一种基于改进变分模态分解的PSO-LSSVM短期负荷预测方法技术

本发明专利技术属于电力系统领域，涉及一种基于改进变分模态分解的PSO‑LSSVM短期负荷预测方法，包括以下步骤：S1选取分解效果评价指标；S2设定SMD分解上限；S3先用粒子群优化算法优化VMD参数，再进行VMD分解，最后获得模态分量中心频率对应的周期；S4组合模态分量，获得组合分量；S5求解各影响因素数据和组合分量的序列分别与预测日负荷序列的互信息，根据阈值要求获得影响因素输入变量集合；S6将选取的影响因素输入变量代入PSO‑LSSVM模型中，求解预测结果。本发明专利技术所述方法提高了影响因素数据的利用效率，得到优化的模态分解结果；通过量化影响因素内部结构分量与负荷的相关关系，准确选取有效的影响因素变量，拓展了影响因素数目，提升了预测精度。

A PSO-LSSVM short-term load forecasting method based on improved variational mode decomposition

The invention belongs to the field of power system, and relates to a PSO LSSVM short-term load forecasting method based on improved variational mode decomposition, which includes the following steps: S1 chooses the evaluation index of decomposition effect; S2 sets the upper limit of SMD decomposition; S3 first optimizes the VMD parameters by particle swarm optimization algorithm, then decomposes VMD, finally obtains the corresponding period of the center frequency of the modal component; and S4 combines modal component, obtains. S5 solves the mutual information between the data of each influencing factor and the sequence of the combined component and the predicted daily load sequence, and obtains the set of influencing factors input variables according to the threshold requirement; S6 substitutes the selected influencing factors input variables into the PSO LSSVM model to solve the prediction results. The method of the invention improves the utilization efficiency of influencing factor data and obtains the optimized mode decomposition result; by quantifying the correlation between the internal structural components of influencing factors and loads, the effective influencing factor variables are accurately selected, the number of influencing factors is expanded, and the prediction accuracy is improved.

【技术实现步骤摘要】
一种基于改进变分模态分解的PSO-LSSVM短期负荷预测方法
本专利技术属于电力系统领域，具体涉及一种基于改进变分模态分解的PSO-LSSVM短期负荷预测方法。
技术介绍
随着电力体制改革的稳步推进，我国电力市场机制正在逐步健全，电力系统逐渐改变以前计划生产的运营方式，将在更加独立、开放的市场环境下运行。电力系统短期负荷预测是根据历史负荷变化规律，结合气象、经济等因素对未来几天或者几小时负荷进行科学预测。精确的短期负荷预测对市场环境下提高发电设备利用率和经济调度有效性有着重要意义。目前，用于电力系统负荷预测的方法主要有时间序列法、灰色预测法、神经网络法、马尔科夫链法和支持向量机(SVM)等。SVM是通过非线性映射，将样本空间映射到高维特征空间，并且应用线性学习机的方法，解决高度非线性分类和回归等问题，具有结构化风险最小和泛化能力强等优点。最小二乘支持向量机(LSSVM,LeastSquareSVM)是在SVM的基础上，将二次规划问题转变成线性方程组进行求解，能够有效降低计算复杂度、加快运算速度。为进一步提高短期负荷预测精度，许多学者尝试将原始负荷序列进行分解，并对分解后的各负荷分量分本文档来自技高网...

【技术保护点】
1.一种基于改进变分模态分解的PSO‑LSSVM短期负荷预测方法，其特征在于，包括以下步骤：S1：选取变分模态分解效果的评价指标所述评价指标包括：模态分量频段重叠度指标α1、模态分量能量占比指标α2、残差与模态频段重叠度指标α3和残差能量占比指标α4；所述模态分量频段重叠度指标α1用于衡量分解后各模态分量的频段与其他模态分量的交叉重叠程度，所述模态分量频段重叠度指标α1的数值越小，分解效果越好，按公式(1)计算，

【技术特征摘要】
1.一种基于改进变分模态分解的PSO-LSSVM短期负荷预测方法，其特征在于，包括以下步骤：S1：选取变分模态分解效果的评价指标所述评价指标包括：模态分量频段重叠度指标α1、模态分量能量占比指标α2、残差与模态频段重叠度指标α3和残差能量占比指标α4；所述模态分量频段重叠度指标α1用于衡量分解后各模态分量的频段与其他模态分量的交叉重叠程度，所述模态分量频段重叠度指标α1的数值越小，分解效果越好，按公式(1)计算，其中，k为模态分解层数，i＝1,2,…,k；j＝1,2,…,k；α1(i,j)为第i个模态分量与第j个模态分量的频段重叠度指标，按公式(2)计算，按公式(3)计算，其中，lij为第i个模态分量与第j个模态分量重叠的频段长度，li为第i个模态分量的频段长度；所述模态分量能量占比指标α2用于衡量分解后各模态序列模值在原始序列中的占比，所述模态分量能量占比指标α2的数值越小，能量占比越大，分解效果越好，按公式(4)计算，其中，α2i为第i个模态序列在原始序列中的能量占比，按公式(5)计算，其中，n2i为第i个模态序列的模值，n0为原始序列的模值；所述残差与模态频段重叠度指标α3用于衡量残差频段与各模态分量的交叉重叠度，所述残差与模态频段重叠度指标α3的数值越小，分解效果越好，按公式(6)计算，其中，α3i为残差模态与第i个模态分量的频段重叠度指标，按公式(7)计算，其中，l3i为残差模态与第i个模态分量的重叠频段长度；所述残差能量占比指标α4用于衡量残差模值在原始数据模值中的占比，所述残差能量占比指标α4的数值越小，分解效果越好，按公式(8)计算，其中，nc为残差序列的模值；S2：对短期负荷预测影响因素数据序列进行变分模态分解的层数设定上限，具体步骤如下：S21：由所述影响因素数据序列得到相应的影响因素数据序列频谱；S22：将影响因素数据序列频谱中满足阈值条件的频率个数kmax作为模态分解的层数上限；所述阈值条件为公式(9)所示，As≥At(9)其中，As为影响因素数据序列频谱中第s个频率对应的频谱幅值，At为设定的频谱幅值阈值；S3：先利用粒子群优化算法优化VMD算法参数，将VMD算法参数作为粒子群优化算法中粒子的某维变量，所述VMD算法参数...

【专利技术属性】
技术研发人员：杜松怀，刘博，唐皓淞，苏娟，汲国强，李顺昕，单葆国，谭显东，
申请(专利权)人：中国农业大学，国网冀北电力有限公司经济技术研究院，国网能源研究院有限公司，
类型：发明
国别省市：北京,11