基于EMD-VMD-PSO-BPNN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EMD‑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，包括下述步骤：首先获取造纸企业数据质量合格的总有效负荷的数据；采用EMD‑VMD组合算法对总有效负荷进行序列分解；采用近似熵对分解的序列进行重构；利用滞后自相关方法选择模型输入；采用PSO‑BPNN对重构序列进行建模；采用训练样本对PSO‑BPNN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，最后对预测效果进行分析。本发明专利技术基于EMD‑VMD‑PSO‑BPNN算法建立短期电力负荷预测模型，具有模型收敛快，预测结果精度高、无滞后诸多特点。

Establishment of Short-term Power Load Forecasting Model Based on EMD-VMD-PSO-BPNN

【技术实现步骤摘要】
基于EMD-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EMD-VMD-PSO-BPNN的造纸企业短期电力负荷预测模型建立方法。
技术介绍
造纸过程中需要大量动力设备，这也是电能成为造纸过程最主要能源构成的原因。由于这些能源设备中，存在大量间歇性设备，合理的制定排产计划，不仅可以有效提高设备利用效率，降低能耗，还可以通过错峰用电，实现智能与购电，减少购电，降低生产成本。通过对生产过程的用电负荷进行预测，同时，建立精确度高的短期电力负荷预测模型，有助于对用电异常进行分析，精准的预测可以提前知道用电异常情况，减少或者避免用电异常带来的非计划停机对生产的影响。目前，电力负荷预测已广泛用于电网、新能源(如风能、太阳能等)、建筑等行业。其中主要的预测模型的研究对象都是具有周期性或者有准确影响因素的负荷。但温度等环境因素对造纸企业的电力负荷的影响不大，电力负荷不具有周期性，且目前还未有研究表明影响造纸企业的关键因素是什么，因此通过周期性和关键影响因素建立预测模型的方法不适合造纸企业。基于算法的研究，短期电力负荷预测可分为分解预测算法和未分解预测算法，其中有大量研究表明分解算法在精确度和预测滞后等方面优于未分解算法。因此提出EMD-VMD算法对用电负荷进行序列分解后再分别建立预测模型。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优等问题，因此采用PSO算法优化BPNN的权值和阈值，解决BPNN的上述技术问题，建立精准的造纸企业短期电力负荷预测模型。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于EMD-VMD-PSO-BPNN的短期电力负荷预测模型建立方法。本专利技术的目的可以通过采取如下技术方案达到：一种基于EMD-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，所述的建立方法包括以下步骤：S1、获取造纸企业数据质量合格的用电数据；S2、利用EMD-VMD分解算法，对预处理后的负荷序列进行序列分解；S3、利用近似熵法对分解序列进行序列重构；S4、利用滞后自相关方法对每个重构序列选取输入变量；S5、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网络对重构序列进行预测，把所有重构序列的预测结果进行叠加，得到短期电力负荷预测模型。进一步地，所述的步骤S2包括：S201、采用EMD算法对用电数据进行拆分，将性能不好的信号分解为一组性能较好的本征模函数，提取最后一个分解序列，并将其他分解序列进行叠加；S202、采用VMD算法对步骤S201中叠加序列进行拆分，通过搜寻约束分变模型最优解来实现信号自适应分解，将负荷序列分解成一系列具有稀疏特性的模态分量，提取分解出来的第二和第三个序列；S203、将步骤S202中的VMD拆分出来的第一个序列输入EMD分解模型中；S204、重复步骤S201～步骤S203直到达到设定循环次数；S205、按分解序列的顺序输出提取的序列与最后一次VMD分解出来的第一个序列；S206、提取原始序列与所有提出序列叠加后的残差作为最后一个输出的分解序列。进一步地，所述的步骤S201过程如下：S2011、找出原数据序列X(t)的所有极大值点和极小值点，将其用三次样条函数分别拟合为原序列的上、下包络线，得出上、下包络线的均值为m1，将原数据序列X(t)减去m1得到一个减去低频的新序列h，即h＝X(t)－m1，重复上述过程，直到h为一个平稳序列，得到第一个本征模函数分量c1，它表示信号数据序列最高频率的成分；S2012、用原数据序列X(t)减去第一个本征模函数分量c1，得到一个去掉高频成分的新数据序列r1，对r1再进行上述分解，得到第二个本征模函数分量c2；如此重复步骤S2011-步骤S2012直到最后一个数据序列rn不可被分解，此时，rn代表数据序列X(t)的趋势或均值。进一步地，所述的步骤S202过程如下：S2021、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，其公式为：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；S2022、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，其公式为：S2023、计算步骤S2022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)；S2024、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。进一步地，所述的步骤S3中，近似熵的定义为：Apen＝Φm(r)-Φm+1(r)(5)式中，1≤i≤N-m+1，X(j)为重建组合m维向量X(1),X(2),···,X(N-m+1)，其中X(i)＝[u(i),u(i+1),···,u(i+m-1)]，u(i)为一个以等时间采样获得的N维的时间序列，m为整数，表示比较向量的长度，r为实数，表示“相似度”的度量值。进一步地，所述的步骤S4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。进一步地，所述的步骤S5中，由于BPNN易出现过拟合，因此需要对BPNN模型进行优化。造纸企业用电和时间有关，而且其变化速度快，采集数据精确度高，因此不适合把用电负荷离散化和编码，较为合适的是直接对其进行训练和预测。而PSO优化算法适合实值型处理，而且其已经是十分成熟的算法，因此适合应用于工业预测。所述的步骤S5具体包括：S501、把数据处理后的输入和输出数据集分为训练集和测试集；S502、初始化BPNN的权值和阈值，并设置BPNN参数，该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；S503、初始化PSO优化算法参数，该算法参数包括学习因子c1以及c2、粒子群规模N、惯性权重wmax以及wmin、最大迭代次数和最大速度Vmax；S504、设置当前迭代次数i＝1；S505、训练BPNN，并计算各个粒子的适应度(选择误差作为适应度)，对适应度的大小进行排序，把每个粒子作为当前种群的局部最优，记为Ppbest，把粒子群中适应度最小的粒子作为全局最优，记为Pgb本文档来自技高网...

【技术保护点】
1.一种基于EMD‑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EMD‑VMD分解算法，对预处理后的负荷序列进行序列分解；S3、利用近似熵法对分解序列进行序列重构；S4、利用滞后自相关法对每个重构序列选取输入变量；S5、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网络对重构序列进行预测，把所有重构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EMD-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EMD-VMD分解算法，对预处理后的负荷序列进行序列分解；S3、利用近似熵法对分解序列进行序列重构；S4、利用滞后自相关法对每个重构序列选取输入变量；S5、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网络对重构序列进行预测，把所有重构序列的预测结果进行叠加，得到短期电力负荷预测模型。2.根据权利要求所述的基于EMD-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包括：S201、采用EMD算法对用电数据进行拆分，将性能不好的信号分解为一组性能较好的本征模函数，提取最后一个分解序列，并将其他分解序列进行叠加；S202、采用VMD算法对步骤S201中叠加序列进行拆分，通过搜寻约束分变模型最优解来实现信号自适应分解，将负荷序列分解成一系列具有稀疏特性的模态分量，提取分解出来的第二和第三个序列；S203、将步骤S202中的VMD拆分出来的第一个序列输入EMD分解模型中；S204、重复步骤S201～步骤S203直到达到设定循环次数；S205、按分解序列的顺序输出提取的序列与最后一次VMD算法分解出来的第一个序列；S206、提取原始序列与所有提出序列叠加后的残差作为最后一个输出的分解序列。3.根据权利要求2所述的基于EMD-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S201过程如下：S2011、找出原数据序列X(t)的所有极大值点和极小值点，将其用三次样条函数分别拟合为原序列的上、下包络线，得出上、下包络线的均值为m1，将原数据序列X(t)减去m1得到一个减去低频的新序列h，即h＝X(t)－m1，重复上述过程，直到h为一个平稳序列，得到第一个本征模函数分量c1，它表示信号数据序列最高频率的成分；S2012、用原数据序列X(t)减去第一个本征模函数分量c1，得到一个去掉高频成分的新数据序列r1，对r1再进行上述分解，得到第二个本征模函数分量c2；如此重复步骤S2011～步骤S2012直到最后一个数据序列rn不可被分解，此时，rn代表数据序列X(t)的趋势或均值。4.根据权利要求2所述的基于EMD-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S202过程如下：S2021、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，其公式为：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；S2022、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，其公式为：S2023、计算步骤S2022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)；S2024、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。5.根据权利要求1所述的基于EMD-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，近似熵的定义为：Apen＝Φm(r)-Φm+1(r)(5)式中，1≤i≤N-m+1，X(j)为重建组合m维向量X(1),X(2),…,X(N-m+1)，其中X(i)＝[u(i),u(i+1),...

【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