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

说明书

本发明公开了一种基于VMD‑Lasso‑CNN‑LSTM的用户用电能耗预测方法，该方法包括如下步骤：首先采用变分模态分解(VMD)算法对用电能耗数据进行预处理，将原始数据序列信号分解成K个不同的子序列；再通过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；最后用卷积神经网络(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；以MPAE作为评估指标，在测试集上验证该用电能耗预测方法的准确率。

技术领域

本发明涉及一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法，属于电力系统技术领域。

背景技术

近年来，随着智能感知以及无线通讯技术的发展、智能电网的建设规模不断扩大，积累了大量电力相关数据。如何从海量的历史能耗数据中挖掘特征信息，建立准确可靠的电能消耗预测模型，明晰电能能耗的分布以及变化规律，将为电力系统的智能调度、运行以及维护提供科学的决策依据。然而，用户用电能耗是一种时间序列，通常受到节假日、季节效应、气候等外部因素的影响，从而呈现出复杂的非线性特征。此外，数据规模大、维度高以及时效性强等特点，极大的提升了数据解析难度，为基于数据驱动方法的能耗预测带来了极大的挑战。传统的用电能耗预测方法包括线性回归分析、趋势外推法以及周期因子模型法等。而传统的预测方法在处理非线性、非平稳、高复杂性的时间序列时，预测效果并不理想。

由于EMD分解易造成模态混叠现象，分解结果较差，且不能自己调节需要分解出的子模态分量个数，而VMD作为一种自适应、完全非递归的模态变分的方法，有效的避免了在分解结果中出现的模态混叠和端点效应现象；可以人为设定分解出的模态分量的个数，可以把原始时间序列信号分解为固有的K个模态分量IMF，具有较强的自适应性，在处理非平稳较复杂的数据时，有明显的优势。为了有效地捕捉数据的深层特征，提高预测模型精度，本发明提出了一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法。

发明内容

本发明针对现有技术的不足，提供一种基于数据预处理和特征选择的能耗预测方法。该组合模型不仅有效地捕捉数据的深层特征，降低数据复杂度，还提高了预测模型的精度。

为了克服上述现有技术的不足，本发明提供了如下的技术方案：

本发明提供了一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法，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(VMD)算法对数据进行预处理，将原始数据序列信号分解成K个不同的子序列；具体步骤如下：

2.1变分模态分解(VMD)算法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，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。