[发明专利]一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法

摘要

本发明涉及一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法，包括：（1）通过小波分解和重构，对原始负荷序列进行降噪；（2）在模型训练阶段利用改进的萤火虫短发优化极限学习机参数，获得个序列的最优模型；（3）针对各子序列分别预测叠加得到最终预测值。本发明通过在两种时间尺度的数据序列上进行数值计算，有效的解决了短期负荷预测，与传统的ARMA、BP神经网络、支持向量机及LSSVM等多种经典预测模型相比，模型预测效果更优。

主权项

一种基于小波变换和改进萤火虫优化极限学习机的短期负荷预测方法，其特征在于，由以下步骤构成：步骤1、获取原始负荷序列数据；步骤2、对原始序列进行3层小波分解，具体是对于短期负荷预测，根据Mallat提出的多分辨率思想，将非平稳的离散负荷序列S分解为不同频率的高频细节序列d₁,d₂…d_J和一个低频近似序a_J，J为最大分解层数；通常采用db3小波基进行3层分解；其分解过程如下：$\left\{\begin{array}{c}{a}_{j+1}=H\left(a_j\right)\\ d_{j+1}=G\left(d_j\right)\end{array}\right.$其中：a_j,d_j分别为原始信号在分辨率2^‑j下的低频信号和高频信号，是原始信号在相邻不同频率段上的成分；H为低通滤波器；G为高通滤波器；步骤3、对分解后的各序列进行二插值重构：所述步骤2分解过程利用二抽取，使得每层分解信号比分解前信号数据减半，因此需要进行二插值重构使得信号长度还原；$\left\{\begin{array}{c}{A}_j={\left(H^{*}\right)}^j{a}_j\\ D_j={\left(H^{*}\right)}^{j-1}{G}^{*}{d}_j\end{array}\right.$其中：H^*,G^*分别为H,G的对偶算子；对d₁,d₂…d_J和a_J进行重构后，得到细节序D₁,D₂…D_J和近似序列A_J，其长度与原始序列相同，并有S＝D₁+D₂+…D_J+A_J针对重构后的细节序列和近似序列分别进行预测，可以充分利用分解重构对信号特征的挖掘，从而减小预测误差；步骤4、针对重构后各序列进行归一化后分别进行IFA‑ELM模型训练和预测，具体包括：(1)初始化极限学习机的网络数学模型；ELM初始化m,M,n，激活函数g(x)；萤火虫算法初始化，包括设置种群规模N，萤火虫位置初始化，最大迭代次数Miter，β₀＝1及自适应参数初始值初值α₀；迭代次数cc＝1；(2)对给定的训练样本，将萤火虫位置映射到待优化变量范围，求解E(S^cc)，计算萤火虫适应度；(3)计算参数，比较萤火虫之间的适应度，利用公式更新萤火虫位置；(4)利用个体变异机制进行个体变异更新；(5)若达到最大迭代次数，则输出结果，否则cc＝cc+1，转步骤(2)；步骤5、各序列预测值映射回原区间后叠加得到最终预测结果；步骤6、预测评价：为具体对误差进行量化评价，定义平均绝对误差MAE、平均相对误差MAPE及均方根误差RMSE如下：$MAE=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}|{\mathrm{predict}}_i-{\mathrm{real}}_i|$$MAPE=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left|\frac{{\mathrm{predict}}_i-{\mathrm{real}}_i}{{\mathrm{real}}_i}\right|\×100\%$$RMSE=\frac{1}{N}\sqrt{\underset{i=1}{\overset{N}{\Σ}}{({\mathrm{predict}}_i-{\mathrm{real}}_i)}^2}$其中，N为预测点数，predict_i,real_i分别为预测和实测的第i点负荷。