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

本发明专利技术公开了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，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；本发明专利技术采用分解技术将序列分解为若干个模态分量，并结合优化算法优化预测模型的参数，最后叠加各分量的预测结果作为最终预测值，与其它模型相比，该组合模型在短期冲击负荷预测中能取得更高的预测精度。

【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(PSO)、模拟退火算法(SA)等在优化后期可能会出现的局部最优问题，相关文献指出，纵横交叉优化算法(CSO)拥有强大的全局搜索能力和较快的收敛速度，有效避免模型参数在优化后期陷入局部最优，适用于大规模非线性系统。冲击负荷会导致某地区日负荷曲线较大的波动性，直接利用该地区原始负荷数据进行建模和预测，不一定能取得理想的预测精度。相关文献采用经验模态分解(EMD)或集合经验模态分解(EEMD)对风速时间序列进行分解，风速时间序列通过分解处理后，所得子序列波动性降低，预测精度大大提高，但是经验模态分解(EMD)和集合经验模态分解(EEMD)分别存在模态混合和序列重构误差等问题。相关文献利用改进的互补集合经验模态分解(CEEMD)方法处理风速数据，有效解决了经验模态分解(EMD)和集合经验模态分解(EEMD)所存在的问题，进一步提高了风速预测的精度。目前，将互补集合经验模态分解(CEEMD)方法应用在负荷预测的研究极少，相关文献提出了基于互补集合经验模态分解(CEEMD)的短期负荷预测模型，该模型在仿真实验中取得较好的效果，但是，并未使用智能算法对模型的参数进行优化，在含大量冲击负荷地区进行预测时，该模型的泛化能力有待证明。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供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，该算法采用分解技术将序列分解为若干个模态分量，并结合优化算法优化预测模型的参数，最后叠加各分量的预测结果作为最终预测值，与其它模型相比，该组合模型在短期冲击负荷预测中能取得更高的预测精度。本专利技术的目的通过下述技术方案实现：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，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：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(j,d))，(8)其中r1、r2∈[0，1]之间的随机数；c1、c2∈[-1，1]之间的随机数；M为粒子规模；D为变量维数；X(i,d)、X(j,d)表示父代粒子X(i)和X(j)的第d维；MShc(i,d)、MShc(j,d)分别表示X(i,d)和X(j,d)通过横向交叉产生的第d维子代；S2.2.2，纵向交叉操作；纵向交叉是同一粒子不同维之间进行的一种运算机制，每次纵向交叉操作只产生一个子代；假定粒子X(i)的第d1维和第d2维进行纵向交叉，根据下述公式(10)产生子代：其中MSvc(i,d1)表示父代粒子X(i)的第d1维和第d2维通过纵向交叉产生的子代；实际上，粒子维度层面出现早熟的几率较少，因此纵向交叉概率pv要小于横向交叉概率ph，而且每次迭代只对其中一个粒子进行更新，其效果相当于使该粒子的收敛方向发生小几率的改变，从而跳出局部最优；S2.3，纵横交叉算法(CSO)优化极限学习机(ELM)参数步骤；极限学习机(ELM)由于容易过早收敛，往往需要大量的隐含层节点才能达到理想的预测精度；纵横交叉算法(CSO)全局搜索能力强，收敛速度快，能有效解决以上问题；其中，纵横交叉算法(CSO)本文档来自技高网...

【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