欢迎来到本博客❤️❤️
博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
本文目录如下:
目录
1 概述
2 运行结果
2.1 冷负荷:
2.2 热负荷:
2.3 电负荷:
3 参考文献
4 Python代码、数据
电力负荷预测实质是时间序列预测问题,存在非平稳性和影响因素的复杂性。为了提高预测精度,解决长短期记忆神经网络(LSTM)参数选取随机性大、选取困难的问题,本文提出了一种利用麻雀搜索算法(SSA)优化长短期记忆神经网络参数的短期电力负荷预测模型(SSA-LSTM),通过历史用电负荷数据、相关影响因素数据对待预测日进行负荷预测。
本文建立SSA-LSTM模型,进行冷、热、电负荷预测。先对时间序列进行奇异谱分析,对时间序列进行分组、重构,然后利用LSTM进行冷、热、电负荷预测。
1.奇异谱分析:
取窗口大小168(24*7)
以冷负荷为例:
窗口大小 |
24 |
48 |
96 |
168 |
RMSE |
128.7614962 |
350.7992671 |
520.1217156 |
682.8306656 |
MAPE |
74.64109773 |
202.4826632 |
324.3296837 |
440.5978336 |
窗口大小 |
240 |
288 |
336 |
384 |
RMSE |
849.5058807 |
938.9914016 |
1007.853195 |
1054.182844 |
MAPE |
590.481598 |
671.0237345 |
720.5436865 |
758.4921419 |
均方根误差和绝对平方误差都随着窗口大小的增加而增加,并没有出现论文中的极小值。论文中数据是以半小时间隔,取窗口大小336(24*7*2),即选择一周的数据长度作为窗口大小,我的数据集是以一小时为间隔,所以取窗口大小为168(24*7),得到168个特征分量。
为了识别奇异值分解的有用特征分量,绘制了奥斯丁校园的对奇异值数的对数图。从下图可以看出,前20(1到20)的特征分量的贡献率大于0.01%,在序列中做出了主要贡献。因此,取前20个特征分量重构时间序列。
冷负荷贡献率对数图
热负荷贡献率对数图
电负荷贡献率对数图
重组前后的热负荷序列对比图
重组前后的电负荷序列对比图
下面只展现电负荷的:
LSTM:
原始值 |
45.29566 |
44.01141 |
43.28463 |
43.42996 |
43.50522 |
44.20256 |
45.92687 |
46.83907 |
预测值 |
45.18376 |
44.06439 |
43.21949 |
42.76565 |
42.86935 |
43.57456 |
44.89128 |
46.8369 |
原始值 |
49.61455 |
51.57773 |
52.68317 |
54.58148 |
54.86726 |
55.12172 |
54.98181 |
54.35422 |
预测值 |
49.27013 |
51.65596 |
53.41417 |
54.42968 |
54.89896 |
54.89904 |
54.46193 |
53.64245 |
原始值 |
53.05828 |
51.36767 |
50.17736 |
49.65882 |
49.49811 |
47.94209 |
45.93253 |
|
预测值 |
52.54328 |
51.35513 |
50.26493 |
49.35669 |
48.60109 |
47.88127 |
47.08526 |
SSA-LSTM:
原始值 |
45.29566 |
44.01141 |
43.28463 |
43.42996 |
43.50522 |
44.20256 |
45.92687 |
46.83907 |
预测值 |
44.98278 |
43.87062 |
43.18192 |
43.37565 |
43.49939 |
44.17463 |
45.69569 |
46.8295 |
原始值 |
49.61455 |
51.57773 |
52.68317 |
54.58148 |
54.86726 |
55.12172 |
54.98181 |
54.35422 |
预测值 |
49.24795 |
51.42195 |
52.74117 |
54.30687 |
54.70768 |
54.84241 |
54.74199 |
54.22516 |
原始值 |
53.05828 |
51.36767 |
50.17736 |
49.65882 |
49.49811 |
47.94209 |
45.93253 |
|
预测值 |
53.1051 |
51.36719 |
49.95112 |
49.26938 |
49.02301 |
47.76554 |
45.90304 |
LSTM |
SSA-LSTM |
|
RMSE |
0.525 |
0.215 |
MAPE |
0.392 |
0.169 |
精准度 |
99.19% |
99.66% |
论文是对电负荷进行预测,仅仅利用历史负荷数据进行预测,变量单一,不能充分挖掘数据的高维特征,无法适用于综合能源系统的多元负荷。由于综合能源系统集成了不同种类的能源形式,存在不同类型能源的耦合,因此效仿电力系统采取单一模型预测的方式,很难达到准确和可靠的效果,如现有研究利用卷积神经网络等方法作为特征提取器从输入数据中提取隐含的更具代表的特征信息,然后进行预测,取得了很好的效果。
因此,在基于LSTM-奇异谱分析的电力负荷预测模型的基础上,考虑冷、热、电负荷历史负荷数据之间的相关性和各项影响因素,加上奇异谱分析得到的与冷、热、电负荷关联度高的特征分量一起作为输入训练模型。这样理论上可以更快的提取冷、热、电负荷的高维特征,提高预测的精度。
部分理论来源于网络,如有侵权请联系删除。
[1]赵婧宇,池越,周亚同.基于SSA-LSTM模型的短期电力负荷预测[J].电工电能新技术,2022,41(06):71-79.