[发明专利]一种基于VMD-Prophet的短期负荷预测方法

权利要求书

1.一种基于VMD-Prophet的短期负荷预测方法，其特征在于，包括如下步骤：

S1：在将原始负荷序列带入Prophet模型进行预测之前，对其进行变分模态分解(VMD)，得到规律性更好的子序列；

S2：使用VMD分解可以将波动的信号分解为K个不同频段的本征模态函数的子信号，具体过程如下：

使用VMD进行K阶分解时，可以将其看作如下约束变分问题，如式(1)所示：

式中f(t)是未分解主信号，{u_k}＝{u₁,…,u_k}和{ω_k}＝{ω₁,…,ω_k}分别代表K阶模态的集合及中心频率。δ(t)是狄拉克分布，*表示卷积，为模态函数u_k对应中心频率ω_k的指数项，j为虚数。

引入增广拉格朗日函数，求解上述的约束变分问题的最优解，如式(2)所示：

式中：α为二次惩罚因子，用于降低高斯噪声的干扰；λ为拉格朗日乘子。使用乘子交替方向法来求解上述约束变分问题的最优解及增广拉格朗日函数。

最终VMD的更新过程如下，如式(3)-式(5)所示：

式中分别为f(t)、和λⁿ(t)的傅里叶变换；τ为更新参数；n为迭代参数。

对于给定的判别精度ε＞0，若满足如下关系，如式(6)所示，则VMD收敛，停止更新。

S3：将分解后的负荷子序列，分别带入Prophet预测模型中进行预测，最后将各个子序列的预测结果进行累加，得到最终的预测结果；

S4：采用平均绝对值百分误差(MAPE)和均方根误差(RMSE)两项指标对预测结果进行评价，具体如下式(7)式(8)所示：

式中：x_predicted为负荷预测结果，x_real为负荷真实值。

S5：VMD算法参数分别设置为：初始中心频率ω＝0，收敛判据e＝10^-7，二次惩罚因子及分解阶数经过反复实验最终设为α＝2000，K＝3。

S6：基于Anaconda平台，编程语言为Python，创建Python版本为3.7的虚拟环境，在Spyder中完成VMD-Prophet预测模型的搭建；

S7：在Spyder中通过Python编程来实现VMD-Prophet预测模型对于各个负荷子序列的预测；

S8：在Spyder中测试VMD-Prophet预测模型对于负荷预测的效果。

2.根据权利要求1所述的一种基于VMD-Prophet的短期负荷预测方法，其特征在于：VMD算法将原始负荷序列分解为规律性更好的子序列，同时将预测过程中存在的一些影响预测结果的趋势分量或噪声分量单独提取出来，减小趋势分量或噪声分量对短期电力负荷整体预测的影响。

3.根据权利要求1所述的一种基于VMD-Prophet的短期负荷预测方法，其特征在于：Prophet预测模型具有较好的灵活性，能轻松适应多个季节的季节性，并通过分析对趋势做出不同的假设；此外测量值不必呈等间距分布，也不需要插值缺失值，并且拟合速度较快。

4.根据权利要求1所述的一种基于VMD-Prophet的短期负荷预测方法，其特征在于：以平均绝对值百分误差和均方根误差对预测结果进行评价，可以较好展示出预测效果。

5.根据权利要求1所述的一种基于VMD-Prophet的短期负荷预测方法，其特征在于：VMD-Prophet负荷预测模型，可以在Anaconda平台创建的虚拟环境中，通过Python编程在Spyder中来实现，直接进行负荷序列的分解和预测。