(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 202111624805.X (22)申请日 2021.12.28 (71)申请人 华北电力大 学 地址 102206 北京市昌平区回龙观北农路2 号华北电力大 学 (72)发明人 王子乐　黄弦超　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) H02J 3/00(2006.01) (54)发明名称 一种基于CEEMD-LSTM-MLR的短期电力负荷 预测方法 (57)摘要 本发明提出了一种基于CEEMD ‑LSTM‑MLR的 短期电力负荷预测方法， 步骤1： 获取电力负荷数 据， 并对所得到的数据集进行预处理； 步骤2： 将 输入数据通过CEEMD分解为有限个IMF分量和一 个残余分量， 根据各分量波动周期长短合并重组 为高频分量和低频分量； 步骤3： 对高频分量应用 LSTM神经网络进行预测， 并用贝叶斯算 法对LSTM 网络超参数寻优； 步骤4： 对低频分量应用MLR进 行预测； 步骤5： 将各分量预测结果叠加重构后， 得到最终的预测结果， 并将预测结果与真实负荷 数据值对比。 本发明采用CEEMD分解方法， 解决了 传统EMD分解方法模态混叠的问题及EEMD重构误 差大问题， 并基于不同频率分别预测的思想， 引 入贝叶斯优化算法， 使 得模型预测精度得到进一 步的提升 。 权利要求书1页 说明书3页 附图3页 CN 114298408 A 2022.04.08 CN 114298408 A 1.一种基于 CEEMD‑LSTM‑MLR的短期电力负荷预测方法， 其特 征在于， 包括以下步骤： 步骤1： 获取电力负荷数据， 并对所 得到的数据集进行 预处理； 步骤2： 将输入数据 通过CEEMD 分解为有限个IMF分量和一个残余分量， 根据各分量波动 周期长短合并重组为高频分量和低频分量； 步骤3： 对高频分量应用LSTM神经网络进行预测， 并用贝叶斯算法对LSTM 网络超参数寻 优； 步骤4： 对低频分量应用MLR进行 预测； 步骤5： 将各分量预测结果叠加重构后， 得到最终的预测结果， 并将预测结果与真实负 荷数据值对比。 2.如权利要求1所述的一种基于CEEMD ‑LSTM‑MLR的短期电力负荷预测方法， 其特征在 于， 步骤1包括如下子步骤： 根据所获取的每间隔15分钟的电力负荷数据， 首先对缺失值采用均值法进行填补， 再 用箱型图法辨别负荷数据中的异常值， 将异常值视为缺 失值， 使用均值法补 全， 最后为消除 量纲影响， 将所有数据进行0 ‑1归一化处理， 归 一化公式为： 其中X、 Xd分别 为处理前后的负荷数据， Xmax、 Xmin分别为原 始负荷数据中的最大值和最小值。 3.根据权利要求1所述的一种基于CEEMD ‑LSTM‑MLR的短期电力负荷预测方法， 其特征 在于， 步骤3包括如下子步骤： 在LSTM神经网络模型中设置丢弃层、 隐藏层和输出层， 损失函数采用MSE， 使用贝叶斯 算法对LSTM网络的 隐藏层层数、 隐藏层单元数、 初始 化学习率、 丢弃率、 学习率衰减率、 学习 率衰减周期进行寻优， 得到模型的最佳超参数。权　利　要　求　书 1/1 页 2 CN 114298408 A 2一种基于CE EMD‑LSTM‑MLR的短期电力负荷预测方 法 技术领域 [0001]本发明涉及电力系统负荷预测技术领域， 具体涉及一种基于CEEMD ‑LSTM‑MLR的短 期电力负荷预测方法。 背景技术 [0002]随着我国电网不断发展， 电力负荷的变化也越来越复杂， 电力负荷预测的研究已 成为电网管理的重要内容。 短期电力负荷预测 通常指对未来一天到七天的负荷进行预测， 它是调度中心制定发电计划及发电厂报价的依据， 也是能量管理系统(EMS)的重要组成部 分， 对电力系统的运行、 控制和计划有着非常重要的影响。 提高电力系统短期负荷预测的精 度既能增强电力系统运行的安全性， 又能改善电力系统运行的经济性。 [0003]目前对短期电力负荷预测的方法主要分为两类： 传统预测方法和机器学习方法。 传统预测方法包括线性回归法、 灰色模 型法、 自回归滑动平均等， 这些方法通常采用线性模 型， 虽结构简单， 但存在预测精度低等问题； 机器学习方法包括支持向量回归、 随机森林、 人 工神经网络、 深度学习法等， 在处理非线性问题方面有较大优势， 但大都忽略了负荷数据在 时序上的相关性。 长短时记忆神经网络(LSTM)是一种改进的循环神经网络(RNN)， 它成功解 决了原始循环神经网络梯度消失与梯度爆炸 问题， 在处理和预测时间序列方面表现优异， 成为当下负荷预测的热点方法 之一。 发明内容 [0004]针对现有技术的不足， 为进一步提高模型的预测速度及精度， 兼顾负荷数据的时 序性与波动性， 本发明提出了一种 基于CEEMD ‑LSTM‑MLR的短期电力负荷预测方法， 其特征 在于， 该预测方法包括如下步骤： 步骤1： 获取电力负荷数据， 并对所 得到的数据集进行 预处理； 步骤2： 将输入数据通过CEEMD分解为有限个IMF分量和一个残余分量， 根据各分量 波动周期长短合并重组为高频分量和低频分量； 步骤3： 对高频分量应用LSTM神经 网络进行预测， 并用贝叶斯算法对LSTM网络超参 数寻优； 步骤4： 对低频分量应用MLR进行 预测； 步骤5： 将各分量预测结果叠加重构后， 得到最终的预测结果， 并将预测结果与真 实负荷数据值对比。 [0005]进一步的， 步骤1包括如下子步骤： 根据所获取的每间隔15分钟的电力负荷数据， 首先对缺失值采用均值法进行填 补， 再用箱型图法辨别负荷数据中的异常值， 将异常值视为缺失值， 使用均值法补全， 最后 为消除量纲影响， 将所有数据进行0 ‑1归一化处理， 归一化公式为： ， 其中、 分别为处理前后 的负荷数据， 、 分别为原 始负荷数据中的最大值和最小值。 [0006]进一步的， 步骤3中搭建LSTM神经网络模型包括如下子步骤：说　明　书 1/3 页 3 CN 114298408 A 3