买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长沙理工大学

摘要：本发明公开了一种基于混合模型的短期电力负荷预测方法及系统。本发明通过LSTM预测模型提取高频分量子序列的时序特征，配合CATBOOST预测模型和第一ELM预测模型组成的ELM‑CATBOOST混合预测模型对短期电力负荷进行预测，利用CEEMDAN分解算法把原始电力负荷数据分解成若干个固有模态函数分量，降低了模型预测难度，提高了预测准确度；另外，利用LSTM预测模型提取高频分量子序列的时序特征，结合高频分量子序列的历史电力负荷数据和原始电力负荷数据共同作为ELM‑CATBOOST混合预测模型的输入特征极大的丰富了输入特征维度信息，通过使用ELM‑CATBOOST混合预测模型集成了单一模型优势，拥有更高的鲁棒性和准确性，针对高、低频分量子序列采取不同的输入特征和预测模型能够降低模型复杂度。

主权项：1.一种基于混合模型的短期电力负荷预测方法，其特征在于，包括如下步骤，分别创建LSTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型，并对其进行训练；采集电力负荷数据，组成电力负荷数据集，并对电力负荷数据进行归一化处理，获取归一化处理后的电力负荷数据，记为原始电力负荷数据；通过CEEMDAN分解算法对原始电力负荷数据进行分解处理，得到多个不同频率的固有模态函数分量和一个剩余残差分量；将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列；通过LSTM预测模型提取高频分量子序列的时序特征；将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中，获得高频分量子序列的预测结果；其中，所述ELM-CATBOOST混合预测模型包括第一ELM预测模型及CATBOOST预测模型；通过第二ELM预测模型获取低频分量子序列的预测结果；将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加，得到叠加结果；将所述叠加结果进行反归一化处理后，得到基于混合模型的短期电力负荷预测结果；其中，所述步骤通过LSTM预测模型提取高频分量子序列的时序特征的方法，具体操作包括：每个高频分量子序列对应一个LSTM预测模型，LSTM预测模型的第一层LSTM层的输入特征为对应高频分量子序列中预测点前168个历史电力负荷数据，将高频分量子序列中预测点前168个历史电力负荷数据作为输入特征输入到LSTM预测模型的第一层LSTM层中，得到第一层LSTM层的输出结果；其中，LSTM预测模型由第一层LSTM层、第二层LSTM层、一个Dropout层和一个Dense层组成；根据第一层LSTM层的输出结果获取第二层LSTM层的输出结果，作为LSTM预测模型提取高频分量子序列的时序特征；所述步骤通过第二ELM预测模型获取低频分量子序列的预测结果的方法，具体操作包括：每个低频分量子序列对应一个第二ELM预测模型，把低频分量子序列中预测点前168个历史负荷数据作为输入特征输入到对应的第二ELM预测模型中，得到低频分量子序列的预测结果；所述步骤分别创建LSTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型，并对其进行训练的方法，包括以下步骤：步骤S101、采集电力负荷数据，组成电力负荷数据集，并对电力负荷数据进行归一化处理，获取归一化处理后的电力负荷数据，记为原始电力负荷数据；步骤S102、通过CEEMDAN分解算法对原始电力负荷数据进行分解处理，得到多个不同频率的固有模态函数分量和一个剩余残差分量；步骤S103、将多个不同频率的固有模态函数分量分类为高频分量子序列及低频分量子序列；步骤S104、创建LSTM预测模型、ELM-CATBOOST混合预测模型及第二ELM预测模型；其中，所述ELM-CATBOOST混合预测模型包括第一ELM预测模型及CATBOOST预测模型；步骤S105、通过LSTM预测模型提取高频分量子序列的时序特征；步骤S106、将LSTM预测模型提取的高频分量子序列的时序特征序列、原始电力负荷数据中预测点前k个历史电力负荷数据、高频分量子序列中预测点前k个历史电力负荷数据输入到ELM-CATBOOST混合预测模型中，获得高频分量子序列的预测结果；步骤S107、通过第二ELM预测模型获取低频分量子序列的预测结果；步骤S108、将高频分量子序列的预测结果和低频分量子序列的预测结果进行叠加，得到训练结果；步骤S109、将所述训练结果进行反归一化处理后，采用一种或多种的误差评价指标评估模型比对训练结果和真实结果，直至训练结果和真实结果的差值小于预设阈值，完成对LSTM预测模型、ELM-CATBOOT混合预测模型及第二ELM预测模型的训练。

全文数据：

权利要求：

百度查询： 长沙理工大学 一种基于混合模型的短期电力负荷预测方法及系统