一种短期电力负荷预测方法及系统

技术领域

本发明涉及电力负荷预测技术领域，更具体的说是涉及一种短期电力负荷预测方法及系统。

背景技术

目前，在“双碳”的战略背景下，开展新型、精准、迅速的电力系统负荷预测是十分重要的。前段时间四川地区夏季缺电现象对人们的生产生活产生了很大影响，所以提前做好电力负荷预测，提前做好调度十分重要。短期负荷预测是指预测未来一天或者一周的负荷，对维持电力系统安全运行具有十分重要的作用。

对于负荷预测的方法分为两类：一类是传统预测法，比如时间序列法、多元线性回归、卡尔曼滤波法等，该类方法模型易建立、预测速度快，但对数据平稳性要求高，面对非线性、随机性强的负荷序列时表现较差；另一类是基于人工智能预测方法，主要有误差反向传播算法(Back Propagation，BP)、支持向量机(Support VectorMachine，SVM)、深度信念网络(Deep Belief Network，DBN)等神经网络进行负荷预测，该类方法能深入数据的内部特征、非线性处理能力强，但在大电网的背景下，存在泛化能力较弱、易陷入局部极值的问题，预测精度不够高，且大多数只对单一的负荷预测，没有考虑温度、电价等影响因素，对于多输入的情况预测时间较久。

因此，如何提供一种短期电力负荷预测方法及系统是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种短期电力负荷预测方法，基于EEMD-GRU-ARIMA的组合预测模型，将EEMD分解后的IMF量根据频率分为高频和低频，低频分量较为稳定，适用于ARIMA进行预测节省时间，高频分量用于PSO-GRU进行预测提高精度，并加入影响因素温度、湿度和分时电价。

为了实现上述目的，本发明采用如下技术方案：

一种短期电力负荷预测方法，包括：

S1.将原始数据进行预处理，原始数据包括原始电力负荷数据；

S2.利用EEMD对预处理后的原始电力负荷数据进行分解，并将分解后的电力负荷数据根据频率分为高频分量数据和低频分量数据；

S3.将低频分量数据输入ARIMA模型进行预测，输出ARIMA模型对低频分量数据的预测结果，将高频分量数据输入GRU模型并通过PSO粒子群算法对GRU模型进行优化，输出PSO-GRU模型对高频分量数据的预测结果；

S4.将ARIMA模型对低频分量数据的预测结果和PSO-GRU模型对高频分量数据的预测结果进行叠加重组，输出最终电力负荷预测结果。

优选的，S1中预处理具体为筛出异常值和空白值。

优选的，S2中利用EEMD对预处理后的原始数据进行分解的具体内容为：

S21.将具有正态分布的白噪声加到原始电力负荷数据，产生新的电力负荷数据；

S22.对新的电力负荷数据进行EMD分解得到IMF的形式；

S23.重复步骤S21和S22进行M次，每次分解加入幅值不同的白噪声信号得到IMF集合；

S24.利用不相关序列的统计平均值为0的原理，将IMF集合进行集合平均运算，得到EEMD分解后的IMF。

优选的，S21中新的电力负荷数据为：

x

其中，x

S22的具体内容为：

其中，c

S23中IMF集合为c

S24的具体内容为：

其中，c

优选的，S3中ARIMA模型为：

其中，其中，y

优选的，原始数据还包括温度、湿度和分时电价，将高频分量数据以及温度、湿度和分时电价输入GRU模型。

优选的，S3中PSO-GRU模型的具体内容为：

将高频分量数据以及温度、湿度和分时电价输入GRU模型：

R

Z

H

H

其中，X

利用PSO粒子群算法对GRU的权重进行优化。

一种短期电力负荷预测系统，包括预处理模块、EEMD分解模块、ARIMA模型预测模块、PSO-GRU模型预测模块和重组输出模块；

预处理模块，用于将原始数据进行预处理，原始数据包括原始电力负荷数据；

EEMD分解模块，利用EEMD对预处理后的原始电力负荷数据进行分解，并将分解后的电力负荷数据根据频率分为高频分量数据和低频分量数据；

ARIMA模型预测模块，用于将低频分量数据输入ARIMA模型进行预测，输出ARIMA模型对低频分量数据的预测结果；

PSO-GRU模型预测模块，用于将高频分量数据输入GRU模型并通过PSO粒子群算法对GRU模型进行优化，输出PSO-GRU模型对高频分量数据的预测结果；

重组输出模块，将ARIMA模型对低频分量数据的预测结果和PSO-GRU模型对高频分量数据的预测结果进行叠加重组，输出最终电力负荷预测结果。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种短期电力负荷预测方法及系统，基于EEMD-GRU-ARIMA的组合预测模型，将EEMD分解后的IMF量根据频率分为高频和低频，利用ARIMA和GRU分别对不同分量进行预测，不仅减少了一定的工作量，减少预测时间，还可以有效高预测精度，克服了单一模型预测精度低的问题；应用PSO优化GRU初始权值，在一定程度上解决了GRU初始权值随机性的问题，使预测精度进一步提升；考虑并加入影响因素温度、湿度和分时电价。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的一种短期电力负荷预测方法流程示意图；

图2附图为本发明提供的GRU模型示意图；

图3附图为本发明提供的PSO优化流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种短期电力负荷预测方法，如图1，包括：

S1.将原始数据进行预处理，原始数据包括原始电力负荷数据；

S2.利用EEMD对预处理后的原始电力负荷数据进行分解，并将分解后的电力负荷数据根据频率分为高频分量数据和低频分量数据；

S3.将低频分量数据输入ARIMA模型进行预测，输出ARIMA模型对低频分量数据的预测结果，将高频分量数据输入GRU模型并通过PSO粒子群算法对GRU模型进行优化，输出PSO-GRU模型对高频分量数据的预测结果；

S4.将ARIMA模型对低频分量数据的预测结果和PSO-GRU模型对高频分量数据的预测结果进行叠加重组，输出最终电力负荷预测结果。

为了进一步实施上述技术方案，S1中预处理具体为筛出异常值和空白值。

为了进一步实施上述技术方案，S2中利用EEMD对预处理后的原始数据进行分解的具体内容为：

S21.将具有正态分布的白噪声加到原始电力负荷数据，产生新的电力负荷数据；

S22.对新的电力负荷数据进行EMD分解得到IMF的形式；

S23.重复步骤S21和S22进行M次，每次分解加入幅值不同的白噪声信号得到IMF集合；

S24.利用不相关序列的统计平均值为0的原理，将IMF集合进行集合平均运算，得到EEMD分解后的IMF。

为了进一步实施上述技术方案，S21中新的电力负荷数据为：

x

其中，x

S22的具体内容为：

其中，c

S23中IMF集合为c

S24的具体内容为：

其中，c

在本实施例中，EEMD在EMD的基础上加上了白噪声，大大避免了模态混叠的产生。

为了进一步实施上述技术方案，S3中ARIMA模型为：

其中，其中，y

在本实施例中，ARIMA模型是自回归和移动平均的结合，先通过待测电力负荷数据值建立起相关的时间序列，对序列进行差分使其平稳，再利用自相关系数和偏相关系数选取ARIMA阶数，再验证参数是否合适，最后用确定的模型完成预测。

为了进一步实施上述技术方案，原始数据还包括温度、湿度和分时电价，将高频分量数据以及温度、湿度和分时电价输入GRU模型。

为了进一步实施上述技术方案，如图2，S3中PSO-GRU模型的具体内容为：

将高频分量数据以及温度、湿度和分时电价输入GRU模型：

R

Z

H

H

其中，X

利用PSO粒子群算法对GRU的权重进行优化，如图3。

在本实施例中，GRU模型处理的具体内容为：GRU模型包括重置门和更新门,更新门接收当前状态X

一种短期电力负荷预测系统，包括预处理模块、EEMD分解模块、ARIMA模型预测模块、PSO-GRU模型预测模块和重组输出模块；

预处理模块，用于将原始数据进行预处理，原始数据包括原始电力负荷数据；

EEMD分解模块，利用EEMD对预处理后的原始电力负荷数据进行分解，并将分解后的电力负荷数据根据频率分为高频分量数据和低频分量数据；

ARIMA模型预测模块，用于将低频分量数据输入ARIMA模型进行预测，输出ARIMA模型对低频分量数据的预测结果；

PSO-GRU模型预测模块，用于将高频分量数据输入GRU模型并通过PSO粒子群算法对GRU模型进行优化，输出PSO-GRU模型对高频分量数据的预测结果；

重组输出模块，将ARIMA模型对低频分量数据的预测结果和PSO-GRU模型高频分量数据的预测结果进行叠加重组，输出最终电力负荷预测结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。