一种电力日峰值负荷预测方法技术

本发明专利技术属于电力负荷预测技术领域，尤其涉及一种电力日峰值负荷预测方法，包括：采集包括历史日峰值负荷、日最高温度、日最低温度、日平均温度、日平均相对湿度、日最大风速、日期类型在内的样本数据；对日峰值负荷的原始序列进行自适应白噪声的完整聚合经验模态分解，将原始序列分解为有限个包含不同时间尺度的局部特征信号的本征模函数，且在每一次分解中都添加自适应的白噪声平滑脉冲干扰，得到多个IMF分量；通过引入种群动态进化算子以及非线性收敛因子，对灰狼优化算法进行改进，对支持向量机的正则化参数和径向基核函数参数进行优化，建立优化后的支持向量机预测模型；运用预测模型分别进行预测，得到最终的日峰值负荷预测结果。

【技术实现步骤摘要】
一种电力日峰值负荷预测方法
本专利技术属于电力负荷预测
，尤其涉及一种电力日峰值负荷预测方法。
技术介绍
现代社会的发展处处离不开电力的供应，电力行业对于社会经济建设以及人民生活水平的提高起着至关重要的作用。随着电力行业的迅速发展，电力系统对于电力负荷预测的精度要求越来越高。日峰值负荷预测作为电力负荷预测的重要一环，其预测的准确性对发电计划的制定、电网电力调度、电网运营以及电力系统供电可靠性都有着重大的影响。因此，构建合适的模型，实现对日峰值负荷的准确预测是一项具有重要意义的研究工作。负荷预测的核心问题是预测的方法和模型，随着科技的快速发展，负荷预测技术也在不断深化，目前，负荷预测技术已经逐渐从传统预测方法过渡到人工智能预测技术。传统的负荷预测方法，如：时间序列法、回归分析法、灰色预测法等，存在一定的不足，对波动性较大的复杂负荷序列预测准确性有待提高，而人工智能预测方法面对复杂的负荷序列则展现出了强大的优越性，实现了良好的预测效果。人工神经网络算法起源于20世纪40年代，是一门模拟人脑生物过程的人工智能技术。BP(BackPropagation)算法又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法，常用于负荷预测。但是，BP神经网络算法存在收敛速度慢、训练时间长、易陷入局部最优解等缺点。而日峰值负荷预测易受外界因素干扰且波动性较强，负荷序列包含噪声较多，这给预测工作带来极大的困难。
技术实现思路
为了实现对日峰值负荷的准确预测，本文在考虑气象因素和日期类型的基础上，提出了一种电力日峰值负荷预测方法，包括：步骤1：采集包括历史日峰值负荷、日最高温度、日最低温度、日平均温度、日平均相对湿度、日最大风速、日期类型在内的样本数据，然后对数据的气象因素进行归一化处理；步骤2：对日峰值负荷的原始序列进行自适应白噪声的完整聚合经验模态分解(CEEMDAN，CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoise)，将原始序列分解为有限个包含不同时间尺度的局部特征信号的本征模函数，且在每一次分解中都添加自适应的白噪声平滑脉冲干扰，得到多个IMF分量；步骤3：通过引入种群动态进化算子以及非线性收敛因子，对灰狼优化算法进行改进；步骤4：采用改进后的灰狼优化算法对支持向量机的正则化参数和径向基核函数参数进行优化，建立优化后的支持向量机预测模型；步骤5：在考虑气象因素和日期类型的基础上，对通过自适应白噪声的完整聚合经验模态分解得到的IMF分量运用优化后的支持向量机预测模型分别进行预测，并对预测的结果进行重构，得到最终的日峰值负荷预测结果。所述自适应白噪声的完整聚合经验模态分解的具体步骤如下：步骤201：在N次计算中，对信号X(t)+pinj(t)进行分解，其中，X(t)为原始序列，nj(t)为高斯白噪声，参数pi为第i次引入的高斯白噪声与序列信号的信噪比，则第一个IMF分量为：为第1次引入高斯白噪声后，经过EMD分解所得到的第j个IMF分量，第1个残余信号r1(t)为：步骤202：定义emdi()为对信号进行EMD分解后的第i个IMF分量，对序列r1(t)+p1emd1(nj(t))进行分解，得到第二个IMF分量为：第2个残余信号r2(t)为：步骤203：依次类推，第k个残余信号rk(t)为：第k+1个IMF分量为：emdk()为对信号进行EMD分解后的第k个IMF分量；步骤204：重复上述过程，直至残余信号满足迭代终止条件；设此时有L个IMF分量，则原始序列表示为：式中，r(t)为最终的残余信号。所述步骤3具体包括：在GWO算法中，灰狼群体根据α狼、β狼、δ狼的位置信息来更新自身位置，此时，我们对更新公式进行改进，令：xα＝x1±(ub-lb·r+lb)(28)xβ＝x2±(ub-lb·r+lb)(29)xδ＝x3±(ub-lb·r+lb)(30)式中，ub和lb分别为种群搜索空间的上界和下界，r为取值范围在[0,1]之间的随机数，xα、xβ、xδ分别为α狼、β狼、δ狼的位置信息，x1、x2、x3分别为第1、2、3只狼的位置信息；更新后的潜在最优解向量位置x(t+1)为：引入非线性收敛因子对灰狼优化算法进行改进，如公式(32)所示：其中：t是当前迭代次数，tmax是最大迭代次数，e是自然常数，改进后的收敛因子a随着迭代次数的增加呈非线性递减，初期递减缓慢，便于全局搜索，后期递减迅速，强化局部寻优。所述步骤4具体包括：步骤401：设置改进后的灰狼优化算法相关参数以及支持向量机的正则化参数c和径向基核函数参数g的取值范围；步骤402：随机初始化灰狼种群，且令每个灰狼个体的位置向量由参数c,g构成；步骤403：利用初始化后的支持向量机对训练集进行学习，计算每个灰狼个体的适应度值；步骤404：根据适应度值对灰狼种群进行等级分类，确定α狼、β狼、δ狼以及ω狼的位置；步骤405：更新狼群位置，产生新种群，计算相应的适应度值，并与上一次迭代的适应度值进行比较，择优保留；步骤406：判断是否达到最大迭代次数，若达到，训练结束，输出参数c,g的优化值，否则，跳转至步骤404继续进行参数优化；步骤407：利用优化后的参数c,g建立支持向量机预测模型，对测试集进行预测。本专利技术的有益效果：本专利技术采用CEEMDAN方法对日峰值负荷序列进行降噪处理，CEEMDAN方法可以对信号做平稳化处理，将复杂信号分解为有限个包含不同时间尺度的局部特征信号的本征模函数，且在每一次分解中都添加自适应的白噪声平滑脉冲干扰，使信号数据的分解效果更加完整。并提出了一种新型的日峰值负荷预测模型——CEEMDAN-MGWO-SVM(自适应白噪声的完整聚合经验模态分解与改进的灰狼优化算法优化支持向量机，CompleteEnsembleEmpiricalModeDecompositionwithAdaptiveNoiseSupportVectorMachineOptimizedbyModifiedGreyWolfOptimizationAlgorithm)。该模型通过自适应白噪声的完整聚合经验模态分解算法对日峰值负荷序列进行分解得到多个子序列，然后运用MGWO-SVM模型对各个子序列进行预测，最后重构预测序列，得到预测结果。该模型为日峰值负荷预测提供了新的方向和思路。附图说明图1为实施例采用本专利技术的CEEMDAN分解结果。图2a～2g为实施例分量预测结果和残差。图3为实施例最终预测结果图。图4为实施例相对误差图。具体实施方式下面结合附图，对实施例作详细说明。1.自适应白噪声的完整聚合经验模态分解1.1EMD经验模态分解(EmpiricalModeDecomposition)是Hilbert-Huang变换(HHT)的核心算法，其本质是对信号做平稳化处理，将复杂信号分解为有限个包含不同时间尺度的局部特征信号的本征模函数(IntrinsicModeFunction，简称IMF)，其应满足以下两个条件：(1)信号的极值点和过零点数目相等或最多相差一个；(2)信号的上包络线和下包络线的平均值为零。对于给定的信号X(t)，经经验模态分解后可表示为：式中，imfi(t)为包含不同时间尺度的局部特征信号的本本文档来自技高网...

【技术保护点】
1.一种电力日峰值负荷预测方法，其特征在于，包括：步骤1：采集包括历史日峰值负荷、日最高温度、日最低温度、日平均温度、日平均相对湿度、日最大风速、日期类型在内的样本数据，然后对数据的气象因素进行归一化处理；步骤2：对日峰值负荷的原始序列进行自适应白噪声的完整聚合经验模态分解，将原始序列分解为有限个包含不同时间尺度的局部特征信号的本征模函数，且在每一次分解中都添加自适应的白噪声平滑脉冲干扰，得到多个IMF分量；步骤3：通过引入种群动态进化算子以及非线性收敛因子，对灰狼优化算法进行改进；步骤4：采用改进后的灰狼优化算法对支持向量机的正则化参数和径向基核函数参数进行优化，建立优化后的支持向量机预测模型；步骤5：在考虑气象因素和日期类型的基础上，对通过自适应白噪声的完整聚合经验模态分解得到的IMF分量运用优化后的支持向量机预测模型分别进行预测，并对预测的结果进行重构，得到最终的日峰值负荷预测结果。

【技术特征摘要】
1.一种电力日峰值负荷预测方法，其特征在于，包括：步骤1：采集包括历史日峰值负荷、日最高温度、日最低温度、日平均温度、日平均相对湿度、日最大风速、日期类型在内的样本数据，然后对数据的气象因素进行归一化处理；步骤2：对日峰值负荷的原始序列进行自适应白噪声的完整聚合经验模态分解，将原始序列分解为有限个包含不同时间尺度的局部特征信号的本征模函数，且在每一次分解中都添加自适应的白噪声平滑脉冲干扰，得到多个IMF分量；步骤3：通过引入种群动态进化算子以及非线性收敛因子，对灰狼优化算法进行改进；步骤4：采用改进后的灰狼优化算法对支持向量机的正则化参数和径向基核函数参数进行优化，建立优化后的支持向量机预测模型；步骤5：在考虑气象因素和日期类型的基础上，对通过自适应白噪声的完整聚合经验模态分解得到的IMF分量运用优化后的支持向量机预测模型分别进行预测，并对预测的结果进行重构，得到最终的日峰值负荷预测结果。2.根据权利要求1所述方法，其特征在于，所述自适应白噪声的完整聚合经验模态分解的具体步骤如下：步骤201：在N次计算中，对信号X(t)+pinj(t)进行分解，其中，X(t)为原始序列，nj(t)为高斯白噪声，参数pi为第i次引入的高斯白噪声与序列信号的信噪比，则第一个IMF分量为：IMF1j(t)为第1次引入高斯白噪声后，经过EMD分解所得到的第j个IMF分量，第1个残余信号r1(t)为：步骤202：定义emdi()为对信号进行EMD分解后的第i个IMF分量，对序列r1(t)+p1emd1(nj(t))进行分解，得到第二个IMF分量为：第2个残余信号r2(t)为：步骤203：依次类推，第k个残余信号rk(t)为：第k+1个IMF分量为：emdk()为对信号进行EMD分解后的第k个IMF分量；步骤204：重复上述过程，直至残余信号满足迭代...

【专利技术属性】
技术研发人员：牛东晓，戴舒羽，康辉，浦迪，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11