[发明专利]一种基于VMD-Prophet的短期负荷预测方法

说明书

本发明公开了一种基于VMD‑Prophet的短期负荷预测方法，可用于提高短期电力负荷预测的精度。该方法包括：在Prophet预测模型的基础上，引入VMD分解，利用已准备好的数据集，分为训练集和测试集，训练集用于模型的训练，测试集用于评估最终模型的精度；将分解好的子序列分别输入Prophet预测模型中进行预测，之后进行各子序列预测结果的累加，得到最终的预测结果；然后采用平均绝对值百分误差和均方根误差两项指标对预测结果进行评价；最后对未来一天的负荷进行预测，并采用相同的评价指标，实验结果表明，其他用于负荷预测的LSTM、SARIMA以及未对输入信号进行VMD分解的Prophet模型的预测结果均不如VMD‑Prophet预测模型，证明了本发明在短期负荷预测方面的优势，可以提高短期负荷预测的精度。

技术领域：

本发明涉及电力负荷预测领域，提出一种基于VMD-Prophet的短期负荷预测方法，适用于进行短期负荷预测以及提高预测的效果。

背景技术：

在我国经济高速发展的背景下，电力负荷的预测已成为一项重要而艰巨的任务。高精度的短期负荷预测对于电力系统的调度管理部门制定高效经济的发电计划、合理安排机组出力、保证电力系统的安全性和稳定性、提高经济效益以及减少不必要的能源消耗有着重要的意义。与此同时，随着智能电网的发展，高精度的负荷预测越来越成为迫切的需求。

VMD-Prophet预测模型，将输入的原始负荷序列分解为规律性更好的子序列，而且相对于经验模态分解和小波分解，VMD能够更好的还原原始信号，具有更好的噪声鲁棒性。时间序列预测框架Prophet，与传统的时间序列预测方法相比，其具有较好的灵活性，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。测量值不必呈等间距分布，也不需要插值缺失值，拟合速度较快。将二者结合起来应用于短期负荷预测中，能有效提高负荷预测的精度。

发明内容：

为了解决上述问题，本发明提出了一种基于VMD-Prophet的短期负荷预测方法。

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。