一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法及系统

技术领域

本发明涉及电网调节需求预测的技术领域，尤其涉及一种基于粒子群优化算法-变分模态分解-门控循环神经网络-自适应增强算法(Particle Swarm Optimization-Variational Mode Decomposition-Gated Recurrent Unit-Adaptive boosting，AdaBoost，PSO-VMD-GRU-AdaBoost)的电网调节需求预测方法及系统。

背景技术

近年来随着经济社会的高速发展，能源需求也急剧地上升，能源短缺、污染严重、气候变化等问题日益突出。因此，如何协调经济发展与能源消耗之间的矛盾，实现低碳经济、绿色环保，已成为当今电力行业关注的焦点。对于能源体系而言，电网调节需求预测是平衡系统内供应与需求的必要前提，对能源系统的可靠性、安全性与经济性具有重要意义，更是构建电力系统的基础性工作。精准的电网调节需求预测对于能源系统而言不仅可以为用电需求管理、输配电规划、电力市场中的智能化交易等提供重要数据支撑，还对降低碳排放，提高资源利用率具有重要意义。

目前，电网调节需求预测方法可以分为统计方法和智能方法两种。经典的统计方法包括回归方法、移动平滑方法和趋势法等；这些方法虽然相对成熟，但模型构建和预测过程相对比较复杂，而且对稳定性高的时间序列依赖性较强；随着BP神经网络、RBF神经网络、随机森林、自适应神经模糊系统、支持向量机、长短期记忆网络和深度学习等智能算法的应用，电网调节需求预测取得很大的成效，但是由于电力电网调节需求影响因素多且存在不稳定性，受模型参数的影响较大，预测精度受到很大影响。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法及系统解决现有的电力电网调节需求预测方法预测精度以及效率低的问题。

为解决上述技术问题，本发明提供如下技术方案：

第一方面，本发明实施例提供了一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法，包括：获取电网调节需求原始数据，并对所述原始数据进行预处理得到电网调节需求标准化数据集；

将所述电网调节需求标准化数据进行分解，获取所述电网调节需求标准化数据的多模态分量并构建模态分量数据集；

基于所述模态分量数据集构建第一预测模型，预设所述第一预测模型寻优阈值，若所述第一预测模型迭代更新结果满足所述寻优阈值，则基于所述迭代更新结果构建第二预测模型；

基于所述第二预测模型进行电网调节需求预测。

作为本发明所述的基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的一种优选方案，其中：将所述电网调节需求标准化数据进行分解，获取所述电网调节需求标准化数据的多模态分量并构建模态分量数据集，包括：

基于所述电网调节需求标准化数据，对电网调节需求时间序列进行约束变分，分解序列为含有中心频率的有限带宽的模态分量，且各模态分量的估计带宽之和最小，约束变分表示为：

其中，u

作为本发明所述的基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的一种优选方案，其中：还包括：将所述约束变分结果转化为非约束性变分，并优化非约束性变分得到各模态分量以及各模态分量的中心频率；

各模态分量以及各模态分量的中心频率表示为：

其中，

作为本发明所述的基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的一种优选方案，其中：基于所述模态分量数据集构建第一预测模型包括：

基于模态分量数据集中各模态分量建立第一预测模型，采用缩减门控神经网络结构参数控制第一预测模型表示为：

z

r

其中，z

作为本发明所述的基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的一种优选方案，其中：构建第二预测模型包括：

预设最大迭代次数为T，当前的迭代次数t以及所述第一预测模型权重a

迭代更新所述第一预测模型权重a

当寻优结束后确定所述第一预测模型权重a

第二预测模型表示为：

其中，a

作为本发明所述的基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的一种优选方案，其中：基于所述第二预测模型进行电网调节需求预测包括：基于改进粒子群优化算法对所述第二预测模型进行参数寻优，以综合预测性能指标最优为优化目标，获取最优性能下的模型参数，进行电网调节需求预测；

基于改进粒子群优化算法对所述第二预测模型进行参数寻优，表示为：

其中，

第二方面，本发明提供了一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测系统，包括：

数据预处理模块，用于获取电网调节需求原始数据，并对所述原始数据进行预处理得到电网调节需求标准化数据集；

数据分解模块，用于将所述电网调节需求标准化数据进行分解，获取所述电网调节需求标准化数据的多模态分量并构建模态分量数据集；

模型构建模块，用于基于所述模态分量数据集构建第一预测模型，预设所述第一预测模型寻优阈值，若所述第一预测模型迭代更新结果满足所述寻优阈值，则基于所述迭代更新结果构建第二预测模型；

预测模块，用于基于所述第二预测模型进行电网调节需求预测。

作为本发明所述的基于PSO-VMD-GRU-AdaBoost的电网调节需求预测系统的一种优选方案，其中：预测模块包括：

基于改进粒子群优化算法对所述第二预测模型进行参数寻优，以综合预测性能指标最优为优化目标，获取最优性能下的模型参数，进行电网调节需求预测；

基于改进粒子群优化算法对所述第二预测模型进行参数寻优，表示为：

其中，

第三方面，本发明提供了一种计算设备，包括：

存储器和处理器；

所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的步骤。

第四方面，本发明提供了一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述基于

PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的步骤。

与现有技术相比，本发明的有益效果：本发明通过预先分解电网调节需求数据，获取有利于预测的中心频率对称的平稳信号分量，能够有效减小原电网调节需求噪声对预测的影响，进一步的通过组合预测模型，利用改进的寻优方法进行参数寻优能够获取最优性能下的模型参数，提高了电网调节需求的预测精度以及预测效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法及系统的方法流程图；

图2为本发明一个实施例所述的一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法及系统的改进前后适应度函数值对比图；

图3为本发明一个实施例所述的一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法及系统的电网调节需求数据各模态分量示意图；

图4为本发明一个实施例所述的一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法及系统的电网调节需求预测结果对比图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～图3，为本发明的一个实施例，该实施例提供了一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法，包括：

S1:获取电网调节需求原始数据，并对原始数据进行预处理得到电网调节需求标准化数据集；

需要说明的是，预处理包括依次进行的异常值处理(异常值包括负值、乱码)、空缺值填补、归一化处理。

更进一步的，对原始数据进行预处理得到电网调节需求标准化数据集包括：将原始数据的负值进行直接置零处理；基于相邻两个时刻的电网调节需求平均值修正原始数据乱码；基于原始数据主导值填充空缺值；对预处理后的调节需求原始数据进行归一化处理得到电网调节需求标准化数据集。

具体的，归一化处理表示为：

其中，y

S2:将电网调节需求标准化数据进行分解，获取电网调节需求标准化数据的多模态分量并构建模态分量数据集；

在一个可选的实施例中，使用VMD分解模型分解预处理得到的电网调节需求数据，获取电网调节需求数据的多模态分量，进一步构建模态分量数据集。

更进一步的，将电网调节需求标准化数据进行分解，获取电网调节需求标准化数据的多模态分量并构建模态分量数据集，包括：

基于电网调节需求标准化数据，对电网调节需求时间序列进行约束变分，分解序列为含有中心频率的有限带宽的模态分量，且各模态分量的估计带宽之和最小，约束变分表示为：

其中，u

应说明的是，约束变分的约束条件为所有模态之和与原始信号相等。

在一个可选的实施例中，通过引入拉格朗日乘子和二次罚函数，将约束变分结果转化为非约束性变分，约束性变分表达为：

其中，α为引入的二次惩罚因子参数，λ(t)为t时刻的拉格朗日乘子，λ为拉格朗日乘子。

更进一步的，还包括：将约束变分结果转化为非约束性变分，并优化非约束性变分得到各模态分量以及各模态分量的中心频率；

各模态分量以及各模态分量的中心频率表示为：

其中，

在一个可选的实施例中，可利用交替方向乘子法迭代算法结合帕塞瓦尔(Parseval)、普朗歇尔(Plancherel)定理和傅里叶等距变换优化非约束性变分问题。

S3:基于模态分量数据集构建第一预测模型，预设第一预测模型寻优阈值，若第一预测模型迭代更新结果满足寻优阈值，则基于迭代更新结果构建第二预测模型；

更进一步的，基于模态分量数据集构建第一预测模型包括：

基于模态分量数据集中各模态分量建立第一预测模型，采用缩减门控神经网络结构参数控制第一预测模型表示为：

z

r

其中，z

更进一步的，构建第二预测模型包括：

预设最大迭代次数为T，当前的迭代次数t以及第一预测模型权重a

迭代更新第一预测模型权重a

当寻优结束后确定第一预测模型权重a

第二预测模型表示为：

其中，a

应说明的是，本申请实施例中最大迭代次数T可取100的整数倍次，寻优阈值为0-1，AdaBoost迭代的目标是预测结果的平均误差最小。

在一个可选的实施例中，第一预测模型为弱学习器GRU，第二预测模型为强学习器GRU-AdaBoost，利用AdaBoost迭代算法，将多个弱学习器GRU组合成强学习器GRU-AdaBoost，弱学习器GRU的输入集为分解得到的k个模态分量，基于模态分量数据集对GRU-AdaBoost组合模型进行训练，获取预测性能指标平均绝对误差MAE、均方根误差RMSE和决定系数R

具体的，平均绝对误差MAE表示为：

其中，y

均方根误差RMSE表示为：

决定系数R

其中，y

S4:基于第二预测模型进行电网调节需求预测；

更进一步的，基于第二预测模型进行电网调节需求预测包括：基于改进粒子群优化算法对第二预测模型进行参数寻优，以综合预测性能指标最优为优化目标，获取最优性能下的模型参数，进行电网调节需求预测；

需要说明的是，改进粒子群算法中粒子包括但不限于VMD分解模态数k，GRU网络的神经元个数以及基于AdaBoost算法设置的弱学习器GRU权重a

基于改进粒子群优化算法对第二预测模型进行参数寻优，表示为：

其中，

应说明的是，为避免粒子群优化算法出现粒子目标值趋于局部最优时导致惯性权重增大或者粒子目标值比较分散时导致惯性权重减小的问题，本申请实施例通过改进粒子群优化算法自适应权重，使得粒子向较好的搜索区域靠拢。

在一个可选的实施例中，改进粒子群优化算法在每次迭代过程中会随机选取一组待优化参数组合，根据组合的参数构建当前迭代批次的第二预测模型，并在测试集上训练，根据训练得到的预测误差指标进行判断是否最优，直到达到预设的最大迭代次数；其中，根据训练得到的预测误差指标进行判断是否最优即当平均绝对误差MAE以及均方根误差RMSE越小，决定系数R

通过改进粒子群优化算法对VMD分解模型分解、第一预测模型以及第二预测模型参数寻优过程表示为：

Output＝O[Input

其中，Input

上述为本实施例的一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的示意性方案。需要说明的是，该一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测系统的技术方案与上述的基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的技术方案属于同一构思，本实施例中基于PSO-VMD-GRU-AdaBoost的电网调节需求预测系统的技术方案未详细描述的细节内容，均可以参见上述基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的技术方案的描述。

本实施例中一种基于PSO-VMD-GRU-AdaBoost的电网调节需求预测系统，包括：

数据预处理模块，用于获取电网调节需求原始数据，并对原始数据进行预处理得到电网调节需求标准化数据集；

数据分解模块，用于将电网调节需求标准化数据进行分解，获取电网调节需求标准化数据的多模态分量并构建模态分量数据集；

模型构建模块，用于基于模态分量数据集构建第一预测模型，预设第一预测模型寻优阈值，若第一预测模型迭代更新结果满足寻优阈值，则基于迭代更新结果构建第二预测模型；

预测模块，用于基于第二预测模型进行电网调节需求预测。

更进一步的，预测模块包括：

基于改进粒子群优化算法对第二预测模型进行参数寻优，以综合预测性能指标最优为优化目标，获取最优性能下的模型参数，进行电网调节需求预测；

基于改进粒子群优化算法对第二预测模型进行参数寻优，表示为：

其中，

本实施例还提供一种计算设备，适用于基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法的情况，包括：

存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的实现基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法。

本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法。

本实施例提出的存储介质与上述实施例提出的实现基于PSO-VMD-GRU-AdaBoost的电网调节需求预测方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(ReadOnly，Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。

实施例2

参照图4，为本发明的一个实施例，该实施例不同于第一个实施例的是，通过电网调节需求预测的具体示例，验证本发明的有益效果。

本申请实施例以某棒材厂2021全年用电电网调节需求用电曲线进行采样，采样间隔为1个小时，采样得到的共有8760条数据，采用打乱后的70％的数据作为训练数据集，30％的数据作为测试数据集，各模型预测的电网调节需求预测曲线，如图4所示。

分析对比GRU、AdaBoost、GRU-AdaBoost以及本发明方法预测模型的电网调节需求预测性能，预测结果对比如表1所示：

表1预测性能对比

结合图4，通过表1的指标比较结果可以看出，本发明方法预测模型的MAE值为0.0040，RMSE值为0.0050，R

本发明方法通过获取标准化电网调节需求数据集，使用VMD模型对电网调节需求数据进行分解，得到模态分量数据集，通过使用AdaBoost合成GRU弱学习器，得到VMD-GRU-AdaBoost预测模型，获取预测性能指标MAE、RMSE和R

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。