VMD-Stacking集成学习的多特征变量短期负荷预测模型.pdf

第 卷 第 期兵 器 装 备 工 程 学 报 年 月 收稿日期:修回日期:基金项目:重庆市自然科学基金面上项目()重庆市教育委员会科学技术研究计划()重庆理工大学研究生教育高质量发展行动计划资助成果()作者简介:王士彬()男博士高级工程师:.通信作者:何鑫()男硕士研究生:.:./.集成学习的多特征变量短期负荷预测模型王士彬何 鑫余成波张 未陈 佳(.国网重庆市电力公司市南供电分公司 重庆.重庆理工大学 电气与电子工程学院 重庆.重庆市能源互联网工程技术研究中心重庆)摘要:针对当前短期电力负荷预测结果准确度不够高的问题提出一种由变分模态分解()和 集成学习框架组合的多特征变量短期负荷预测模型 在预测前使用 算法将负荷数据分解然后加入对模型重要性较高的特征变量再建立由轻量级梯度提升机()与极限梯度提升机()融合的 集成学习预测模型并比较不同天气情况下对预测模型准确度的影响 经实际算例对比验证表明:多特征的 集成学习预测模型的误差较小 采用 算法分解历史负荷序列分解后子模态分量的周期性体现了出来让模型预测波动性较大的负荷时更容易温度、天气、农历和节假日情况等影响负荷变化的关键因素有被考虑到模型的准确度得以提高 集成学习模型对各算法取长补短泛化能力增强预测的准确度高于单一模型关键词:短期电力负荷预测变分模态分解 集成学习多特征变量轻量级梯度提升机极限梯度提升机本文引用格式:王士彬何鑫余成波等.集成学习的多特征变量短期负荷预测模型.兵器装备工程学报():.:.():.中图分类号:文献标识码:文章编号:()(.):().()().().:引言在电力系统中电力负荷是重要的组成部分更准确的负荷预测结果能让电网制定更灵活、经济的调度计划确保电力系统安全、稳定地运行 因此提高电力负荷预测准确度意义重大电力负荷预测主要是通过对历史负荷数据资料进行统计分析利用数学模型和统计方法对未来某一时期内电力系统各负荷点的用电情况进行预测短期负荷预测时间为 天到 个星期 目前短期电力负荷预测的理论和方法展开了大量研究 周莽等对负荷数据及有关天气、节假日信息进行栈式自编码然后构建门控循环单元神经网络预测电力负荷实例结果显示这种包含更多信息的模型具有预测误差更小、精度更高的特点 李坤奇等对居民用电进行短期预测时考虑到了不同用户的用电习惯并构建了由时间以及气候信息组成的多特征时间序列数据集使预测误差大幅降低 张宁用集成经验模式分解算法把负荷数据自适应分解后根据不同分量的特点建立极限学习机模型对电力负荷短期预测经实验证明相比于传统极限学习机、支持向量机模型的平均绝对误差降低约.在负荷组成成分更复杂、短时间变化量更大的工业负荷使用单一预测算法结果精度往往较低亓晓燕等对某钢铁工业地区负荷分解再使用一种融合长短期记忆网络和支持向量机不同优点的改进算法预测比单独采用长短期记忆网络、支持向量机算法的模型准确率分别提升了.、.可见在负荷预测过程中使用有效的多特征变量、数据分解、模型融合等方法可以提高预测准确度 为了减小负荷序列波动性影响、学习到更多有效特征信息、对多个算法取长补短提出了一种 集成学习的多特征变量短期负荷预测模型 模型原理.算法 和 在 年提出了 算法这种分解方法使用迭代搜索变分模型最优解来确定每个子模态分量的中心频率及带宽且每个模态在解调成基带之后是平滑的 分解后的 分量能够特征互异避免模态混叠和端点效应对采样和噪声有更强的鲁棒性 类似的使用 分解电力负荷序列可以得到较为平稳的子序列来提高负荷预测结果的准确度 具体步骤为:第 步:把电力负荷序列()分解成预设的 个 分量然后对每个负荷子序列()做 变换得到相应的单边频谱:()()()()式()中:()为狄拉克函数为卷积运算符第 步:在每个()中加入预估的中心频率 进行修正并将其频谱移到基频带上计算公式为()()()()第 步:计算梯度的 范数的平方估计对应负荷子序列()的基频带宽为了使得其带宽估计之和最小构建出带约束条件的变分模型如下:()()().()()()式()中:为偏导运算符为 范数第 步:为了简化计算式()的约束变分问题引入乘子()和二次惩罚因子 将其转为无约束条件的变分模型:王士彬等:集成学习的多特征变量短期负荷预测模型()()()()()()()()()()第 步:结合傅里叶等距变换使用交替方向乘子法更新各 分量的中心频率 、模态分量 和双上升步长 并在频域求出式()的“鞍点”获得变分模型的优解更新公式如式()、式()、式():模态变量计算为()()()()()()中心频率计算为()()()终止条件为 后最后一个 分量的中心频率增量很小若继续增大 值分解会导致各分量中心频率距离越接近造成模态混叠综上取 对负荷序列进行分解结果如图 所示由于分解的是负荷序列如果直接抛弃信息丰富的 分量将会限制模型的预测准确性所以本次分解保留了 分量.特征重要性分析从图 负荷有功功率曲线可以看出该地区夏季用电量大冬季临近春节时的用电量小有一定规律性 在日期的基础上收集每天的温度、天气、农历和节假日情况等作为特征变量 但在预测过程中过多的无关变量反而会影响模型的训练效果 分别用 和 算法预测春分、夏至、秋分、冬至、春节这 天的负荷情况得到每个特征的重要性占比平均值如图 所示 可以看到这 种算法对特征的重要性比值有所不同 算法注重时间变化 算法则更偏向温度变化 在预测时去除各自重要性占比小于 的特征图 变分模态分解结果.图 特征的重要性比值情况.预测模型训练将变分模态分解后的各分量及相关特征数据前 划王士彬等:集成学习的多特征变量短期负荷预测模型为训练集剩余的数据作为测试集导入 集成学习模型 使用网格搜索法寻找各学习器最优超参数并基于最优模型预测负荷有功功率分量数据 最后把各分量数据的预测值相加即得到预测结果.模型评价评价回归预测类模型以均方根误差()、平均绝对误差()、平均绝对百分比误差()作为评价指标其计算方法如式()式():()()()()其中:和 分别表示第 时刻的预测值和实际值 为样本总数量为了更充分体现所提出的短期负荷预测模型的优越性设置仅有时间特征和有多特征 的、长短期记忆网络()、反向传播神经网络()和 集成学习模型作为对比分析各模型的评价指标如表 所示对比结果发现多特征的 集成学习预测模型的误差较小 单一模型中 模型结果出现了滞后性即使加入了多特征变量和 后预测结果也较差 模型总体评价一般偶尔预测误差比其他模型更小和 预测误差相差不大融合后的 集成学习模型误差更小尤其是加入了多特征变量后 减少约 有无多特征变量的 模型预测结果如图、图 所示可以看出加入多特征变量后的 集成学习模型在负荷变化点处预测得更准确趋势更贴合实际值表 模型预测结果评价指标 评价指标 多特征多特征多特征多特征多特征春分/././.夏至/././.秋分/././.冬至/././.春节/././.兵 器 装 备 工 程 学 报:/./图 春分、夏至、秋分、冬至预测结果.图 春节预测结果.结论本文中提出了一种 集成学习的多特征变量短期负荷预测模型在预测前使用 算法将负荷数据分解然后加入对模型重要性较高的特征变量再建立由 与 融合的 集成学习预测模型从多种角度来提高预测的准确度具体体现在:)采用 算法分解历史负荷序列分解后子模态分量的周期性体现了出来让模型预测波动性较大的负荷时更容易)温度、天气、农历和节假日情况等影响负荷变化的关键因素有被考虑模型的准确度得以提高)集成学习模型对各算法取长补短泛化能力增强预测的准确度高于单一模型最后由于融合越多算法的 集成学习模型训练时间越长文中仅融合了 种算法未来的研究中可以考虑融合更多算法或者使用分布式计算来减少模型训练时间、提高准确度参考文献:蔡颖凯张冶曹世龙等.基于决策树算法的短期电力负荷大数据预测模型.制造业自动化():.():.吕雪松潘冬王凯等.基于马尔科夫修正的灰色时间序列电力负荷预测方法.自动化技术与应用():.():.():.:.周莽高僮李晨光等.神经网络短期电力负荷预测研究.科技创新与应用():.王士彬等:集成学习的多特征变量短期负荷预测模型 .():.李坤奇孟润泉李凤莲.融合聚类卷积门循环的居民用电短期负荷预测方法.太原理工大学学报():.():.张宁.基于 和极限学习机的短期电力负荷预测模型.贵州大学学报(自然科学版)():.()():.亓晓燕刘恒杰侯秋华等.融合 和 的钢铁企业电力负荷短期预测.山东大学学报(工学版)():.()():.():.田松峰魏言郁建雄等.基于变分模态分解云模型和优化 的汽轮机振动故障诊断.动力工程学报():.():.邵必林严义川曾卉玢.基于改进 和聚类权值共享的负荷预测/.武汉大学学报(工学版):./.():.沈俊鑫赵雪杉.基于 多算法融合模型的数据资源定价方法训练流程如下.情报理论与实践():.:():.():.():.沈豫项康利黄夏楠等.基于 算法的短期负荷预测研究.水利水电技术():.():.():.贺志将李前王彦超等.基于 的奶牛动态称量算法.农业机械学报():.():.张莲李涛宫宇等.考虑变分模态分解残差量的电力负荷预测研究.重庆理工大学学报(自然科学)():.()():.陈昱吉成贵学.基于 和 的短期负荷预测.计算机仿真():.():.王继东杜冲.基于 神经网络和气象数据修正的短期负荷预测模型.电力自动化设备():.():.科学编辑 李彬 博士(华北电力大学 副教授)责任编辑 贺 柳兵 器 装 备 工 程 学 报:/./