基于VMD-PSO-LSSVM的短期电力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VMD‑PSO‑LSSVM的短期电力负荷预测模型建立方法，该短期电力负荷预测模型应用于造纸企业的电力负荷预测，包括下述步骤：首先获取造纸企业总有效负荷数据；利用VMD分解算法对预处理后的数据序列进行分解；利用滞后自相关选择模型的输入变量；利用PSO‑LSSVM对分解序列进行建模；利用训练样本对PSO‑LSSVM模型进行训练，建立预测模型，并进行造纸企业用电负荷预测，并对预测效果进行分析。本发明专利技术方法建立的基于VMD‑PSO‑LSSVM的短期电力负荷预测模型，具有收敛快，预测结果无滞后的特点。

Short-term load forecasting model based on VMD-PSO-LSSVM

The invention discloses a method for establishing a short-term power load forecasting model based on VMD PSO LSSVM. The short-term power load forecasting model is applied to the power load forecasting of papermaking enterprises, including the following steps: firstly, acquiring the total effective load data of papermaking enterprises; using VMD decomposition algorithm to decompose the pre-processed data sequence; and utilizing the transmission of lagged autocorrelation selection model. Input variables; use PSO LSSVM to model decomposition sequence; use training samples to train PSO LSSVM model, establish prediction model, and carry out electricity load forecasting in paper enterprises, and analyze the forecasting effect. The short-term power load forecasting model based on VMD PSO LSSVM established by the method of the invention has the characteristics of fast convergence and no lag in forecasting results.

【技术实现步骤摘要】
基于VMD-PSO-LSSVM的短期电力负荷预测模型建立方法
本专利技术涉及造纸企业智能用电
，具体涉及一种基于VMD-PSO-LSSVM的造纸企业短期电力负荷预测模型建立方法。
技术介绍
造纸过程消耗了大量电耗，约占单位产品能耗的15％～20％。预测未来的电力负荷可以帮助造纸过程优化用电结构，确定合理的生产调度假计划，从而提高能源效率，降低生产成本。因此，建立短期电力负荷预测模型是造纸企业未来发展的趋势。造纸企业的电力负荷受到很多不同因素的影响，如政策、经济、外部环境以及生产过程中的许多随机因素(如各种用电设备的干扰)。因此，用电负荷与实际生产过程之间存在着复杂的非线性关系。没有人工智能方法的帮助，很难对造纸企业建立短期电力负荷预测模型。目前，电力负荷预测已经取得了一定的成果。短期电力负荷预测模型已经被应用于很多不同的行业，如预测采矿和冶金行业钢铁工业的用电负荷；风电、光伏发电等新能源行业的电力生产预测；住宅建筑和办公建筑用电量的预测；电网的电力负荷预测等。与前面行业的用电特征进行对比，造纸过程的用电和前面所有行业有所不同，它存在着启停毫无规律的间歇性用电设备，其用电负荷无周本文档来自技高网...

【技术保护点】
1.一种基于VMD‑PSO‑LSSVM的短期电力负荷预测模型建立方法，该短期电力负荷预测模型应用于造纸企业的电力负荷预测，其特征在于，所述的建立方法包括以下步骤：S1、获取造纸企业数据的用电数据；S2、利用VMD分解算法，对预处理后的负荷序列进行序列分解；S3、利用滞后自相关法对每个分解序列选取输入变量；S4、随机初始化LSSVM的核参数和惩罚参数，利用重构序列的训练集对LSSVM预测模型进行训练，在PSO算法对LSSVM的参数进行寻优的过程中，利用均方根误差作为PSO的适应度值，在迭代的过程中，选择最小的适应度值，并把选择出来最优的适应度值对应的LSSVM参数赋予LSSVM，然后把训练好的L...

【技术特征摘要】
1.一种基于VMD-PSO-LSSVM的短期电力负荷预测模型建立方法，该短期电力负荷预测模型应用于造纸企业的电力负荷预测，其特征在于，所述的建立方法包括以下步骤：S1、获取造纸企业数据的用电数据；S2、利用VMD分解算法，对预处理后的负荷序列进行序列分解；S3、利用滞后自相关法对每个分解序列选取输入变量；S4、随机初始化LSSVM的核参数和惩罚参数，利用重构序列的训练集对LSSVM预测模型进行训练，在PSO算法对LSSVM的参数进行寻优的过程中，利用均方根误差作为PSO的适应度值，在迭代的过程中，选择最小的适应度值，并把选择出来最优的适应度值对应的LSSVM参数赋予LSSVM，然后把训练好的LSSVM模型对重构序列测试集进行预测，把所有分解序列的预测结果进行叠加，得到短期电力负荷预测模型。2.根据权利要求1所述的基于VMD-PSO-LSSVM的短期电力负荷预测模型建立方法，其特征在于，所述的步骤S2中通过搜寻约束分变模型最优解来实现信号自适应分解，将原始负荷序列分解成一系列具有稀疏特性的模态分量，即将原始序列分解为不同频率的序列，具体包括：S201、对于每个模态u(t)，通过希尔伯特变换计算与之相关的解析信号，计算公式如下：式中，H(t)为模态解析信号，δ(t)是狄拉克分布，t是采样时间点，j为虚数，*表示卷积；S202、对各模态解析信号预估计的中心频率ωk进行混合，将每个模态的频谱调制到相应的基频带，其公式如下：S203、计算式(2)中基频带的梯度平方L2范数，估计出各模态分量的带宽，对应的约束变分模型为：式中，f(t)＝∑ku(t)；S204、采用二次惩罚函数项和拉格朗日乘子算子得到一个无约束问题，最后求解该问题的公式为：式中，{uk}＝{u1,u2,…,uk}代表分解得到的k个IMF分量，{ωk}＝{ω1,ω2,…,ωk}表示各分量的中心频率，∑K表示各模态分量求和，λ(t)为拉格朗日乘数，α是数据保真约束的平衡参数，f(t)为原始信号。3.根据权利要求1所述的基于VMD-PSO-LSSVM的短期电力负荷预测模型建立方法，其特征在于，所述的步骤S3中，通过滞后自相关方法找出过去用电负荷对当前用电负荷的影响，使用自相关函数作为选择信息特征子集的指导，即通过自相关的滞后阶次来选取输入变量，当滞后自相关系数的绝对值大于0.8时，用这一滞后时刻对应的有效功率作为模型的输入，其表达式为：式中，是给定时间序列中所有X的平均值，X＝{Xt:t∈T}，为时间序列数据集，rk为测量时间t和t-k时间序列的线性相关性。4.根据权利要求1所述的基于VMD-PSO-LSSVM的短期电力负荷预测模型建立方法，其特征在于，所述的步骤S4包括：S401、对微粒的群体规模、位置和...

【专利技术属性】
技术研发人员：李继庚，洪蒙纳，满奕，胡雨沙，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44