非平穩(wěn)特性，顯著提高預(yù)測(cè)精度。

技術(shù)研發(fā)人員：楊悅,周坤,田粵,劉靜,陳浩,葉婷,劉科可,朱春良,鄧曉東
受保護(hù)的技術(shù)使用者：國(guó)網(wǎng)江蘇省電力有限公司無(wú)錫供電分公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28