[发明专利]一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法

权利要求书

1.一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法，其特征在于，包括如下步骤：

S1.通过智能电表采集用户用电能耗数据，每隔10分钟采集一次用户用电数据，对于其中的缺失值或奇异值，将该值用前后两个值的平均值进行填补，得到原始用电能耗数据；

S2.通过变分模态分解算法VMD对数据进行预处理，将原始数据序列信号分解成K个不同的子序列；

S3.用Lasso算法对每一个用电能耗子序列进行数据变量筛选，筛选出具有代表性的预测变量，将其作为预测模型的输入；

S4.用卷积神经网络CNN对长短期记忆神经网络LSTM进行改进，将Lasso算法的输出作为CNN-LSTM的输入对用电能耗数据进行预测；

S5.为评估模型预测的效果，采用平均绝对百分比误差MAPE指标对模型的预测对比能力进行量化评估：

其中，y_i为实际值，y'_i为预测值。

2.根据权利要求1所述的一种基于VMD-Lasso-CNN-LSTM模型的用户用电能耗预测方法，其特征在于，所述步骤2的具体实现过程为：

2.1变分模态分解算法VMD将信号的分解方式转化为变分问题，通过计算受约束变分问题，获取全局最优解，从而实现对信号的分解，在这种循环求解过程中，各个模态分量的中心频率以及带宽不断地更新，最终得到若干个较窄带宽的固有模态分量；

2.2定义本征模函数为幅频-调制AM-FM信号u_k(t)，其表达式为:

式中，A_k(t)为瞬时幅值，为u_k(t)的相位；

2.3构造变分问题

2.3.1计算各模块带宽，通过希尔伯特变换(Hilbert)求解每个模态函数u_k(t)的边际谱，得到分量的单边频谱为：

其中，δ(t)是冲激函数，j是虚部，t代表时间，“*”表示卷积运算，k是模态分量的总数；

2.3.2对每一模态函数对应中心频率w_k的指数项混叠，通过将u_k(t)的每个模态函数的频谱调制到基频带：

其中，是复平面上模态函数中心频率的相量描述，w_k是第k个模态分量相应的中心频率；

2.3.3运用高斯平滑方法对每个模态分量确定其模态的带宽,对于一个原始信号x(t)，转变成求解带约束的变分问题:

式中:{u_k}＝{u₁,...,u_k}为分解得到的k个模态函数分量；{w_k}＝{w₁,...,w_k}为各模态函数IMF的中心频率，f(t)为输入信号，为对t求偏导；

2.4求解变分问题

2.4.1为了求解该变分模型的最优解引入二次惩罚项α和拉格朗日算子λ，将2.3.3中式子转化为无约束形式来求解目标函数，增广拉格朗日表达式如下：

其中，λ(t)为拉格朗日乘子，通过交替乘子方向算法，迭代更新各个模态分量的中心频率ω_k以及各模态形态u_k，并且计算寻优增广拉格朗日的鞍点。

2.4.2对λ¹，n进行初始化操作，n＝n+1,k＝1:k

2.4.3在2.4.1式中引入参数α，并将该参数定义为二次惩罚因子，然后通过一种交替方向乘子法，采取反复交替更新和λⁿ⁺¹的方式去求解，为了更新模态u_k，可将迭代等价为如下最小化问题：

其中，X为u_k的集和；

2.4.4将2.4.3中式子采用Parseval/Plancherel傅里叶等距变换,将之求解问题转变到频域中：

其中，sgn(w+w_k),分别为f(t),u_i(t),λ(t)的傅里叶变换形式；

对上式进行转化w用w-w_k代替,并将其转为非负频率区间积分样式,然后进行求解:

此时,得到二次优化问题的解为:

中心频率w_k不会出现重构函数的保真项中，只会出现在先前的带宽项中，关于w_k等价最小化表达式为：

将中心频率转到频域中求解：

得到中心频率的更新表达式：

式中：为当前剩余分量的维纳滤波，为当前模态函数功率谱的重心，对进行傅里叶逆变换，实部则为{u_k(t)}；

2.4.5通过下式完成对λ的更新

2.4.6设定判断阈值ε，重复以上步骤直到下式满足判断阈值迭代停止。

2.4.7得到K个子序列IMF。