文摘
本研究的目的是更好的人工智能算法应用于负荷预测和有效地提高预测的准确性。基于长期短期记忆神经网络、基于仿生鲸鱼的组合模型优化提出了短期负荷预测。鲸鱼仿生算法是用来解决问题的长期短期记忆神经网络容易陷入局部优化和改善参数优化的准确性。将原始信号分解成多个特征组件通过经验模态分解。每个功能组件输入到仿生优化组合预测模型。最后,得到负荷预测的结果。与EEMD-ARMA模型的预测结果相比,RNN模型,LSTM模型,和WOA-LSTM模型,鲸鱼仿生学优化组合预测模型的预测误差少和更高的预测精度。
1。介绍
由于智能和人工智能技术的先进性,人工智能技术已应用于航空航天、医疗卫生、电力系统、和许多其他领域。人工智能技术在电力系统中的应用和电力企业可以优化电力系统的稳定和安全。由于电力系统负载的复杂性增加,电力负荷预测已经成为一个系统的稳定运行的关键技术。短期负荷预测的发展也改变了从人工智能预测的基本数学方法。提高预测精度通过结合人工智能算法。
有三种短期电力负荷预测方法:传统的预测方法,现代预测方法,预测模型相结合的方法。传统的预测方法有回归预测方法(1)、指数平滑法、(2),和时间序列方法3]。回归预测方法的预测精度较低,但拟合速度快。这是一个基本的预测模型。指数平滑方法可以得到所有数据的贡献通过不同的权重预测数据。指数平滑方法有可怜的能力来判断数据的转折点。时间序列方法的优势是,它可以消除随机波动。缺点是时间序列方法大大地影响原始数据和拟合精度差的数据量很大。
现代预测方法包括灰色预测方法、模糊预测方法和神经网络方法。金等。4)提出了一种新的灰色关联竞争短期电力负荷预测模型。当负载系列的数据量的增加和分散的程度增加,灰色预测方法的预测精度将降低。Cevik和Cunkas5)提出了一个基于模糊逻辑的短期负荷预测模型和自适应神经模糊推理系统(简称ANFIS)。基于模糊逻辑的模糊控制算法和模糊数学的模糊理论通常是使用领域的电力负荷。然而,这种方法具有高度依赖经验,可怜的自适应学习能力,对非线性数据和糟糕的预测效果。(NNs)是应用最广泛的神经网络预测方法(6- - - - - -8),并建立一个多功能计算模型。在神经网络模型中,径向基函数和误差反向传播算法被广泛使用。提出了各种神经网络结构来提高预测的效果(9- - - - - -11]。随着人工智能技术的迅速发展,许多专家和学者提出了深层神经网络。与传统的神经网络相比,深层神经网络(款)12有多个隐藏层,增强了对时态数据的相关性。
典型的深层神经网络包括卷积神经网络(CNN),深信心网络,递归神经网络(RNN)。RNN提出更好的流程序列信息(13]。从RNN LSTM进化14),最初是由Hochreiter [15],它解决了梯度和梯度爆炸消失的问题,很容易发生在RNN网络中,可以保持短期记忆和长期记忆(16]。LSTM也被成功地应用在许多研究领域17),如音素的分类(18)、交通预测(19,语言字幕20.),和行为识别(21]。LSTM可以有效地学习法律的历史序列信息。在上面的研究领域中,LSTM模型取得了精度高,这是一个非常有效的神经网络模型。
一个单一的神经网络预测算法是在测试过程中容易陷入局部优化。电力负荷的复杂性也会导致单个预测方法不能确保预测的准确性。提出了组合预测模型来解决预测精度的问题。结合不同类型的人工神经网络模型是一个研究热点,解决短期电力负荷预测的问题。Santra和林22提出了组合模型的遗传算法(GA)和长期和短期记忆(LSTM)。遗传算法用于优化的参数LSTM提高短期负荷预测的鲁棒性。然而,目前,遗传算法参数的选择主要依赖于经验,如交叉率和变异率。遗传算法是缓慢的反馈信息处理网络,算法的搜索速度慢。香港et al。23)提出了一个基于深层神经网络短期负荷预测模型和迭代ResBlock学习不同的功耗行为之间的关系。与传统的卷积神经网络相比,迭代ResBlock可以传输低层次的信息,使网络训练更深。但是更深层次的网络结构需要更好的GPU来训练,和硬件的要求更高。Moradzadeh et al。24提出了组合模型的改进的支持向量回归(SVR)和长期和短期记忆(LSTM),取得了良好的预测结果。然而,支持向量回归是不适合大型数据集。当每个数据点的数量的功能超过训练数据样本的数量,支持向量回归表现不佳。当数据集是嘈杂的,很容易导致目标类重叠。他等。25)提出了一种基于变分模态分解组合预测模型和长期和短期记忆网络。原来的输入信号是由变分模态分解处理,这样可以减少噪声的干扰。然而,参数选择LSTM将影响整个组合模型的预测精度。孟et al。26)提出了一个长期和短期记忆神经网络模型结合经验模态分解和注意力机制。LSTM神经网络的性能优化。然而,经验模态分解(EMD)有严重的模式混叠现象,这就需要高要求原始数据。设置经验模态分解(EEMD)提出了解决EMD的模式混叠现象。
总之,考虑原始数据处理和参数选择。经验模态分解集是用于处理原始信号克服模态混叠的现象。鲸鱼仿生优化算法用于优化参数。在本文中,我们提出一个LSTM鲸鱼仿生算法优化神经网络模型的短期负荷预测。该模型结合了仿生算法和人工智能算法。数据分解成不同尺度的模态组件作为模型的输入通过经验模态分解。WOA层优化LSTM参数根据鲸鱼算法。LSTM层用于模型的历史数据。基于公司的历史负荷数据,人工智能方法的评估。与RNN模型相比,LSTM模型,EEMD-ARMA模型,和WOA-LSTM模型,提出了预测方法具有较高的精度。
本文的其余部分是总结如下。第二部分介绍了LSTM神经网络的基本原理,鲸鱼算法和EEMD。第三部分介绍了组合预测模型和误差评价指标。第四部分给出了相关的实例分析。第五部分总结。
2。算法做准备
2.1。LSTM
当普通的递归神经网络(RNN)处理复杂数据,参数选择不当很容易导致梯度消失和梯度爆炸。与RNN相比,LSTM神经网络增加了逻辑门控制机制和状态传输单元,所以它不仅保留了与时间相关,还增加了遥远的信息之间的依赖。图1显示LSTM神经网络的电池单元。图是输入数据的时间 。 隐层的输出在时间吗 。 细胞的状态的单位时间吗 。 细胞的状态的单位时间吗 。 代表了s形的函数。输出值LSTM神经网络和单元状态目前是由输入值决定的在当前时间和上次的隐层输出值和单元状态共同决定。
计算公式是
的公式, , , , ,和忘记门,输入,输入节点,细胞状态和输出层, , , , 和 , , , 是忘记门的权重矩阵,权重矩阵和抵消项对应于忘记门,输入,输入节点和输出门,然后呢是乙状结肠函数。
2.2。鲸鱼的优化算法
仿生智能算法迅速发展,如粒子群优化、蛙跳算法,和鱼蜂群算法。Mirjalili和刘易斯创造性地提出了鲸鱼优化算法领域的仿生智能算法(27]。算法与其他算法相比,鲸鱼是一种智能优化算法,操作简单,一些参数,和良好的优化性能。通过模拟鲸鱼捕食机制来表示算法的优化过程,全球和本地搜索功能更好的权衡和量化。流程图如图2。
WOA,搜索粒子初始化空间。当 ,WOA进入本地搜索;当 ,WOA进入全球搜索。公式如下:
的公式,代表当前的迭代次数和代表的最大迭代数。之间的任何值 。在整个迭代过程中,逐渐从2降低为0。是一个随机号码属于 。
WOA进入本地搜索阶段。一个是收缩周围方法,另一个是螺旋更新方法。收缩阶段的公式如下:
代表随机距离,目标和搜索粒子之间的距离。螺旋更新方法的公式如下:
代表了迄今为止最优解。代表了随机目标猎物和搜索粒子之间的距离。代表了最优解和搜索粒子之间的距离,是一个常系数,一个随机数在[1]。是一个随机生成的概率从[0,1]。
当 ,WOA进入全球搜索阶段。公式如下:
从人口代表搜索粒子随机选择。
鲸鱼优化算法的优化过程如下:(1)初始化鲸鱼人口(2)鲸鱼在进化的过程中,根据最优更新他们的立场(3)根据确定鲸鱼位置更新方法(4)鲸鱼算法进行迭代,直到满足终止条件
鲸鱼算法用于优化LSTM模型的参数。摘要日军的损失函数用作鲸鱼算法。当损失值符合要求,优化参数值。适应度函数的定义公式如下:
是th预测值的预测结果,是th真正价值的数据样本,是预测样本的数量。更准确的预测价值,价值损失越小。
详细过程如下:(1)LSTM模型的初始化参数(2)鲸鱼种群初始化算法。这三个变量组成的一组值 输入到鲸鱼算法作为参数进行优化。三个参数代表隐层节点的数量,学习速率,分别和迭代时间(3)以初始化值为历史最优值分配和培训LSTM的参数(4)设置从传统LSTM获得培训系统需求,鲸鱼和计算模型损失价值优化的算法(5)如果损失值小于鲸鱼的模型优化算法 ,需求得到满足,最后预测模型和参数值输出(6)如果损失值不能小于或迭代的数量没有达到最大值,更新参数和再培训。否则,停止训练
2.3。集成经验模态分解
当处理时间序列问题,EMD分解可以稳定数据。EMD可以将非线性和非平稳的信号分解成一系列的国际货币基金组织(IMF)的组件,这是当地原始信号不同尺度的特征信号。
模式可能发生混叠在EEM模式分解。分解前EEMD将添加高斯白噪声,然后EMD分解。为了减少白噪声的原始序列的影响,多次重复实验,最后,计算多组结果的平均值。EEMD的分解步骤如下:(1)集分解的数量(2)高斯白噪声是添加到原始序列 。添加白噪声的标准差通常是0.2倍标准偏差的原始序列,和中值是0。序列公式添加白噪声之后得到如下:
在这个公式 是随机的高斯白噪声,原始序列的长度吗(3)前一步骤后,我们得到了所有的 ; 的顺序是(4)重复步骤2和3次得到所有(5)可以消除噪声干扰的平均值的时候 。公式如下:
与EMD, EEMD结果不一定是相同的。它随白噪声的大小,所以EEMD分解不能获得一个独特的解决方案。即使选择相同的参数,计算结果仍不同噪声的随机性。然而,随着测试的数量增加,影响可以抵消在计算平均值。只要数量的测试就够了,结果会是一致的。除了高斯白噪声的大小的影响分解结果,比例也对结果有很大的影响。如果比例太小,效果很小。如果比例太大,它将造成干扰和大错误。目前,更有效的方法来减少干扰是有足够的平均时间。一般来说,当平均时间数百次,效果很好。
3所示。主要结果
3.1。EEMD-WOA-LSTM组合模型
图3表明本文提出的模型的框架。EEMD-WOA-LSTM方法提出了包括三个阶段:数据分解,组件的预测,预测结果重建。
EEMD-WOA-LSTM模型充分利用EEMD的能力避免组件模式混叠和WOA-LSTM长期记忆的数据。这三个阶段如下:(1)EEMD执行数据分解。输出多个模态组件具有不同特点(2)国际货币基金组织每个子序列分别预测。对于每一个组件,建立一个LSTM网络来研究其内部动态变化规律。使用WOA算法更新LSTM网络(3)国际货币基金组织每个子序列的预测结果正常化和重叠每个组件的预测价值
3.2。预测和评价指标
本文几个常用的误差评价指标采用在电力负荷预测:平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(日军)。(1)平均绝对误差(MAE): (2)均方根误差(RMSE): (3)平均绝对误差百分比(日军):
的公式,是th预测值的预测结果,是第i个真正价值的数据样本,然后呢是预测样本的数量。
3.3。LSTM预测精度分析
选择一个设备的数据加载在工厂从4月1日,2018年5月30日,2018年,一个采样点在每天同一时间,总共60加载数据,如图4。
在此期间,该设备的生产计划是几乎相同的。植物全年恒温恒湿,所以功耗不受外部环境的影响,和数据波动很小。未来15天的原始数据作为测试集。通过模拟RNN LSTM预测模型,验证,LSTM比RNN模型具有更好的预测效果。神经网络的隐层节点的数量设置为18岁,学习速率为0.002,和迭代的数量是200。
RNN的15天电力负荷预测结果和LSTM模型图所示5和6,分别。
计算回归评价指标根据方程(18)- (20.),并获得美、RMSE和日军的两个算法,如表所示1。
作为一个整体,LSTM模型的预测结果更接近真实的曲线,而RNN模型的预测结果偏离很大。和LSTM模型的三个评价指标表1小于RNN的模型。
目前,该方法来确定隐层节点的数量取决于实验。一般来说,一些代表节点选择模拟,并确定最优解的区间通过仿真结果和实验仍在继续。选择最优数量的隐层节点作为最终结果。固定其他参数不变,选择一些具有代表性的隐层节点,得到预测结果曲线如图7。每个预测结果的误差值如表所示2。
结果在表2预测结果表明,随隐层节点的数量。当隐层节点的数量小于10,这三个指标都大,预测精度较低。当它是10,预测精度显著提高,当隐层节点的数量超过20,精度下降。
LSTM算法的优点如下:(1)LSTM在处理复杂的数据具有较好的拟合效果(2)LSTM解决问题的依赖内存或忘记等信息彼此远离(3)在上述两个模型的预测比较,发现美,RMSE,和日军RNN的12.048,12.806,和0.939,分别和梅,RMSE,和日军LSTM神经网络是8.556,9.576,和0.665,分别提高了准确性29.0%,25.2%,和29.2%,分别。与不同的误差评价指标相比,LSTM模型具有更好的预测结果,可以作为一个好的模型在电力负荷预测领域
3.4。组合预测模型数据
本文的实际数据加载一个工厂从1月1日,2019年12月31日,2020年,作为原始数据。采样间隔24小时,也就是说,每天一个采样点。原始数据曲线显示在图8。通过训练数据,预测能耗数据在接下来的30天。摘要RNN模型、LSTM模型,EEMD-ARMA模型、WOA-LSTM模型和EEMD-WOA-LSTM模型用于预测和数据分析。
3.5。原始负荷系列的分解
EMD和EEMD分解植物的时间序列。EMD和EEMD分解数据的比较如图9和10。
IMF9在图9和IMF9在图10各自的趋势项。在图9模式发生混叠。从图可以看出10EEMD克服了模态混叠的问题,可以将电力负荷信号分解成不同频率不同的特色。为了达到更好的预测精度。我们使用EEMD数据分解。分解功能组件输入预测模型的学习。
3.6。实验结果分析
在这篇文章中,滚动预测方法用于训练模型,和RNN LSTM建立预测模型进行分析。神经网络的隐层节点的数量设置为80,学习速率为0.01,和迭代的数量是500。
RNN模型的预测结果如图所示11。RNN预测的结果直观地比传统算法更准确。然而,对于极端点,穷人RNN算法拟合程度和结果偏差很大。
LSTM模型用来预测数据。预测结果如图12。从视觉的角度来看,LSTM神经网络提高了预测结果的准确性。的预测数据与小变化范围是相对准确。然而,由于参数难以确定,结果有一定的抵消极端附近的数据点,总体预测精度并不是太高。
EEMD分解生成的组件的数量取决于有多少需要建立ARMA模型,每个ARMA模型也不同。事实上,样品分解的数据EEMD满足ARMA建模的要求,也就是说,他们都是稳定的序列。因此,稳定的决心是省略的过程。一般来说,AIC和BIC用于确定订单。然而,当选择的顺序,有大量的计算,通常是使用众所周知的遍历方法。所以固定订货建模是一个很好的方法,本文采用这个方法。EEMD-ARMA数据预测过程的第一步是使用EEMD分解数据,然后模型每个组件分别进行训练,最后将预测的结果。预测曲线如图13。
WOA-LSTM模型用于分析。由于大量的数据,鲸鱼算法的初始种群大小50,初始迭代次数为500,初始化参数 [10100],[0.001,0.01],(400、1000)。通过WOA LSTM神经网络的优化,获得的组合模型可以更好地优化LSTM的参数。它可以更好地预测和适应整个或峰值,槽,和拐点的极端点比之前的算法,预测精度明显提高。预测结果如图14。
最后,EEMD-WOA-LSTM模型用于分析和预测加载数据。预测结果如图15。WOA-LSTM模型相比,该模型更准确的预测结果与实际数据拟合程度较高,和更高的预测精度。
4所示。结果
这5个模型的预测结果的比较如图16。根据公式计算出回归评价指标(18)- (20.),得到三个误差评价指标的五个模型,如表所示3。每个模型的预测结果如表所示4。
RNN模型、LSTM模型和WOA-LSTM模型之间的重合度的预测值和实际值曲线结果从高到低是WOA-LSTM模型,LSTM模型,RNN模型。WOA-LSTM模型是最接近真实的数据训练模型在三个样品,显示鲸鱼LSTM神经网络优化的优化算法具有良好的训练效果对于大型和小型数据训练样本。
所有模型,真正曲线波动小的一部分,一些算法的拟合程度很好,但在极端点,EEMD-ARMA和LSTM模型的拟合程度很差。尽管最初LSTM模型比EEMD-ARMA模型总体上有一定的极端点和实际价值之间的差距。优化WOA-LSTM模型适合真正的曲线在整个生产和极端点。EEMD-WOA-LSTM模型具有更好的预测效果,原始数据的拟合程度是最高的在这些模型。与WOA-LSTM模型相比,美EEMD-WOA-LSTM模型减少了30.6%,RMSE下降了35.1%,日军下降了29.6%。
5。讨论
本文结合仿生算法和人工智能算法,提出了一种EEMD-WOA-LSTM组合模型。EEMD用于分解原始系列加载到多个特征组件。鲸鱼的神经网络优化算法和用于预测每个组件。从预测获得的组件叠加形成最终的预测结果。该方法应用于电力负荷预测的一个工厂。仿真结果表明,与其他方法相比上市,EEMD-WOA-LSTM模型预测误差最低为0.019(日军)和较高的预测精度。它是一个理想的短期负荷预测模型。人工智能算法可以应用于负荷预测,实现高效、准确的短期负荷预测。
数据可用性
负荷预测的数据用于支持这项研究的结果没有提供企业,因为它是私有数据。
的利益冲突
作者宣称没有利益冲突有关的出版。
作者的贡献
Lei邵概念化的研究。曹国伟李进行数据管理。李记正式进行分析。Quanjie郭和严韵》调查研究。Lei邵负责方法。曹国伟李指导这项研究。郭Quanjie验证研究。郭Quanjie写了初稿。Quanjie郭和李记写道,审查和编辑的手稿。