【负荷预测】基于CEEMDAN-CNN-LSTM的负荷预测研究（Python代码实现）

科研_G.E.M.

于 2024-09-14 09:37:31 发布

阅读量442

点赞数 6

文章标签： cnn lstm python

本文链接：https://blog.csdn.net/qq_46009436/article/details/142249653

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

一、引言

二、研究方法

1. 数据预处理

2. CEEMDAN分解

3. CNN特征提取

4. LSTM预测模型

5. 结果集成

三、实验结果与分析

1. 数据集与评估指标

2. 实验结果

3. 分析与讨论

四、结论与展望

📚2 运行结果

🎉3 参考文献

🌈4 Python代码、数据

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于CEEMDAN-CNN-LSTM的负荷预测研究

一、引言

随着智能电网的快速发展和电力市场的日益成熟，准确的负荷预测对于电力系统的稳定运行、电力市场的合理调度以及能源的高效利用具有重要意义。然而，电力负荷数据具有高度的非线性、非平稳性和随机性，传统的预测方法往往难以达到理想的预测效果。因此，本文提出了一种基于CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，自适应噪声完备集合经验模态分解）、CNN（Convolutional Neural Network，卷积神经网络）和LSTM（Long Short-Term Memory Network，长短期记忆网络）的负荷预测模型，旨在提高负荷预测的精度和稳定性。

二、研究方法

1. 数据预处理

首先，对原始负荷数据进行清洗和预处理，包括去除异常值、填补缺失值、归一化处理等步骤，以保证数据的质量和一致性。

2. CEEMDAN分解

利用CEEMDAN算法对预处理后的负荷数据进行分解，得到一系列相对平稳的本征模态函数（IMF）分量和一个残差分量。这些分量代表了负荷数据在不同频率尺度下的特征信息，有助于后续模型更好地捕捉数据的内在规律。

3. CNN特征提取

针对每个IMF分量，使用CNN模型进行特征提取。CNN通过卷积层、池化层等结构能够自动学习数据中的局部特征，并将其转化为更高层次的抽象表示。这些特征将为后续的LSTM预测模型提供有力的输入。

4. LSTM预测模型

将CNN提取的特征作为LSTM预测模型的输入，利用LSTM的记忆能力和时序建模能力进行负荷预测。LSTM通过其独特的“门”结构能够捕捉数据中的长期依赖关系，从而提高预测的准确性。

5. 结果集成

将各个IMF分量的LSTM预测结果进行叠加重构，得到最终的负荷预测值。同时，可以根据需要加入残差分量的预测结果，以进一步提高预测精度。

三、实验结果与分析

1. 数据集与评估指标

本文采用某地区电力公司的实际负荷数据作为实验数据集，并使用平均绝对百分比误差（MAPE）作为评估模型预测性能的指标。MAPE越小，表示模型的预测精度越高。

2. 实验结果

通过实验对比发现，基于CEEMDAN-CNN-LSTM的负荷预测模型在预测精度上明显优于其他传统预测模型（如BP神经网络、SVR等）。具体而言，该模型能够更准确地捕捉负荷数据中的非线性、非平稳性和随机性特征，从而提高预测的准确性和稳定性。

3. 分析与讨论

CEEMDAN分解有效地降低了原始数据的复杂性和噪声水平，使得后续模型能够更容易地捕捉数据的内在规律。CNN特征提取为LSTM预测模型提供了更加丰富和有效的输入特征，进一步提高了模型的预测能力。LSTM预测模型则利用其独特的记忆能力和时序建模能力，实现了对负荷数据的高效预测。

四、结论与展望

本文提出了一种基于CEEMDAN-CNN-LSTM的负荷预测模型，并通过实验验证了其有效性和优越性。未来，可以进一步探索和优化该模型的参数设置和预测策略，以进一步提高预测精度和泛化能力。同时，也可以将该模型应用于其他领域的预测问题中，如金融、交通等，以拓展其应用范围和价值。

📚2 运行结果

部分代码：

table = PrettyTable(['测试集指标','MSE', 'RMSE', 'MAE', 'MAPE','R2'])
for i in range(n_out):
    # 遍历每一个预测步长。每一列代表一步预测，现在是在求每步预测的指标
    actual = [float(row[i]) for row in Ytest]  #一列列提取
    # 从测试集中提取实际值。
    predicted = [float(row[i]) for row in predicted_data]
    # 从预测结果中提取预测值。
    mse = mean_squared_error(actual, predicted)
    # 计算均方误差（MSE）。
    mse_dic.append(mse)
    rmse = sqrt(mean_squared_error(actual, predicted))
    # 计算均方根误差（RMSE）。
    rmse_dic.append(rmse)
    mae = mean_absolute_error(actual, predicted)
    # 计算平均绝对误差（MAE）。
    mae_dic.append(mae)
    MApe = mape(actual, predicted)
    # 计算平均绝对百分比误差（MAPE）。
    mape_dic.append(MApe)
    r2 = r2_score(actual, predicted)
    # 计算R平方值（R2）。
    r2_dic.append(r2)
    if n_out == 1:
        strr = '预测结果指标：'
    else:
        strr = '第'+ str(i + 1)+'步预测结果指标：'
    table.add_row([strr, mse, rmse, mae, str(MApe)+'%', str(r2*100)+'%'])

return mse_dic,rmse_dic, mae_dic, mape_dic, r2_dic, table
# 返回包含所有评估指标的字典.