[发明专利]基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法

说明书

本发明公开了一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法，包括下述步骤：S1，针对负荷数据的非平稳性，采用互补集合经验模态分解(CEEMD)将原始负荷的时间序列分解成若干固有模态函数(IMFs)；互补集合经验模态分解(CEEMD)向原始时间序列中加入正负成对的白噪声，这样既能保证拥有与集合经验模态分解(EEMD)一样的分解效果，又能减少因添加白噪声造成的序列重构误差；本发明采用分解技术将序列分解为若干个模态分量，并结合优化算法优化预测模型的参数，最后叠加各分量的预测结果作为最终预测值，与其它模型相比，该组合模型在短期冲击负荷预测中能取得更高的预测精度。

技术领域

本发明涉及电力系统负荷预测技术领域，具体涉及一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法。

背景技术

电力系统负荷预测是发电厂协调机组发电的关键依据，也是电力市场调整实时电价的主要来源，其预测的精确性将直接影响电厂的发电成本、电网调度和地区居民的用电质量。随着城市用电量的增长，用电用户的增多造成了地区负荷类型的复杂性，单一的负荷预测方法(如模糊逻辑方法、时间序列法、支持向量机、人工神经网络等)容易陷入局部最优，收敛速度较慢，已经很难满足当今负荷预测精度和泛化性需求。因此，组合预测模型得到广泛关注和应用。目前，组合思想主要有如下四种：一是用数个模型对原始序列进行预测，使用加权方式综合各模型结果得到较单个模型精度更高的预测结果，但是，此方法需要多个模型同时预测，且加权计算的方式较为复杂；二是通过对预测模型输出建立误差校正模型，但是，此方法在负荷波动较大的地区容易陷入局部最优，泛化性不足；三是使用优化算法对基本预测模型参数进行优化；四是采用信号分解技术将原始信号分解为多个分量，对各分量单独建模；后两种组合模型比单一模型均体现出更好的预测效果，但是依然无法满足含大量冲击负荷地区的负荷预测要求。

传统的神经网络，如BP、Elamn及SOM等，在复杂系统中参数调整复杂，收敛速度慢，而极限学习机(ELM)这一新型神经网络因其更少的参数调整和更快的学习速度在短期负荷预测中受到了广泛的关注和使用，但是同样存在局部最优问题，需利用智能算法优化其参数；针对一般的优化算法，如遗传算法(GA)、粒子群算法(PSO)、模拟退火算法(SA)等在优化后期可能会出现的局部最优问题，相关文献指出，纵横交叉优化算法(CSO)拥有强大的全局搜索能力和较快的收敛速度，有效避免模型参数在优化后期陷入局部最优，适用于大规模非线性系统。

冲击负荷会导致某地区日负荷曲线较大的波动性，直接利用该地区原始负荷数据进行建模和预测，不一定能取得理想的预测精度。相关文献采用经验模态分解(EMD)或集合经验模态分解(EEMD)对风速时间序列进行分解，风速时间序列通过分解处理后，所得子序列波动性降低，预测精度大大提高，但是经验模态分解(EMD)和集合经验模态分解(EEMD)分别存在模态混合和序列重构误差等问题。相关文献利用改进的互补集合经验模态分解(CEEMD)方法处理风速数据，有效解决了经验模态分解(EMD)和集合经验模态分解(EEMD)所存在的问题，进一步提高了风速预测的精度。目前，将互补集合经验模态分解(CEEMD)方法应用在负荷预测的研究极少，相关文献提出了基于互补集合经验模态分解(CEEMD)的短期负荷预测模型，该模型在仿真实验中取得较好的效果，但是，并未使用智能算法对模型的参数进行优化，在含大量冲击负荷地区进行预测时，该模型的泛化能力有待证明。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法，该算法采用分解技术将序列分解为若干个模态分量，并结合优化算法优化预测模型的参数，最后叠加各分量的预测结果作为最终预测值，与其它模型相比，该组合模型在短期冲击负荷预测中能取得更高的预测精度。

本发明的目的通过下述技术方案实现：

一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法，包括下述步骤：