CN119482453B 一种基于改进gwo-vmd-lstm的短期负荷预测方法及系统 （华东交通大学）

一种基于改进GWO-VMD-LSTM的短期负荷预本发明公开了一种基于改进GWO_VMD_LSTM征提取前要先确定的模态分解数量和惩罚因子量，使用改进小波包软阈值函数，提出一种sluggish_greed机制对函数进行改进，对IMF分2根据改进灰狼优化算法确定变分模态分解的模态分解数量和惩罚因据改进灰狼优化算法确定变分模态分解的模态分解,,狼群赋权因子；,,p狼群头狼、狼群头狼与其他灰狼个体间的追lalpls分别为3将需要进行参数优化的模态分解数量和惩罚因子组合作为灰狼迭代位置的原始输入，,根据所述模态分解数量和所述惩罚因子对负荷特征时间序列信号进行变分模态分解，根据预设的小波包软阈值函数对所述至少一个IMF分量信号进行去噪处理，得到至少将所述至少一个目标IMF分量信号输入至改进长短期神经网络中，根据预设的参数自获取实时负荷影响子信号，将所述实时负荷影响子信号输入至2.根据权利要求1所述的一种基于改进GWO_VMD_LSTM的短期负荷预测方法，其特征在,,4将受约束的变分问题转换为无约束形式，构造拉格朗日增广函数，采法对第皮个IMF分量X和第皮个模态的中心频率迭代更新，通过对K个本,,,的o:为第个模态的中心频,3.根据权利要求1所述的一种基于改进GWO_VMD_LSTM的短期负荷预测方法，其特征在5,,,,,IMF分量权重矩阵，为IMF分量偏置矩阵，f为小波梯度状态参数，a为干扰权值，扰动因子，T;为第个IMF分量的伽马权值，为第k个经过小波包软4.根据权利要求1所述的一种基于改进GWO_VMD_LSTM的短期负荷预测方法，其特征在,6,,,态峭度值，为混合峭度参数，J,为第i个IMF分量的协方差，为白噪声全5.根据权利要求1所述的一种基于改进GWO_VMD_LSTM的短期负荷预测方法，其特征在,,为第t迭代下的Adam二阶动量，B为第t_1迭代下76.根据权利要求1所述的一种基于改进GWO_VMD_LSTM的短期负荷预测方法，其特征在,确定模块，配置为根据改进灰狼优化算法确定变分模态分解的,,狼群赋权因子；,8,p狼群头狼、狼群头狼与其他灰狼个体间的追lalpls分别为s狼将需要进行参数优化的模态分解数量和惩罚因子组合作为灰狼迭代位置的原始输入，,分解模块，配置为根据所述模态分解数量和所述惩罚因子及与所述负荷影响子信号相对应的负荷结果处理模块，配置为根据预设的小波包软阈值函数对所述至少一个IMF分量信号进行去输出模块，配置为获取实时负荷影响子信号，将所述实时负荷9[0007]根据所述模态分解数量和所述惩罚因子对负荷特征时间序列信号进行变分模态[0008]根据预设的小波包软阈值函数对所述至少一个IMF分量信号进行去噪处理，得到[0009]将所述至少一个目标IMF分量信号输入至改进长短期神经网络中，根据预设的参[0014]处理模块，配置为根据预设的小波包软阈值函数对所述至少一个IMF分量信号进[0015]训练模块，配置为将所述至少一个目标IMF分量信号输入至改进长短期神经网络的基于改进GWO_VMD_LSTM的短期负荷预测方法[0019]本申请的基于改进GWO_VMD_LSTM的短期负荷预测方法及系统，改进灰狼优化算[0021]图1为本发明一实施例提供的一种基于改进GWO_VMD_LSTM的短期负荷预测方法的[0022]图2为本发明一实施例提供的一种基于改进GWO_VMD_LSTM的短期负荷预测系统的[0025]请参阅图1，其示出了本申请的一种基于改进GWO_VMD_LSTM的短期负荷预测方法[0027]步骤S101，根据改进灰狼优化算法确定变分模态分解的模态分解数量和惩罚因够基于狼群狩猎状态的改变进行恰当且适时的动态调节，以增强算法的适应性与机动性，,,G[0037]将需要进行参数优化的模态分解数量和惩罚因子组合作为灰狼迭代位置的原始,[0041]在本步骤中，对负荷特征时间序列信号进行变分模态分解(VariationalModeIMF)，具体内容指:将原始时间序列信号分解为若干个具有不同的带宽约束并且围绕中心乘子法对第个IMF分量和第个模态的中心频率迭代更新，通过对K个本征模态函数,u为二次惩罚项，j为虚数单位，t为当前迭代次数，、i(o)、S(o)分别为次迭代时第个模态的中心频率，i"(o)为第"次迭代时拉格f"0)为第为第n+1次迭代时uz(t)的傅里叶变换；,[0055]步骤S103，根据预设的小波包软阈值函数对所述至少一个IMF分量信号进行去噪(t)测精确性，提出IMF分量sluggish_greed去噪机制，该机制根据噪声的频率特性和扰动特f扰动因子，r,为第i个IMF分量的伽马权值，为第k个经过小波包软阈值去噪处理的[0070]学习率是控制LSTM模型参数更新步长的重要超参数，决为第t迭代下的Adam二阶动量，B为第t_1机制对函数进行改进，对IMF分量信号进行去噪处理，提取各分量的特征系数与模态峭度[0079]请参阅图2，其示出了本申请的一种基于改进GWO_VMD_LSTM的短期负荷预测系统根据预设的小波包软阈值函数对所述至少一个IMF分量信号进行去噪处理，得到至少一个[0086]根据所述模态分解数量和所述惩罚因子对负荷特征时间序列信号进行变分模态[0087]根据预设的小波包软阈值函数对所述至少一个IMF分量信号进行去噪处理，得到[0088]将所述至少一个目标IMF分量信号输入至改进长短期神经网络中，根据预设的参320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处[0095]根据所述模态分解数量和所述惩罚因子对负荷特征时间序列信号进行变分模态[0096]根据预设的小波包软阈值函数对所述至少一个IMF分量信号进行去噪处理，得到