一种用于工业中负荷预测的自适应预测方法技术

本发明专利技术公开了一种用于工业中负荷预测的自适应预测方法，包括：S1：构建ICEEMDAN模型，进行负荷分解；S2：对负荷分解结果进行过零率判别；S3：对过零率判别结果进行高频、低频分量；S4：根据分量结果，利用PSO

【技术实现步骤摘要】
一种用于工业中负荷预测的自适应预测方法


[0001]本专利技术涉及负荷预测领域，特别涉及一种用于工业中负荷预测的自适应预测方法。

技术介绍

[0002]近几年，各行业的用电特点都比较突出，各行业的负荷发展特点也不尽相同，传统的负荷预测方法已经无法满足电力需求规律的分析和预测，迫切需要采用新的方法来提高预测的准确性。工业是电力消费的主要来源，其用电量大，资源可调节的空间较大。通过对电力行业的负荷进行精确的预测，可以使企业的用电量达到最优，同时也能有效地挖掘企业内部的需求反应潜能，从而获取更多的可调整资源。准确的负荷预测是企业能源管理的关键，它可以为企业生产、经营、管理、规划、建设等各方面的决策支持。随着电力市场化改革的深入，各大行业都可以参加电力市场的交易，准确的负荷预测将为电力市场中的企业进行竞价决策提供技术支持，保证了工业各行业参与电力市场交易。
[0003]由于有冲击负荷的存在，往往会使负荷曲线发生突变，用工业负荷直接预测很难达到很高的准确率。当前有两种预测方法：第一类是利用时间序列法、线性回归法、指数平滑法等传统的统计模型，这类统计模型所需考虑的因素很少，在具有大的随机、复杂的非线性系统中，很难得到很好的预测结果。第二种方法则是以支持向量机、神经网络技术为依托的机器学习预测技术，这类算法在数据量和质量上都有很大的依赖性。长短期记忆的深度学习模型的短期工业负荷估计技术，不适用于大范围的负荷数据，在实际情况下，由于受到干扰或其它原因，常常会发生信号中断、电气设备不能校正等问题，从而得到的数据质量很低，造成了局部极小点收敛、超参数确定困难、计算速度慢等问题。

技术实现思路

[0004]针对现有技术预测准确率低且数据依赖性高的问题，本专利技术提供了一种用于工业中负荷预测的自适应预测方法，首先对工业负荷数据进行分解，然后根据过零率的大小，将其分为高、低频两个部分，再通过PSO
‑
BP预测模型进行叠加重构，得到预测结果，具有更高的准确率。
[0005]以下是本专利技术的技术方案。
[0006]一种用于工业中负荷预测的自适应预测方法，包括：S1：构建ICEEMDAN模型，进行负荷分解；S2：对负荷分解结果进行过零率判别；S3：对过零率判别结果进行高频、低频分量；S4：根据分量结果，利用PSO
‑
BP预测模型进行叠加重构，得到预测结果。
[0007]作为优选，所述S1：构建ICEEMDAN模型，进行负荷分解，包括：通过CEEMDAN算法以添加自适应高斯白噪声的方式来降低噪声的影响，并通过ICEEMDAN算法采用平均信号进行k阶模态提取，从而将白噪声对模态分解的影响降到最低，
进行负荷分解；其中CEEMDAN算法包括：定义IMF
k
、IMF
k
′
是第k个模态成分，利用EMD和CEEMDAN算法进行分解；Ek(
·
)是利用EMD算法生成第k个模态成分的算符；W
i
(t)是高斯白噪声的第i次添加，其平均值是0，方差是1；t是一个时间变量；ε
k
‑1是在解决第k个模式成分IMF
k
′
时得到的自适应系数，然后，详细实施CEEMDAN算法流程如下：A1：将噪声分量ε
k
‑1W
i
(t),(i＝1,2,
…
,n)加入到原始信号X(t)中，n为加入高斯白噪声的次数，由CEEMDAN分解得到的第一个振型成分是：式中，IMF
i1
(t)为加入第i次高斯白噪声后经过EMD算法分解产生的一阶模态分量；A2：由CEEMDAN分解得到的第一个裕度信号r1(t)是：r1(t)＝X(t)
‑
IMF
′1(t)；A3：向余量信号r1(t)中加入高斯噪声分量ε1E1W
i
(t)，再利用EMD方法求解二次振型成分，如下式：A4：重复A2和A3，则第j个余量信号和第j+1阶模态分量可以分别表示为：r
j
(t)＝r
j
‑1(t)
‑
IMF
′
j
t)；A5：CEEMDAN算法的终止条件是，所得到的剩余信号不能被EMD分解，假定初始信号X(t)共分解为J阶振型成分，那么最后的裕度信号R(t)可由以下公式表达：其中ICEEMDAN算法包括：B1：定义操作符M(
·
)表示信号的局部均值；<
·
>表示取均值；通过EMD算法计算第一余量信号：X
i
(t)＝X(t)+ε0E1(W
i
(t))；B2：计算一阶模态分量，表示为：r1(t)＝MX
i
(t)；B3：将第二余量信号估计为一系列r1(t)+ε1E2W
i
(t)的均值，所以二阶模态分量表示为：IMF
″2(t)＝r1(t)
‑
r2(t)＝r1(t)
‑
M(r1(t)+ε1E2W
i
(t))；B4：重复B2和B3，则第j个余量信号和第j阶模态分量分别表示为：r
j
(t)＝M(r
j
‑1(t)+ε
j
‑1E
j
W
i
(t))；IMF
″
j
(t)＝r
j
‑1(t)
‑
r
j
(t)。
[0008]作为优选，所述S2：对负荷分解结果进行过零率判别，包括：对负荷分解结果进行分析，将含有冲击性负荷的数据分解为不同的模态分量及残余分量，得出过零率判别结果，过零率的计算公式如下所示：
式中：Z
zero
为序列中过零点的个数；Z
all
为序列的长度；P
zero
为过零点的概率，P
zero
的值越大，表示频率越高，反之表示频率越低。
[0009]作为优选，所述S3：对过零率判别结果进行高频、低频分量，包括：根据过零率的大小，将不同的分量分为高、低频分量；若过零率>0.01，则将分量分为高频分量；若过零率≤0.01，则将分量分为低频分量。
[0010]作为优选，所述S4中，PSO
‑
BP预测模型的构建过程包括：构建BP神经网络，并采用PSO算法对BP神经网络训练的阈值和权重进行优化，得到PSO
‑
BP预测模型；其中，优化过程包括：初始化参数，设置神经网络节点数、计算精度和最大学习次数；对微粒群进行随机初始化，设定微粒群的最大迭代数、学习因子；利用自适应度计算法，对各微粒进行最优定位，并对剩余微粒的位置及速度进行更新；PSO算法满足优化条件或达到最大迭代次数后，将神经网络中最优参数输入BP神经网络算法；输入历史数据，依据神经网络算法的实际输出计算误差，进一步更新权重、阈值以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于工业中负荷预测的自适应预测方法，其特征在于，包括：S1：构建ICEEMDAN模型，进行负荷分解；S2：对负荷分解结果进行过零率判别；S3：对过零率判别结果进行高频、低频分量；S4：根据分量结果，利用PSO
‑
BP预测模型进行叠加重构，得到预测结果。2.根据权利要求1所述的一种用于工业中负荷预测的自适应预测方法，其特征在于，所述S1：构建ICEEMDAN模型，进行负荷分解，包括：通过CEEMDAN算法以添加自适应高斯白噪声的方式来降低噪声的影响，并通过ICEEMDAN算法采用平均信号进行k阶模态提取，从而将白噪声对模态分解的影响降到最低，进行负荷分解；其中CEEMDAN算法包括：定义IMF
k
、IMF
k
′
是第k个模态成分，利用EMD和CEEMDAN算法进行分解；Ek(
·
)是利用EMD算法生成第k个模态成分的算符；W
i
(t)是高斯白噪声的第i次添加，其平均值是0，方差是1；t是一个时间变量；ε
k
‑1是在解决第k个模式成分IMF
k
′
时得到的自适应系数，然后，详细实施CEEMDAN算法流程如下：A1：将噪声分量ε
k
‑1W
i
(t),(i＝1,2,
…
,n)加入到原始信号X(t)中，n为加入高斯白噪声的次数，由CEEMDAN分解得到的第一个振型成分是：式中，IMF
i1
(t)为加入第i次高斯白噪声后经过EMD算法分解产生的一阶模态分量；A2：由CEEMDAN分解得到的第一个裕度信号r1(t)是：r1(t)＝X(t)
‑
IMF
′1(t)；A3：向余量信号r1(t)中加入高斯噪声分量ε1E1W
i
(t)，再利用EMD方法求解二次振型成分，如下式：A4：重复A2和A3，则第j个余量信号和第j+1阶模态分量可以分别表示为：r
j
(t)＝r
j
‑1(t)
‑
IMF
′
j
t)；A5：CEEMDAN算法的终止条件是，所得到的剩余信号不能被EMD分解，假定初始信号X(t)共分解为J阶振型成分，那么最后的裕度信号R(t)可由以下公式表达：其中ICEEMDAN算法包括：B1：定义操作符M(
·
)表示信号的局部均值；<
·
>表示取均值；通过EMD算法计算第一余量信号：X
i
(t)＝X(t)+ε0E1(W
i
(t))；B2：计算一阶模态分量，表示为：r1(t)＝MX
i
(t)；
B3：将第二余量信号估计为一...

【专利技术属性】
技术研发人员：张思，徐立中，吴一峰，李洋，王波，朱耿，虞殷树，贺旭，张静，赵一琰，蒋轶澄，袁士超，吉晏平，马旭，葛凯梁，袁婷，
申请(专利权)人：国网浙江省电力有限公司，
类型：发明
国别省市：