【技术实现步骤摘要】
基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法
本专利技术涉及电力系统负荷预测
,具体涉及一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法。
技术介绍
电力系统负荷预测是发电厂协调机组发电的关键依据,也是电力市场调整实时电价的主要来源,其预测的精确性将直接影响电厂的发电成本、电网调度和地区居民的用电质量。随着城市用电量的增长,用电用户的增多造成了地区负荷类型的复杂性,单一的负荷预测方法(如模糊逻辑方法、时间序列法、支持向量机、人工神经网络等)容易陷入局部最优,收敛速度较慢,已经很难满足当今负荷预测精度和泛化性需求。因此,组合预测模型得到广泛关注和应用。目前,组合思想主要有如下四种:一是用数个模型对原始序列进行预测,使用加权方式综合各模型结果得到较单个模型精度更高的预测结果,但是,此方法需要多个模型同时预测,且加权计算的方式较为复杂;二是通过对预测模型输出建立误差校正模型,但是,此方法在负荷波动较大的地区容易陷入局部最优,泛化性不足;三是使用优化算法对基本预测模型参数进行优化;四是采用信号分解技术将原始信号分解为多个分量,对各分量单独建模;后两种组合模型比单一模型均体现出更好的预测效果,但是依然无法满足含大量冲击负荷地区的负荷预测要求。传统的神经网络,如BP、Elamn及SOM等,在复杂系统中参数调整复杂,收敛速度慢,而极限学习机(ELM)这一新型神经网络因其更少的参数调整和更快的学习速度在短期负荷预测中受到了广泛的关注和使用,但是同样存在局部最优问题,需利用智能算法优化其参数;针对一般的优化算法,如遗传算法(GA)、粒子群算法( ...
【技术保护点】
1.一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法,其特征在于,包括下述步骤:S1,针对负荷数据的非平稳性,采用互补集合经验模态分解(CEEMD)将原始负荷的时间序列分解成若干固有模态函数(IMFs);互补集合经验模态分解(CEEMD)向原始时间序列中加入正负成对的白噪声,这样既能保证拥有与集合经验模态分解(EEMD)一样的分解效果,又能减少因添加白噪声造成的序列重构误差;其中,互补集合经验模态分解(CEEMD)的处理步骤如下:S1.1,向原始时间序列中加入正负成对的白噪声,并生成两种由附加噪声和时间序列混合而成的序列M1和M2,该两种序列M1和M2由下述公式(3)获得:
【技术特征摘要】
1.一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法,其特征在于,包括下述步骤:S1,针对负荷数据的非平稳性,采用互补集合经验模态分解(CEEMD)将原始负荷的时间序列分解成若干固有模态函数(IMFs);互补集合经验模态分解(CEEMD)向原始时间序列中加入正负成对的白噪声,这样既能保证拥有与集合经验模态分解(EEMD)一样的分解效果,又能减少因添加白噪声造成的序列重构误差;其中,互补集合经验模态分解(CEEMD)的处理步骤如下:S1.1,向原始时间序列中加入正负成对的白噪声,并生成两种由附加噪声和时间序列混合而成的序列M1和M2,该两种序列M1和M2由下述公式(3)获得:其中NE是添加的白噪声,X是时间序列,则M1是时间序列和正噪声的总和,M2是时间序列和负噪声的总和;S1.2,通过经验模态分解(EMD)将M1和M2分别分解为各自互补的含有正负白噪声的若干固有模态函数(IMFs)的成对分量;S1.3,将每对含正负白噪声的分量整合在一起作为最终的固有模态函数(IMF)分量;S2,利用纵横交叉算法优化极限学习机的参数,并对所有的固有模态函数(IMF)分量分别建立纵横交叉算法优化极限学习机(CSO-ELM)的预测模型;S2.1,极限学习机;设有N个由输入xi和输出yi组成的互不相同的样本(xi,yi),xi=[xi1,xi2,…xin]T∈Rn,yi=[yi1,yi2,…yim]T∈Rm,i∈[1,N],则一个具有L个隐层节点的前馈神经网络的输出可以由下述公式(4)表示:xi∈Rn,αi∈Rn,βi∈Rm,(4)其中αi=[αi1,αi2,…αin]T是连接输入层到第i个隐含层节点的输入权值,bi是第i个隐含层节点的偏差,输入权值和偏差均随机生成;βi=[βi1,βi2,…βim]T是第i个隐藏层节点到输出层的输出权值;αi*xi表示向量αi和xi的内积;G(x)为激励函数;若该前馈神经网络能以零误差逼近该N个样本,则存在一组数据αi、bi及βi,满足下述公式(5):其中上述公式(5)可简化为下述公式(6):Hβ=Y,(6)其中H为网络的隐含层输入矩阵,结合输出样本Y,便能通过下述公式(7)确定隐含层输出矩阵β:β=H-1Y;(7)S2.2,纵横交叉算法;纵横交叉算法(CSO)由横向交叉和纵向交叉两种核心算子组成;每次迭代过程中,该两种算子交替进行,交叉后产生的子代与其父代竞争,择优保留;S2.2.1,横向交叉操作;横向交叉是种群中两个互不相同的粒子在相同维之间的一种运算机制;设父代粒子X(i)和X(j)的第d维进行横向交叉,它们根据下述公式(8)和(9)产生子代:MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(...
【专利技术属性】
技术研发人员:吴非,孟安波,殷豪,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。