亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于AO-VMD-BiGRU的短期負荷預測方法

        2023-09-16 02:39:48汝洪芳張程帝王國新李作淘
        黑龍江電力 2023年4期
        關鍵詞:分量模態(tài)神經網絡

        汝洪芳,張程帝,王國新,李作淘

        (黑龍江科技大學 電氣與控制工程學院,哈爾濱 150022 )

        0 引 言

        在雙碳背景下,新能源發(fā)電比例逐年提升,同時,也給電網的穩(wěn)定性帶來了極大的挑戰(zhàn)。若是能夠對短期電力負荷進行精準的預測,這不僅能夠促使供電企業(yè)制定更加周密的發(fā)電計劃,優(yōu)化電力調度規(guī)劃,還能保證電力系統(tǒng)的安全,符合綠色發(fā)展的要求。

        從文獻資料上看,一些成熟的預測短期負荷的方法主要有自回歸移動平均法(autoregressive integrated moving average, ARIMA)[1-2]、卡爾曼濾波法[3]等方法。上述幾種方法均可以對各個影響因素進行捕捉,并確定各因素之間的線性關系,但也存在明顯的不足,那就是無法對非線性特征進行描述。常用的深度學習短期負荷預測方法有以下幾種:反饋神經網絡(back propagation,BP)[4]、卷積神經網絡(convolutional neural network,CNN)[5]、循環(huán)神經網絡(recurrent neural network,RNN)[6]等模型的預測方法。文獻[7]采用門控循環(huán)單元(gate recurrent unit,GRU)對電力負荷進行預測,與長短期記憶網絡(long short-term memory,LSTM)相比,更易于計算,但是負荷預測是由歷史時刻信息和未來時刻信息共同決定,GRU沒有對未來時刻信息進行考慮。文獻[8] 采用經驗模態(tài)分解(empirical mode decomposition,EMD),借助此方法完成電力負荷的分解工作,降低了負荷預測的復雜性,但此種分解模態(tài)容易出現(xiàn)模態(tài)混疊的情況,這非常影響負荷預測的精度。文獻[9]采用變分模態(tài)分解(variational mode decomposition,VMD)對電力負荷進行分解,取得很好的實驗效果,但是人為設置參數(shù)具有很強的隨機性,影響其分解性能。

        為了提高短期負荷預測精度,本文提出一種基于天鷹算法(aquila optimizer,AO)優(yōu)化變分模態(tài)分解和雙向門控循環(huán)單元(bidirectional gate recurrent unit,BiGRU)神經網絡的短期電力負荷預測方法。首先,利用VMD取代EMD,對負荷序列進行分解,得到電力負荷分解序列圖像,解決EMD本身的模態(tài)混疊缺點;其次,采用AO取代人為設置,對VMD參數(shù)進行選擇,降低了試驗的隨機性;最后把分解后的負荷序列傳遞到雙向門控循環(huán)單元中進行數(shù)據(jù)的非線性擬合,在澳大利亞昆士蘭地區(qū)負荷數(shù)據(jù)基礎上進行短期負荷預測。將該方法與BiGRU神經網絡模型、VMD-BiGRU神經網絡模型、WOA-VMD-BiGRU模型進行比較,來驗證所提方法的準確性。

        1 AO-VMD-BiGRU模型原理

        1.1 AO

        天鷹優(yōu)化算法是2021年Laith Abualigah等人提出的一種新型智能優(yōu)化算法[10],該算法主要模擬天鷹在捕捉獵物過程中的自然行為,來達到尋優(yōu)的目的,具有尋優(yōu)能力強、收斂速度快等特點。

        1.2 VMD

        變分模態(tài)分解,即VMD,此方法是Dragomiretskiy等人在2014年提出的[11],此種信號分解方法具有一定的自適應性。此模型借助迭代搜索變分方法最優(yōu)解,從而精準確定各個分量的中心頻率以及寬帶,同時徹底克服了EMD方法的諸多弊端,比如端點效應、模態(tài)分量混疊等難題。VMD算法的約束公式如下:

        (1)

        (2)

        式中:{uk}為模態(tài)分量的集合;{wk}為各模態(tài)分量的中心頻率;*為卷積運算;?t為函數(shù)對時間的導數(shù);δ(t)為單位脈沖函數(shù);f(t)為原始輸入信號。

        把拉格朗日因子代入約束公式,從而將其轉換為非約束的變分問題,如下:

        L({uk},{wk},λ)=

        (3)

        式中:α為懲罰因子;λ為拉格朗日因子。

        模態(tài)分子變量和中心頻率的更新公式如下:

        (4)

        (5)

        式中:f(w)、ui(w)、λ(w)分別為f(t)、ui(t)、λ(t)的傅里葉變換;n為迭代次數(shù)。

        1.3 BiGRU模型

        BiGRU模型是在2個方向相反GRU模型的基礎上搭建的神經網絡結構,GRU網絡模型如圖1所示。這2個GRU網絡模型都能接收到相同的輸入,所以該模型在處理時間序列數(shù)據(jù)上有優(yōu)勢,負荷預測的準確率提高[12]。選擇BiGRU網絡模型,如圖2所示。

        圖1 GRU原理圖

        圖2 BiGRU原理圖

        GRU網絡公式如下:

        rt=σ(wr[ht-1,xt])

        (6)

        zt=σ(wz[mt-1,xt])

        (7)

        (8)

        (9)

        BIGRU網絡公式如下:

        (10)

        (11)

        (12)

        2 基于AO-VMD-BiGRU的負荷預測模型

        2.1 基于AO的VMD參數(shù)優(yōu)化

        VMD對信號的分解效果主要取決于分解個數(shù)K和懲罰因子α的設置,但是人為設置VMD參數(shù)可能造成過分解和欠分解現(xiàn)象。因此,采用AO算法對VMD中分解個數(shù)K和懲罰因子α迭代尋優(yōu),尋優(yōu)維度設置為2,K的尋優(yōu)區(qū)間設置為[2,10],α的尋優(yōu)區(qū)間設置為[0,10 000]。采用VMD損失函數(shù)作為AO算法尋優(yōu)的適應度函數(shù),計算式如下:

        (13)

        式中:f(t)為原始輸入信號;f′(t)為分解后信號;T為時間長度。

        2.2 AO-VMD-BiGRU模型結構

        為實現(xiàn)短期電力負荷的預測精準度大幅提升的目標,提出基于AO-VMD-BiGRU的模型預測短期負荷的變化趨勢,其模型結構如圖3所示。首先利用損失函數(shù)作為適應度函數(shù),運用AO對VMD中的分解個數(shù)K和懲罰因子α進行迭代尋優(yōu),確定這2個參數(shù)值;隨后,把原始負荷數(shù)據(jù)導入VMD中進行簡單的模態(tài)分解,獲得各模態(tài)分量IMF1,IMF2,…,IMFn;最后把各模態(tài)分量導入BiGRU神經網絡模型,得到各模態(tài)分量預測值,進行輸出結果疊加,從而得到實際預測值。

        圖3 AO-VMD-BiGRU模型結構圖

        模型評估主要依據(jù)3個重要的指標,分別是平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)和平均絕對誤差(MAE),這3個評估標準能夠有效地測試負荷預測方法的性能好壞。在電力負荷預測中MAPE、RMSE、MAE的值越小,表示模型的擬合效果越好,代表負荷預測越準確,計算式如下:

        (14)

        (15)

        (16)

        式中:yi為第i個采樣點真實所得到的負荷值數(shù)據(jù);y′i為第i個采樣點預測計算出來的負荷值;n值為測試的樣本數(shù)。

        3 試驗分析

        3.1 數(shù)據(jù)處理

        試驗數(shù)據(jù)選取澳大利亞昆士蘭地區(qū) 2014年1月份上半月的真實歷史負荷數(shù)據(jù)(包含干球溫度、電力價格、空氣濕度、電力負荷等特征)為數(shù)據(jù)集合,每天會采取48個樣本值,每次采樣的時間間隔是30 min,每次獲取的數(shù)據(jù)包含上面提及的6個方面電力負荷數(shù)據(jù)值。

        采用 min-max 標準化將數(shù)據(jù)歸一化到[0, 1],計算過程如下所示。

        (17)

        式中:xi為第i個采樣點特征原始值;xmin和xmax分別為采樣數(shù)據(jù)中各特征數(shù)據(jù)的最小值和最大值;x′t為xi數(shù)據(jù)歸一化后的值,范圍為[0, 1]。

        3.2 基于AO-VMD分解試驗

        為了體現(xiàn)AO優(yōu)化VMD參數(shù)的有效性,將AO優(yōu)化VMD參數(shù)和VMD參數(shù)默認值以及鯨魚優(yōu)化算法(whale optimization algorithm, WOA)優(yōu)化VMD參數(shù)進行對比,所有模型的訓練集與測試集相同,AO和WOA尋優(yōu)VMD參數(shù)的迭代過程和分解結果如圖4和表1所示,對應式(13)中分解結果越小,模型預測越準確。

        表1 VMD尋優(yōu)參數(shù)結果

        圖4 不同算法迭代尋優(yōu)圖

        由圖4和表1可知,使用AO對VMD進行參數(shù)尋優(yōu)相較于WOA參數(shù)尋優(yōu),尋優(yōu)能力更強,尋優(yōu)速度更快,其分解損失相較于一般VMD參數(shù)設置和WOA優(yōu)化的分解損失更小,最小為1.68 MW。原始負荷數(shù)據(jù)和AO-VMD的分解序列如圖5和圖6所示,圖6中res代表原始負荷數(shù)據(jù)分解的殘差分量。

        圖5 原始負荷數(shù)據(jù)圖

        圖6 AO-VMD分解序列圖

        3.3 試驗結果分析

        為驗證方法有效性,試驗將AO-VMD-BiGRU模型與BiGRU模型、VMD-BiGRU模型和WOA-VMD-BiGRU模型之間的性能進行了對比。在預測電力負荷數(shù)據(jù)的時候,參考文獻[13]可以把這幾個模型的遞歸神經網絡層數(shù)都設置成1,而將神經網絡各層的神經元數(shù)量控制在50,預測結果如圖7和表2所示。

        表2 各類模型對比

        圖7 預測結果對比

        由表2可知,4種模型預測結果都取得了良好的效果,AO-VMD-BiGRU模型的預測結果更好。其中,AO-VMD-BiGRU模型的MAPE為1.54%,其MAPE相較于BiGRU模型、VMD-BiGRU模型和WOA-VMD-BiGRU模型這3種方法的MAPE分別降低了2.98%、1.93%、0.19%。根據(jù)圖7可知,基于AO-VMD-BiGRU模型預測結果與實際負荷曲線擬合程度更高,可以很好地表示負荷變化的趨勢。

        4 結 語

        面對電力系統(tǒng)對負荷預測準確性要求日益提高的形勢,提出一種基于AO-VMD-BiGRU混合模型預測方法。

        1)通過AO對VMD進行參數(shù)尋優(yōu),確定K和α的值,降低了人為設置參數(shù)的隨機性。

        2)原始負荷數(shù)據(jù)經過VMD分解,獲得不同頻率的模態(tài)分量,削弱了原始負荷數(shù)據(jù)的噪聲干擾。

        3)采用BiGRU神經網絡對各模態(tài)分量進行預測并進行預測結果疊加,提升了負荷預測的精度。對比試驗結果表明,此模型預測精度更加準確,具有一定的可行性。

        猜你喜歡
        分量模態(tài)神經網絡
        帽子的分量
        神經網絡抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        一物千斤
        智族GQ(2019年9期)2019-10-28 08:16:21
        論《哈姆雷特》中良心的分量
        分量
        基于神經網絡的拉矯機控制模型建立
        重型機械(2016年1期)2016-03-01 03:42:04
        國內多模態(tài)教學研究回顧與展望
        復數(shù)神經網絡在基于WiFi的室內LBS應用
        基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
        基于支持向量機回歸和RBF神經網絡的PID整定
        精品一区二区三区牛牛| 风流少妇又紧又爽又丰满| 久久国产精品视频影院| 人妻av不卡一区二区三区 | 每日更新在线观看av| 怡红院a∨人人爰人人爽| 无码国产精品一区二区免费网曝| 亚洲av中文字字幕乱码| 色综合久久中文综合网亚洲| 日本免费a级毛一片| 免费毛片视频网站| 中文字幕日韩一区二区不卡| 亚洲成av人片女在线观看| 日本人与黑人做爰视频网站| 亚洲国产99精品国自产拍| 国产精品一区又黄又粗又猛又爽| 人人妻人人澡人人爽人人精品浪潮| 四川老熟妇乱子xx性bbw| 99精品国产兔费观看久久| 国产福利一区二区三区在线观看| 欧美丰满老熟妇aaaa片| 亚洲日韩精品欧美一区二区一 | 大伊香蕉在线精品视频75| 成人国产精品免费网站| 蜜桃视频羞羞在线观看 | 亚洲18色成人网站www| 亚洲AⅤ樱花无码| 亚洲熟女乱一区二区三区| 大地资源在线观看官网第三页| 午夜片无码区在线| 中文字幕人妻一区色偷久久| www夜插内射视频网站| 妓院一钑片免看黄大片| 欧美人与动牲交片免费| 加勒比东京热一区二区| 真人做爰片免费观看播放| 国产一区二区牛影视| 中文字幕人妻被公喝醉在线| 草草地址线路①屁屁影院成人| 人人妻人人澡人人爽人人精品电影| 国产人成在线免费视频|