[发明专利]基于CEEMD-LSTM的综合能源系统多元负荷预测方法

说明书

本发明提出了一种基于CEEMD‑LSTM的综合能源系统多元负荷预测方法，利用标准分数归一化的方法对原始数据进行预处理，利用Pearson相关系数对负荷预测的影响因素进行分析，筛选出关联度较高的影响因素；采用互补集合经验模态分解法将冷、热、电负荷序列分解为各组本征模态函数(IMF)均值分量并进行筛选保留与负荷预测相关度较高的IMF均值分量；将各组筛选后的IMF均值分量以及天气因素数据输入长短期记忆网络(LSTM)模型进行训练和学习得到最终CEEMD‑LSTM负荷预测模型；将预测的各组IMF均值分量相加并进行归一化逆变换得到最终预测结果。

技术领域

本发明属于能源系统负荷预测技术领域，尤其是涉及一种基于CEEMD-LSTM的综合能源系统多元负荷预测方法。

背景技术

冷、热、电负荷的供需平衡是综合能源系统安全、稳定运行的前提，灵活、高效、精准的负荷预测是系统规划设计、调度运行的重要环节。为高效、充分、环保地响应终端用户对冷、热、电负荷的需求，综合能源系统将各个能源网络互联以实现在各类能源分配、转化、存储、消费等环节中进行有机协调与优化。同时，大规模可再生能源系统的接入，各个能源系统之间的耦合性增强，对负荷预测的实时性、准确性及可靠性有了更高的要求。因此，冷、热、电负荷的预测对综合能源系统的研究具有重要的工程价值。

冷、热、电负荷具有复杂性、随机性及非线性等特点，在综合能源系统中，短期电负荷具有明显的周期性，相邻日、相似日的负荷曲线具有一定的相似性。短期电负荷及综合能源系统中冷、热负荷受环境因素特别是天气状况的影响较大，与温度、湿度等相关，具有显著的随机性。冷、热、电负荷不仅与自身历史数据有关，各负荷之间也存在着某种相关性，以往的时间序列负荷预测方法仅仅考虑了对应负荷的时间序列，并未将各个负荷之间的影响及相关环境因素考虑在内，冷、热、电负荷预测精度较低。

发明内容

有鉴于此，本发明提出一种基于CEEMD-LSTM的综合能源系统多元负荷预测方法，考虑冷、热、电负荷的特点，通过数据预处理，负荷预测的影响因素筛选，CEEMD分解及筛选IMF分量，LSTM训练和学习，预测结果进行归一化逆变换得到最终预测结果。

一种基于CEEMD-LSTM的综合能源系统多元负荷预测方法，包括：

步骤S110：利用标准分数归一化的方法对原始数据进行预处理；

步骤S120：利用Pearson相关系数对负荷预测的影响因素进行分析，筛选出关联度较高的天气影响因素；

步骤S130：采用CEEMD法将冷、热、电负荷序列分解为各组IMF均值分量，利用Pearson相关系数筛选保留与负荷预测相关度较高的IMF均值分量；

步骤S140：将各组筛选后的IMF均值分量以及天气因素数据输入LSTM模型进行训练和学习，并进行负荷预测；

步骤S150：将预测的各组IMF均值分量叠加重构并进行归一化逆变换得到最终预测结果。

优选地，步骤S110中，将冷、热、电负荷值、温度及湿度数值数据利用标准分数归一化方法进行处理，得到具有零均值和单位方差的标准数据。

进一步，步骤S120包括：分析冷、热、电各负荷变量间及天气因素对冷、热、电负荷预测的影响机理，采用Pearson相关系数计算冷、热、电负荷与天气因素之间的相关性，选择相关性较强的变量构建冷、热、电多元负荷预测的多变量时间序列。

优选地，选择相关系数大于0.2的变量构建冷、热、电多元负荷预测的多变量时间序列。

进一步，步骤S130中，将n时刻的各组IMF均值分量与第n+1时刻的负荷预测数据计算Pearson相关系数，进行清洗处理筛选出相关系数较高的IMF均值分量。

优选地，筛选出相关系数大于0.2的IMF均值分量。