(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111409054.X (22)申请日 2021.11.24 (71)申请人 东北电力大 学 地址 132012 吉林省吉林市船 营区长春路 169号 (72)发明人 肖白　高文瑞　 (74)专利代理 机构 吉林市达利专利事务所 22102 代理人 陈传林 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/00(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于CEEMDAN-LSTM的空间负荷预测方法 (57)摘要 本发明是一种基于CEEMDAN ‑LSTM的空间负 荷预测方法， 其特征是， 包括以下步骤： 首先基于 3σ准则对每个I类元胞的实测负荷数据进行奇 异值检测和修正； 其次运用自适应噪声完备集合 经验模态分解(CEEMDAN)技术将修正后的I类元 胞负荷数据分解为若干个频率不同、 幅值不一的 本征模态分量； 然后对每个本征模态分量分别构 建各自的长短期记忆神经网络(LSTM)模型进行 预测； 最后将所有本征模态分量预测结果累加起 来， 从而得到目标年基于I类元胞的空间负荷预 测结果， 并在此基础上使用空间电力负荷网格化 技术求得基于II类元胞的空间负荷预测结果。 本 方法具有科学合理， 准确率高， 适用性强， 效果佳 的优点。 权利要求书3页 说明书11页 附图12页 CN 114091766 A 2022.02.25 CN 114091766 A 1.一种基于CEEMDAN ‑LSTM的空间负荷预测方法， 其特征是， 它包括利用3σ 准则确定每 个I类元胞各日负荷的合理最大值、 采用CEEMDAN技术将各I类元胞历史负荷的日合理最大 值时间序列分别分解为多个IMF分量、 对分解得到的每个IMF分量分别构建对应的LSTM模 型 并进行预测， 具体内容 为： 1)利用3σ 准则确定每 个I类元胞各日负荷的合理最大值 利用3σ 准则对各I类元胞历史负荷的实测数据依次进行奇异值检测并修正， 从而确定 出每个I类元胞各日负荷的合理最大值， 具体做法如下： 将具有s个数据的样本记为[X1,X2,…,Xs]； ①先计算整个样本的算数平均值 以及样本中每一个数据X1,X2,…,Xs对应的残余误 差V1,V2,…,Vs， 用公式(1)和公式(2)来计算： 式中， p＝1,2, …,s， s是样本中数据的个数； Xp是样本中的第p个数据； Vp是样本中第p个 数据的残余 误差； ②再求出整个样本的标准偏差σ， 用公式(3)来计算： ③将每个数据的残余误差V1,V2,…,Vs取绝对值之后依次与3σ 进行比较， Vp满足式(4)， 则认为与Vp对应的Xp是奇异数据； |Vp|＞3σ    (4) 2)采用CEEMDAN技术将各I类元胞历史负荷的日合理最大值时间序列分别分解为多个 IMF分量 采用CEEMDAN算法将各I类元胞历史负荷的日合理最大值时间序列分别分解为不同时 间尺度下的多个IMF分量； CEEMDAN是一种在 经验模态分解算法基础 上改进的算法， CEEMDAN算法是在 数据分解的 每个阶段都添加自适应的白噪声序列， 能实现在降低平均次数下提取不同时间尺度上的负 荷序列特征信息， 并得到重构误差接近于0的若干IMF分量， 既避免了模态混叠 现象的出现， 也解决了集 合经验模态分解重构误差大的问题， 具体内容如下： 定义Yj(·)为通过经验模态分解获得的第j个IMF分量的计算算子； f(n)为原始负荷时 间序列； β 为自适应系数； bl(n)代表第l次实验时加入的具有标准正态分布的白噪声序列； fl (n)为第l次实验添加完标准正态分布白噪声后的负荷时间序列； 为第l次经验模态分解 时得到的第k个IMF分量； k＝1,2, …,K， K表示经经验模态分解后产生的IMF分量的个数； 为CEEMDAN产生的第m个IMF分量； m＝1,2, …,M， M表示经CEEMDAN分解后产生的IMF分量 个数； ①对原始负荷时间序列 f(n)进行d次实验， 分别形成d个新的负荷时间序列， 计算公式权　利　要　求　书 1/3 页 2 CN 114091766 A 2为式(5)： fl(n)＝f(n)+β0bl(n)    (5) 式中， l＝1,2,…,d， d为实验次数； β0为初始自适应系数； ②对每个新的负荷时间序列分别进行经验模态分解， 取出各自的第一个IMF分量并计 算其平均值， 得到CEEMDAN的第一个IMF分量 和第一个残余分量r1(n),计算公式为式 (6)和(7)： ③对残余分量r1(n)进行d次实验， 构建出d个新的序列r1(n)+β1Y1(bl(n))， 对每个新序 列分别进 行经验模态分解直至得到第一个IMF分量， 求其平均值进而 得到CEEMDA N的第二个 IMF分量 计算公式为式(8)： 式中， β1为第二个自适应系数； ④对其余的每个阶段， 经过计算可得到CEEMDAN的第e个残余分量re(n)和第e +1个IMF分 量 计算公式为式(9)和式(10)： 式中， e＝2,3, …,M； βe为第e+1个自适应系数； ⑤重复执行步骤 ④， 直至所获得的残余分量极值点个数至多不超过两个时， 经验模态 分解不再分解， 算法终止， 算法终止时， CEEMDAN分解产生的IMF分量个数为M个， 原始信号序 列f(n)最终被分解 为M个IMF分量和一个最终的残余分量R(n)， 公式为式(1 1)： 3)对分解得到的每 个IMF分量分别构建对应的LSTM模型并进行 预测 ①选用LSTM神经网络作为预测模型 LSTM神经网络是一种特殊的循环神经网络， 它在循环神经网络的基础上， 加入了三个 “门”结构和一个记忆单元， 以各I类元胞历史负荷的日合理最大值时间序列为基础， 对各序 列分解得到的IMF分量分别搭建各自的LSTM神经网络模 型， 预测目标年中所有I类元胞各日 负荷的最大值， 进 而得出所有I类元 胞的年负荷最大值； 一个LSTM神经网络由输入层、 隐含层和输出层三部分组成， 其中隐含层是由若干个记 忆单元模块组成； 在t时刻时， 一个记忆单元模块的输入由t时刻的输入向量xt、 上一时刻记忆单元的状态 ct‑1、 和上一时刻隐含层的状态ht‑1三部分组成； 输出由该时刻记忆单元的状态ct以及该时权　利　要　求　书 2/3 页 3 CN 114091766 A 3