一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法技术

本发明专利技术涉及一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法，包括：（1）通过小波分解和重构，对原始负荷序列进行降噪；（2）在模型训练阶段利用改进的萤火虫短发优化极限学习机参数，获得个序列的最优模型；（3）针对各子序列分别预测叠加得到最终预测值。本发明专利技术通过在两种时间尺度的数据序列上进行数值计算，有效的解决了短期负荷预测，与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比，模型预测效果更优。

【技术实现步骤摘要】

本专利技术涉及电力系统自动化领域，涉及一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法。
技术介绍
负荷预测一直以来都是电力系统的一个关键操作和规划途径，它影响着电力系统的诸多决策，如经济调度、自动发电控制、安全评估、维护调度和能源商业化[1]。短期电力负荷预测主要是指预报未来几小时、1天至几天的用电量[2]。精准的电力负荷预测可以经济合理地安排电力系统发电机组启停，对于保持电网运行的安全稳定、保持社会的正常生产和生活、有效降低发电成本有着重要作用。经过长期的研究与实践，许多方法被应用到短期负荷预测，包括：回归分析法、外推预测法、相似日法、灰色预测、神经网络模型及支持向量机模型等。其中，以神经网络和支持向量机为代表的机器学习算法表现出较好的效果[3]。但由于负荷变化存在着较强的随机性和复杂性，各类方法均有一定的适用场合，并需不断的改进和完善。
技术实现思路
本专利技术的目的是提出一种优化极限学习机参数的方法进行短期负荷预测，考虑到负荷序列的随机波动性问题，采用小波分解与重构进行适当降噪，利用改进的萤火虫算法优化极限学习机作为各序列的预测方法，各频域的子序列进行单独预测后叠加得到最终预测值。本专利技术可通过以下技术方案实现一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法，其特征在于，由以下步骤构成：步骤1、获取原始负荷序列数据；步骤2、对原始序列进行3层小波分解，具体是对于短期负荷预测，根据Mallat提出的多分辨率思想，将非平稳的离散负荷序列S分解为不同频率的高频细节序列d1,d2…dJ和一个低频近似序aJ，J为最大分解层数；通常采用db3小波基进行3层分解；其分解过程如下： a j + 1 = H ( a j ) d j + 1 = G ( d j ) ]]>其中：aj,dj分别为原始信号在分辨率2-j下的低频信号和高频信号，是原始信号在相邻不同频率段上的成分；H为低通滤波器；G为高通滤波器；步骤3、对分解后的各序列进行二插值重构：所述步骤2分解过程利用二抽取，使得每层分解信号比分解前信号数据减半，因此需要进行二插值重构使得信号长度还原； A j = ( H * ) j a j D j = ( H * ) j - 1 G * d j ]]>其中：H*,G*分别为H,G的对偶算子；对d1,d2…dJ和aJ进行重构后，得到细节序D1,D2…DJ和近似序列AJ，其长度与原始序列相同，并有S＝D1+D2+…DJ+AJ针对重构后的细节序列和近似序列分别进行预测，可以充分利用分解重构对信号特征的挖掘，从而减小预测误差；步骤4、针对重构后各序列进行归一化后分别进行IFA-ELM模型训练和预测，具体包括：(1)初始化极限学习机的网络数学模型；ELM初始化m,M,n，激活函数g(x)；萤火虫算法初始化，包括设置种群规模N，萤火虫位置初始化，最大迭代次数Miter，β0＝1及自适应参数初始值初值α0；迭代次数cc＝1；(2)对给定的训练样本，将萤火虫位置映射到待优化变量范围，求解E(Scc)，计算萤火虫适应度；(3)计算参数，比较萤火虫之间的适应度，利用公式更新萤火虫位置；(4)利用个体变异机制进行个体变异更新；(5)若达到最大迭代次数，则输出结果，否则cc＝cc+1，转步骤(2)；步骤5、各序列预测值映射回原区间后叠加得到最终预测结果；步骤6、预测评价：为具体对误差进行量化评价，定义平均绝对误差MAE、平均相对误差MAPE及均方根误差RMSE如下： M A E = 1 N Σ i = 1 N | predict i - real i | ]]> M A P E = 1 N Σ i = 1 N | predict i - rea本文档来自技高网...

【技术保护点】
一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法，其特征在于，由以下步骤构成：步骤1、获取原始负荷序列数据；步骤2、对原始序列进行3层小波分解，具体是对于短期负荷预测，根据Mallat提出的多分辨率思想，将非平稳的离散负荷序列S分解为不同频率的高频细节序列d1,d2…dJ和一个低频近似序aJ，J为最大分解层数；通常采用db3小波基进行3层分解；其分解过程如下：aj+1=H(aj)dj+1=G(dj)]]>其中：aj,dj分别为原始信号在分辨率2‑j下的低频信号和高频信号，是原始信号在相邻不同频率段上的成分；H为低通滤波器；G为高通滤波器；步骤3、对分解后的各序列进行二插值重构：所述步骤2分解过程利用二抽取，使得每层分解信号比分解前信号数据减半，因此需要进行二插值重构使得信号长度还原；Aj=(H*)jajDj=(H*)j-1G*dj]]>其中：H*,G*分别为H,G的对偶算子；对d1,d2…dJ和aJ进行重构后，得到细节序D1,D2…DJ和近似序列AJ，其长度与原始序列相同，并有S＝D1+D2+…DJ+AJ针对重构后的细节序列和近似序列分别进行预测，可以充分利用分解重构对信号特征的挖掘，从而减小预测误差；步骤4、针对重构后各序列进行归一化后分别进行IFA‑ELM模型训练和预测，具体包括：(1)初始化极限学习机的网络数学模型；ELM初始化m,M,n，激活函数g(x)；萤火虫算法初始化，包括设置种群规模N，萤火虫位置初始化，最大迭代次数Miter，β0＝1及自适应参数初始值初值α0；迭代次数cc＝1；(2)对给定的训练样本，将萤火虫位置映射到待优化变量范围，求解E(Scc)，计算萤火虫适应度；(3)计算参数，比较萤火虫之间的适应度，利用公式更新萤火虫位置；(4)利用个体变异机制进行个体变异更新；(5)若达到最大迭代次数，则输出结果，否则cc＝cc+1，转步骤(2)；步骤5、各序列预测值映射回原区间后叠加得到最终预测结果；步骤6、预测评价：为具体对误差进行量化评价，定义平均绝对误差MAE、平均相对误差MAPE及均方根误差RMSE如下：MAE=1NΣi=1N|predicti-reali|]]>MAPE=1NΣi=1N|predicti-realireali|×100%]]>RMSE=1NΣi=1N(predicti-reali)2]]>其中，N为预测点数，predicti,reali分别为预测和实测的第i点负荷。...

【技术特征摘要】
1.一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法，其特征在于，由以下步骤构成：步骤1、获取原始负荷序列数据；步骤2、对原始序列进行3层小波分解，具体是对于短期负荷预测，根据Mallat提出的多分辨率思想，将非平稳的离散负荷序列S分解为不同频率的高频细节序列d1,d2…dJ和一个低频近似序aJ，J为最大分解层数；通常采用db3小波基进行3层分解；其分解过程如下： a j + 1 = H ( a j ) d j + 1 = G ( d j ) ]]>其中：aj,dj分别为原始信号在分辨率2-j下的低频信号和高频信号，是原始信号在相邻不同频率段上的成分；H为低通滤波器；G为高通滤波器；步骤3、对分解后的各序列进行二插值重构：所述步骤2分解过程利用二抽取，使得每层分解信号比分解前信号数据减半，因此需要进行二插值重构使得信号长度还原； A j = ( H * ) j a j D j = ( H * ) j - 1 G * d j ]]>其中：H*,G*分别为H,G的对偶算子；对d1,d2…dJ和aJ进行重构后，得到细节序D1,D2…DJ和近似序列AJ，其长度与原始序列相同，并有S＝D1+D2+…DJ+AJ针对重构后的细节序列和近似序列分别进行预测，可以充分利用分解重构对信号特征的挖掘，从而减小预测误差；步骤4、针对重构后各序列进行归一化后分别进行IFA-ELM模型训练和预测，具体包括：(1)初始化极限学习机的网络数学模型；ELM初始化m,M,n，激活函数g(x)；萤火虫算法初始化，包括设置种群规模N，萤火虫位置初始化，最大迭代次数Miter，β0＝1及自适应参数初始值初值α0；迭代次数cc＝1；(2)对给定的训练样本，将萤火虫位置映射到待优化变量范围，求解E(Scc)，计算萤火虫适应度；(3)计算参数，比较萤火虫之间的适应度，利用公式更新萤火虫位置；(4)利用个体变异机制进行个体变异更新；(5)若达到最大迭代次数，则输出结果，否则cc＝cc+1，转步骤(2)；步骤5、各序列预测值映射回原区间后叠加得到最终预测结果；步骤6、预测评价：为具体对误差进行量化评价，定义平均绝对误差MAE、平均相对误差MAPE及均方根误差RMSE如下： M A E = 1 N Σ i = 1 N | predict i - real i | ]]> M A P E = 1 N Σ i = 1 N | predict i - real i real i | × 100 % ]]> R M S E = 1 N Σ i = 1 N ( predict i - real i ) 2 ]]>其中，N为预测点数，predicti,reali分别为预测和实测的第i点负荷。2.根据权利要求书1所述的一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法，其特征如下，步骤4中极限学习机的网络数学模型包括如下：极限学习机的网络训练模型采用前向单隐层结构，设m,M,n分别为网络输入层、隐含层和输出层的节点数，g(x)是隐层神经元的激活函数，bi为阈值；设有N个不同的样本(xi,ti)，1≤i≤N，其中xi＝[xi1,xi2,…xim]T∈Rm，ti＝[ti1,ti2,…,tin]T∈Rn，极限学习机的网络模型可用数学表达式表示如下: Σ i = 1 M β i g ( ω i · x i + b i ) = o j , j = 1 , 2 , ... , N ...

【专利技术属性】
技术研发人员：陈思远，方必武，王佳丽，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42