【技术实现步骤摘要】
基于VMD-PSO-BPNN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-BPNN的短期电力负荷预测模型建立方法。
技术介绍
制浆造纸过程存在大量间歇用电设备,通过优化这些间歇用电设备的开机、停机计划,可有效实现用电削峰填谷,降低成产成本。目前制浆造纸企业对电力需求侧的预测主要通过历史经验购电,这导致所购的常出现过剩或者不足的问题。因此,如何对企业用电负荷进行预测,进而实现优化排产和合理购电是提高造纸企业经济效益增强稳定生产的一个重要途径。近三年来,主要的研究方向之一是采用拆分重构的方法对电力负荷进行预测。由于造纸企业的用电无周期性,且负荷波动频率高,利用VMD可以将高频率的波形拆分成几个不同且频率较低的波形的特点。而且相比于EMD(经典模态分解),VMD算法是一种更为精确的数学算法,而且对噪声和采样频率都很敏感,因此十分适合于造纸企业用电负荷的拆分。神经网络模型根据不同的实际情况来选择适合解决相应问题的结构参数。但是当需要解决的问题相对比较复杂时,用基本的人工神经网络(ANN)一般达不到实际应用的需求,基于优化算法进行神经网络优化的结合算法是解决上述问题的方法之一。BPNN(BP神经网络)是一种针对非线性、非周期、无规律、无结构性或半结构性数据建模最常用、效果最佳的模型,结合数据挖掘建立具有时间序列特征的BPNN来建立造纸企业用电负荷预测模型是十分实用的。PSO(粒子群优化算法)是一类概率型的全局优化算法。非确定算法的优点在于算法能有更多机会求解全局最优解。由于BPNN预测存在过拟合以及陷入局部最 ...
【技术保护点】
1.一种基于VMD‑PSO‑BPNN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、设置BPNN网络的隐藏层神经元数,以及BPNN网络的权值和阈值,把分解序列的训练集输入初始的BPNN网络中,把拟合结果和实际结果之间残差作为适应度值,利用PSO算法更新权值和阈值的大小,寻找最优的拟合结果,把最优拟合结果对应BPNN网络进行输出,利用训练好的BPNN网络对分解序列进行预测,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。
【技术特征摘要】
1.一种基于VMD-PSO-BPNN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、设置BPNN网络的隐藏层神经元数,以及BPNN网络的权值和阈值,把分解序列的训练集输入初始的BPNN网络中,把拟合结果和实际结果之间残差作为适应度值,利用PSO算法更新权值和阈值的大小,寻找最优的拟合结果,把最优拟合结果对应BPNN网络进行输出,利用训练好的BPNN网络对分解序列进行预测,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-BPNN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-BPNN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-BPNN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、把数据处理后的输入和输出数据集分为训练集和测试集;S402、初始化BPNN的权值和阈值,并设置BPNN参数,其中BPNN参数包括:输入层层数、隐藏层层数、输出层的层数、训练次数、训练目标和学习速率;S403、初始化PSO优化算法参数,PSO优化算法参数包括:学习因子c1和c2、粒子群规模N、惯性权...
【专利技术属性】
技术研发人员:洪蒙纳,李继庚,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
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。