负荷预测VMD-mRMR-BPNN-LSSVM混合模型的基础上

文摘

电力系统负荷预测是电力系统调度的一个重要组成部分。由于电力系统负载很容易受到环境因素如天气和时间的影响,高波动性和多频。为了提高预测精度,提出了一种基于变分模态分解的负荷预测方法(VMD)和特征相关性分析。首先,原始负荷序列分解使用VMD获取一系列的固有模态函数(IMF),它是指下面的模态分量,他们分为高频、中频、低频信号根据他们的波动特征。然后,电力系统负载的变化特性相关的信息收集,和每个国际货币基金组织和每个特性之间的相关性信息分析使用最大相关最小冗余(mRMR)基于互信息来获取每个IMF最好的特性集。最后,每个组件输入预测模型以及其特性集,在反向传播神经网络(摘要)是用来预测高频分量,最小二乘支持向量机(二)是用来预测中间和较低的频率成分,摘要也用于集成预测结果得到最终的负荷预测价值,并比较本文方法的预测结果与预测模型的自回归滑动平均模型(ARMA)等生物,摘要,经验模态分解(EMD),集成经验模态分解(EEMD)和VMD。进行实例分析的基础上,西安电网公司数据和结果表明,该方法的预测精度较高。

1。介绍

Powerload预测是电力系统的基础安排发电计划,经济调度网格,并确定备用容量,预测精度高扮演着一个重要的角色在电网的安全可靠运行1]。与电网的不断扩大,科学技术的迅速发展,电网系统可以获得大量数据,因此研究负荷预测系统提供数据支持。

近年来,随着计算机技术的快速发展,人工智能算法引入了负荷预测领域。目前,主要的电力负荷预测技术主要分为两类:基于参数模型的方法和基于非参数模型的方法(2]。其中,基于参数模型的方法主要包括时间序列模型(3),回归分析模型(4)、趋势外推模型(5),和其他方法。然而,非线性、不确定性和时变电力负荷的性质不能完全由数学公式来表达,因此,这种模型是复杂而难以实现。而非参数模型方法克服了这些缺点,它能适应与非线性电力负荷预测,不确定性和时变性质(6]。基于非参数模型的方法主要包括小波分析方法(7,8),灰色模型方法(9),支持向量机(SVM) [10)和人工神经网络方法(11- - - - - -13)等。这些方法可以考虑非线性电力负荷,电力负荷的法律可能发现通过原始数据的拟合和逼近。因此,与传统方法相比,此类模型优越,预测结果更准确。

其中,应用小波分析方法在电力负荷预测,不同的小波用于识别和分类的不同性质分别预测,最后,预测序列集成作为最终负荷预测结果(14]。在文献[7,8),小波变换用于项目每个序列组件到不同尺度,不同的部分负荷序列进行数据处理,和它们匹配模型用于预测,最后,通过小波重构,得到负荷预测的结果。然而,在小波变换,一旦选择小波基,它不能取代在整个分解和重构过程。因此,它是可能的,小波基只是全球最佳。此外,用什么标准选择小波基在理论上和实际应用仍然是一个难点15]。灰色模型是一种研究方法适用于系统小样本数据和糟糕的信息。它从灰色系统可以获得有用的信息,建立一个模型基于这个有用的信息来预测未知数据(16]。文献[9结合新的初始条件和滚动机制,设计一个新的优化的灰色预测模型,准确预测工业用电量和总电力消耗。然而,对于灰色模型,数据分散程度越大,预测的准确性就越低。及其微分方程指数的解决方案更适合负荷指数的指数增长的趋势。SVM模型使用一个内核函数代替非线性映射,很少有控制参数,算法简单,容易实现(17]。它可以建立一个决策函数基于少量的支持向量,有效避免维数灾难。在文献[10),改进的鸟类群算法(IBSA)是用于优化回归模型的参数,然后利用优化后的模型进行预测。然而,支持向量机仅限于小型集群样本。当观察样品太多,效率较低,相对很难找到一个合适的核函数。人工神经网络具有强大的非线性处理能力,并行计算能力、自学习和自适应能力,和更好的记忆力和容错能力。使用神经网络对电力负荷预测时,不需要特殊处理数据或模型,神经网络可以实现更好的拟合效果,其自主学习能力和自适应能力。因此,神经网络已经广泛应用在电力负荷预测领域。例如,文献[11)提出了一个短期电力负荷预测模型基于混合GA-PSO-BPNN算法。在文献[12),考虑到影响因素如温度、相对湿度、日期类型,和历史负荷、一个新的短期负荷预测方法提出了基于核函数极端学习机模型。文献[13)利用小波神经网络预测电力负荷。然而,当地的人工神经网络有缺点的隐层单元的数量,确定困难。

此外,为了充分利用多频和电力系统的非线性负荷,一些学者使用第一分解然后集成预测方法来预测电力系统负荷。例如,文献[18利用经验模态分解(EMD)分解电力负荷,然后使用支持向量回归(SVR)进行建模预测,在文献[19),原始数据加载使用集成经验模态分解分解(EEMD),然后使用Elman神经网络预测。尽管EMD和EEMD可以自动分解模态组件基于数据,方便学习,然而,EMD和添加白噪声的改进EEMD遭受“端点效应”在分解过程中会出现发散现象的边缘数据。随着迭代的进展,数据序列可能会严重扭曲与模态混叠和虚假的组件(20.]。因此,变分模态分解方法,可以克服端效应应用在许多领域。例如,文献[21)使用EMD和VMD分别分解价格数据,然后使用GRNN预测每一个组件,并使用GRNN每个组件集成。实验结果表明,通过使用VMD方法获得的预测精度更高。文献[22]使用VMD分解电力负荷数据,然后预测单个子组件使用极端学习机(ELM),然后获得最终的电力负荷预测价值通过整合个人子组件。尽管这两个文献已经提高了预测精度与单一预测模型相比,他们不考虑信息分解过程中可能发生的损失和其他因素对数据的影响。众所周知,电力系统上的负载也受到假期和温度等因素的影响。因此,一些学者开始考虑这些因素对电力负荷的影响。例如,文献[23]使用自相关函数(ACF)找到一次之间的依赖关系,其他时间在时间序列,然后建立模型结合回归模型来预测电力负荷。然而,这种方法只考虑电力负荷时间序列之间的关系,没有进一步考虑其他影响因素对负荷的影响。文献[24)使用互信息方法考虑影响因素对电力系统负荷的影响。然而,互信息将产生相对更大的冗余,提高模型的输入,减少模型的运行速度(25]。

基于上述方法的讨论,本文首先使用完全不同的VMD EMD和EEMD理论分解原始负荷,提高模态混叠出现在EMD和EEMD,与不同的波动特征获取货币基金后,所有货币分为高频分量,中频分量和低频分量,然后使用不同的预测方法来预测每个类型的频率成分来改善单一预测模型的局限性。在高频率成分的预测,本文使用摘要进行预测。这是因为高频率成分具有很强的非线性,和一个隐藏层摘要通常可以以任意精度逼近任意非线性函数。这个特点使得摘要非常受欢迎的在预测复杂非线性系统(26]。虽然摘要容易陷入局部最小值的问题,和RBF神经网络可以改善这个问题,隐层神经元的数量远远高于RBF神经网络,摘要,当训练样本的增加,这使得RBF神经网络的复杂性增加,结构也太大,所以计算的数量也增加了。的卷积神经网络(CNN)的代表算法深度学习算法,虽然分享卷积核,也就是说,对高维数据处理,没有压力,没有需要手动选择功能,它需要大量的样本来调整参数,因为它有更多的结构层相比,摘要利用网络。此外,为了克服摘要的缺点,许多学者提出了不同的方法来优化初始连接权值和阈值的传统的摘要。例如,文献[11使用遗传算法和粒子群优化(PSO)摘要利用优化参数。这两个优化模型的收敛速度和预测精度都优于传统的BP神经网络模型(26]。对于中等和较低的频率成分,用于回归模型的预测。基于支持向量机回归模型是一种扩展,这是通过将标准SVM不等式约束转化为等式约束。基本思想是将输入向量映射到高维特征空间的非线性变换。当构建最优决策函数在这个空间,应用结构风险最小化的原则,原空间的核函数是用来取代高维空间中的内积操作(27]。回归模型有一个简单的结构和一些参数在控制之下,这是有利于预测中间和低频率成分与温和的波动。此外,为了提高回归模型的预测精度,一些学者使用优化算法来优化回归模型的参数。例如,文献[10]IBSA使用优化参数,提高负荷预测的准确性。每个频率分量在预测的过程中,为了分析的影响时间,假期和其他影响因素对每个组件来弥补缺失的信息可能在电力负荷分解和消除的过程中共同造成的大量冗余信息,和,输入数量减少,本文将使用最大相关最小冗余(mRMR)基于互信息选择的集合特征因素对每个组件的特性影响最大的事先建立的影响因素,然后使用一组一起作为输入的每个组件模型。最后,BP神经网络用于集成的预测结果每个组件来获得最终的电力系统负荷预测的价值。

2。材料和方法

2.1。VMD

为了解决端点效应引起的EMD和EEMD充分利用多频和电力系统负荷的波动,本文使用VMD分解电力系统的负载数据。VMD Dragomiretskiy和Zosso提出的2014年(28),自适应维纳滤波器的本质是一组,可以使用nonrecursive模式分解同时估计不同的中心频率的方法。

VMD的分解过程算法求解变分问题的过程。该算法可分为变分问题的建设和寻求解决方案。它主要包括三个重要概念:经典维纳滤波,希尔伯特变换,和频率混合(29日]。

2.1.1。变分问题的建设

假设每个形态是一种有限的带宽和中心频率、变分问题可以描述为寻求预设模态函数条件下,使每个形态的估计带宽的总和最小,约束条件是每一个模态的总和是原输入信号和具体施工步骤如下:

(1)通过希尔伯特变换,每一个模态的分析信号的功能,为了获得它的单边频谱: (2)添加一个估计中心频率每个模式的解析信号,每一个模态的光谱可以调制频段对应的基地: (3)计算上述的L2范数平方解调信号梯度,并估计每一个模态信号的带宽。变分问题表示如下: 在哪里 是模态函数集; 是中央频率设置;是函数的偏导数的时间吗 ;单位脉冲函数;是虚数单位;∗表示卷积。

2.1.2。变分问题寻求解决方案

一个增广拉格朗日函数介绍了将上述优化问题转换为获得最小值的问题吗通过交替方向乘法器的方法 在哪里代表了带宽参数;代表了拉格朗日乘子。

具体解决方案步骤如下(30.]。

(1)找到函数的最小值 : (2)计算函数的最小值 : (3)应用迭代约束条件如下:

VMD方法的实现过程如下(30.]。(1)参数初始化 ;(2)选择的迭代次数 ;(3)我们的规模从1到预设的规模和更新的功能 ,对所有 : 然后更新函数 : (4)双重晋升为所有 : 在哪里表示噪声公差系数,它被设置为零,以确保有效的去噪。(5)重复步骤(2)到(4)直到情商的约束。7)是满意的。

2.2。mRMR

mRMR是使用互信息的方法来衡量两个变量之间的依赖关系,不仅考虑特征之间的相关信息和目标变量,而且获得特征之间的冗余信息。

2.2.1。解决方案的最大相关性

基于mRMR方法,最大相关准则可以表示为特征之间的互信息的平均值和目标变量(31日]:

地点:是特征,表明每个组件的影响因素;是组件;是功能集,它是集的特性 ; 功能特性集的数量吗 ; 的意思是每个特性之间的互信息在特性集和目标变量 ; 功能之间的互信息吗和目标变量 ,和它的表达式如下31日]:

地点: , ,和 边缘概率密度函数和随机变量的联合概率密度函数 , ,分别。变量之间的相关性就越大和变量 ,更大的价值 互信息;当两个变量是相互独立的,互信息值是零,这意味着没有两个变量之间的相互依赖。

2.2.2。最小冗余的解决方案的过程

自选择的特性最大相关准则可能有一些冗余,而输入冗余特性不仅增加了大量的输入功能,但也降低了预测模型的准确性。因此,在特征选择过程中,需要计算特征之间的冗余度。任意两个特性之间的重叠信息变量,即冗余信息。

最小冗余要求每个功能x是最小化之间的依赖关系,它可以表现出下列情商。31日]:

然后mRMR可以表示由方程(11)和(13):

一般来说,可以使用增量搜索功能搜索方法(29日]。假设被选择的特性集的功能共同构成的特性集 ,第n个特性公式的选择 根据增量搜索方法,公式如下:

2.3。各种频率分量预测模型

摘要利用具有同时处理不同信息的能力,优秀的非线性拟合能力,自学能力,和非常有效的处理复杂问题的能力。因此,摘要是用来预测高频组件。最小二乘支持向量机(二)模型具有结构简单、学习速度快、良好的泛化、回归预测性能。因此,用来预测回归模型的中间和较低的频率成分。摘要的方法和生物非常成熟,广泛应用于电力系统负荷预测(11,23,25,不会这里描述。

2.4。预测模型

本文运用预测模型的“分解功能analysis-multi-frequency prediction-integration”。模型首先使用VMD分解原电力系统负荷数据获取模态组件不同的波动特征,和这些组件分为高频组件,中频组件和低频组件根据其波动特征。然后通过mRMR,因素集,对每个组件选择,影响最大的,集和相应的模态分量同时作为模型的输入。最后,摘要是用来预测高频组件,用来预测回归模型的中间和较低的频率成分,摘要也用于集成各频率分量的预测值来获得最终的电力系统负荷预测的价值。模型流程图如图1。

为了评估模型的性能,三个评价指标:平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(日军)。公式如下:

3所示。结果与讨论

3.1。分解原始数据加载

摘要EMD, EEMD VMD将用于分解数据,然后进行比较和分析。原始数据图所示2的爆炸视图,每个模型图所示3。

在本文中,每天有96数据点。从图可以看出2当地电力负荷价值开始下降进入2月后,然后在2月中旬,它再次增加,波动趋于稳定。此外,通过观察数据,可以发现电力系统负荷数据是96年的周期,也就是说,每96点类似的波动发生,可以看出《每日负载变化情况非常相似。更直观的数据视图,表1描述加载数据的基本信息。

它可以清楚地看到从表1这组的最大负荷值负载值为5355.7 MW,最小值为1788.3兆瓦,和两个相差3567.4 MW,可以看出,负载的波动非常强烈。此外,群体的负载值的平均值是3305.3 MW,标准差为794.6兆瓦,可以看出分散的数据很大的措施,进一步解释了强烈的波动,非线性负载数据。

从图可以看出3,EMD分解数据加载到10剩余模态组件和1。前四个组件的波动(IMF1-IMF4)是相对强劲,和从组件IMF5,波动开始温和,IMF8-IMF10波动,其余都是温和的。EEMD分解的数据加载到12模态组件和1余数。IMF1-IMF5相对强劲的波动,波动的组件从IMF6-IMF8开始缓解,IMF9-IMF12的波动,其余都是温和的。自EMD分解和EEMD有相同的终止条件,余数是单调函数。

VMD分解数据加载到10模态组件。因为有不同的分解与EMD和EEMD终止条件,最后组件不是单调函数,可以看出VMD已经摆脱了经验分解方法。同样,它也分解高波动的数据加载到组件(IMF1-IMF5),温和的组件(IMF6-IMF9),和更为温和的组件(IMF10)。进行进一步分析,进一步分析了色。EMD的谱分解图,EEMD, VMD如图4。

从图可以看出4EMD和EEMD不可避免地产生模态混叠在分解过程中,也就是说,一个模态分量分解为多个分解结果。例如,IMF4图的频带4(一)重叠与IMF3 IMF5;的频带IMF3和IMF4图4 (b)重叠。与此同时,上述图中不发生重叠现象4 (c),即VMD分解方法。

可以看出VMD提高模态混叠在分解过程中。基于数据3和4,我们可以得出这样的结论:EMD, EEMD VMD能有效分解电力系统负荷和多频波动和获得不同的波动特征的组件。此外,尽管EEMD理论上的基础上改进的EMD,经验模式分解使它虚幻的组件和模态混叠发生不可避免的。然而,VMD改善这一现象,使电力系统负荷数据更充分地分解和身体获得更多有意义的组件,做一个良好的基础进行负荷预测,充分利用电力系统负荷的波动性和多频数据。

3.2。特征信息选择

电力系统负荷值的大小影响因素如季节,时间和假期。因此,本文将建立一系列影响因素的特征并选择输入特性集 适合VMD分解后的每个组件。影响因素集构建和表示方法如表所示2。

在表2,代表时间。在这篇文章中,有96个数据点在一天之内,也就是说,四个数据点一个小时。每天从0.00到23.45显示时间的变化; 代表了月,1表示1和2表示2月等等; 代表一个星期,星期一是1,周二是2,等等; 表明这是一个假期(1意味着它是假日); 表明季节,春天,夏天,秋天和冬天分别由1、2、3、4; 代表负载值之前的时刻 ,例如, 代表的价值在15分钟之前的时刻 ,等等。

建立影响因素的集合特性后,增量搜索方法用于查找功能满足情商。15)形成候选特征集 ,然后计算每个特性的mRMR价值 ,然后按照降序mRMR值进行排序,输入mRMR一个接一个进入预测模式计算日军错误,计算公式是情商所示。18)。最后,特征的数量与最小的误差作为最后的输入特性集 。

本文使用IMF6为例。候选人的mRMR价值特性集 增量搜索后得到如图5。每个特性的分类名称在图5,也就是说,IMF6候选特征集的顺序如表所示3。

结合表3和图5的特点,可以看出mRMR值超过1 ,总共15。通过观察这些特征,可以发现,除了是第三个月,所有的其他是历史负荷值,这些历史负荷值集中在加载数据从2小时到4小时之前的时刻 ,表明,IMF6大大影响历史数据加载前2个小时到4小时。

如上所述,mRMR值的候选特征集 按降序排序和输入到预测模型中一个接一个,然后是日军是用来计算错误,组成的一组特征的数量和最小的误差作为输入特性集吗 。IMF6输入维数之间的关系和错误如图6。

从图可以看出6输入特征数量的增加,IMF6不断波动的预测误差,和一个小错误时输入的数量是11日19日和24日,但相比之下,当输入的特性是11,误差是最小的,所以功能的输入功能的数量 国际货币基金组织的6是11。它的输入特性如表所示4。

我们可以看到通过观察表4IMF6,输入的特性都包含在前面的15个组件分析mRMR值超过1。mRMR值在降序排列的特点是一个一个地输入预测模型计算误差和获得的数量与最小误差特性,大大降低矩阵维数,提高了运行速度。

输入特性集 获得的其他组件使用的方法获得IMF6组件输入特性集。每个组件的输入维数之间的关系和错误如图7。

从图可以看出7输入的数量之间的关系特性和误差大致可以分为以下几类:错误首先降低,然后增加,例如,数字7(一)和7 (d)第一错误减少,输入特征量达到一定值后,又开始增加;错误总是越来越多,例如,数字7 (b)和7 (c)开始时,误差达到最小或后一个小波动,然后不断增加,没有减少的趋势或趋势不明显;例如,错误总是减少的数字7 (e)和7 (g),最后输入特征量确定根据误差最小;误差的变化趋势是波动的,也就是说,随着特征数量的增加,误差曲线不断波动,如图7 (f)和7 (h)- - - - - -7 (j),误差波动的过程中,选择输入特性和最小的错误的数量。选择的特性和他们的名字数图7如表所示5。

为了方便在表的表示5、功能名称顺序表达的不是像IMF6 mRMR值的降序排列。表5表明IMF8-IMF10除外,其他组件都有历史负荷特点和占很大比例的输入特征。可以看出,历史负荷值对IMF1-IMF7产生更大的影响,尤其是IMF1 IMF5, IMF7,有18个,17日和11个历史负荷特性,分别在IMF8-IMF10主要受到时间的影响,月,周,和季节。

此外,相关系数法和互信息(MI)是用于选择每个组件的影响特征。选择结果如表所示6。

比较表5它可以从表6相关系数法,IMF1的特点,IMF4,和IMF5接近mRMR,和其他组件的特征的数量大于mRMR。同样,特征选择MI的数量,除了IMF4和IMF5,大于mRMR。因此,这两种方法增加矩阵维数,减少操作的速度。此外,与表进行比较5,可以发现,除了IMF2 IMF4,和IMF5以外的其他组件将影响功能历史负荷值,但相关系数选择和MI选择后,其他功能的影响不明显。这是由于相关系数法和互信息只考虑变量之间的相关性但忽视了两个变量之间的冗余,而mRMR不仅考虑两个变量之间的相关性,也认为他们的冗余,所以选择的影响比其它两种方法更多样化特性。总之,使用mRMR特征选择降低矩阵维数,提高操作的速度和更好的反映了各种特征因素对每个组件的影响。

3.3。各种频率分量预测

根据图中的每个频率分量的波动特征3(c),前五个组件与小波动时期(IMF1-IMF5)被列为高频率成分,最长的IMF10分为低频数据,和其余组件(IMF6-IMF9)中频数据。关于分工的训练集和测试集11520加载数据从1月2日,2016年4月30日,2016年,本文将使用多个比例,在考虑影响因素的前提下,利用训练集的数据训练模型和测试集进行预测,日军和评估最终的预测结果。比较结果如表所示7。

从表可以看出7的比例,增加训练集和测试集的比例减少,预测误差结果先降低,然后增加。这是因为一开始训练集数据少,模型训练精度不够,从而导致较大的预测误差。然后,随着训练集的比例增加,模型的预测精度也增加。错误在后面开始增加是由于训练集数据太多,和模型过度学习在培训过程中,使得模型的泛化能力更糟糕的是,预测误差增加。总之,本文在总共11520加载数据点从1月2日,2016年4月30日,2016年,10752加载数据点从1月2日,2016年4月22日,2016年将被用作intra-sample数据,然后使用所选的模型来进行预测768加载数据点从4月23日,2016年4月30日,2016年。

除此之外,在将影响因素之前,摘要和直接回归模型用于预测不同的频率成分分解VMD的4.1,并使用日军计算预测误差。结果如表所示8。

从表可以看出8高频组件IMF1-IMF5,摘要的预测精度明显高于二。中频和低频分量,在IMF6,都是非常接近的预测精度,在其他国际货币基金组织(IMF),中间的预测精度和较低的频率成分,明显高于摘要利用回归模型,特别是在IMF8,它正变得越来越明显。总之,相比之下,对高频分量,摘要的预测性能优于回归模型,而对于高频和中频组件,回归模型的预测性能优于摘要。

在完成上述讨论,各频率分量的特性,选择在4.2中,在预测过程中考虑。

3.3.1。高频分量的预测

根据上述,高频分量被摘要预测,预测结果如图8。在建模过程中,迭代的数量设置为1000,学习速率为0.1,和预期的误差是0.0004。神经网络的结构是3-input和1输出。本文提到的三个输入某些组件和功能的三个原始点对应的三个原始分在一起作为输入。此外,在本文中,我们使用的方法文献[32],它结合了“试错法”与“十倍交叉验证法”来确定BP神经网络的隐层节点数。也就是说,在附近的隐层节点的数量计算公式(19),分别构造BP神经网络,然后每组的均方误差(MSE)获得的数据是通过使用“十倍交叉验证法”,最后的节点数量,最小均方误差的平均值,作为BP神经网络的隐层节点数。在方程(19)如下32]。

在哪里隐层节点的数量, 输入层节点的数量, 是输出层节点的数目。根据上述方法,隐层节点的数量是每个高频组件如表所示9。

经过上述预测模型通过训练,每个高频组件分别预测。预测结果如图8。

从图可以看出8,高频分量具有强大的波动和高频率,尤其是IMF1 IMF2,和IMF3最强的波动,所以误差预测地图比其他组件(IMF4 IMF5)。IMF4变动和IMF5减少,错误会减少。但总的来说,摘要的高度自学习和自适应能力适合强烈波动和短期预测高频组件。

3.3.2。预测的其他组件

本文回归模型用于预测中频和低频分量。使用径向基函数(RBF)建模过程和正则化参数和核参数优化使用粒子群优化算法(PSO),然后每一个中间的回归模型的参数和低频成分如表所示10。

中间和低频组件是根据回归模型预测表10。预测结果如图9。

从数据可以看出9和8波动的中频分量(IMF6-IMF9)和低频分量(IMF10)更温和波动比高频组件。因此,作为其波动逐渐缓解,预测结果越来越好。可以看出,使用回归模型和学习速度快和良好的泛化预测的中间值和较低的频率成分波动是温和的小错误。

3.4。每个频率分量的组合结果

本文摘要用于集成高,中级,低频分量,并比较综合的结果与使用回归模型,在整合的过程中,每个组件的实际价值在训练数据集作为输入,训练数据集的实际负荷值作为输出,训练它,最后使用每个组件的预测值在测试数据集作为输入来获得最终的电力系统负荷预测的价值。结果显示在图的组合10。

上面的图之一10电力负荷预测的结果,下一个是实际值和预测值之间的误差,绿色的点分布的预测价值。通过观察图可以看出10,大多数的预测点可以分布在实际价值,除了几个点偏离实际值。然而,在图10预测价值分配点(a)比(b)更集中,尤其是头,最后,这表明摘要比回归模型的集成效应。

3.5。多个预测模型结果的比较

为了测试该模型的预测效果,并进一步分析的预测图的结果10相比,我们提出的模型对单一模型(ARMA,摘要,为生物)和分解模型(EMD, EEMD VMD)来验证其有效性。其中,EMD, EEMD VMD分解模型都使用分解方法分解原始数据加载,然后将子组件划分为高,中间和较低的频率成分,并使用摘要预测高频组件和使用回归模型预测中间和低频分量,最后,摘要用于集成。结果如图所示11。

它可以清楚地看到从图11单一预测模型的预测点偏离距离与多频组合预测模型(EMD, EEMD VMD),而在多频预测模型相结合,可以看出改进的基于EMD EEMD比EMD和VMD的预测结果是最好的,VMD的原则是完全不同于其他两个。这表明多频组合预测模型的预测精度高于单一预测模型,而VMD多频组合预测模型,解决了模态混叠的问题和虚幻的成分预测精度最高。

上述评价指标的结果,我们用来确保一个全面的比较如表所示11。

通过比较模型的结果图10和图11(比较如表所示11),可以清楚地看到单一预测模型的误差比的多频组合预测模型。对不同的多频组合预测模型的预测精度,VMD模型比EEMD模型和EMD模型。此外,结合VMD mRMR之后,mRMR-VMD的预测精度高于VMD模型,考虑影响因素模型,使用摘要集成的效果优于使用回归模型。VMD的多频组合预测模型使用不同的特征选择方法,VMD多频组合预测模型的预测精度使用mRMR比VMD多频组合预测模型采用相关系数法和MI。总之,多频组合预测模型基于mRMR特征选择和VMD提出优于其它模型。

4所示。结论

本文提出一种基于VMD的电力系统负荷预测模型和特征选择。通过比较三种分解方法的EMD分解结果,EEMD, VMD,可以看出VMD可以解决问题的模态混叠和虚幻的组件。通过示例分析,可以看出,预测精度提高后解决问题的模态混叠和虚幻的组件。

本文使用VMD分解原始加载后,所有货币分为高频分量,中频分量和低频分量根据每个频率分量的变化特征。此外,当使用mRMR有关每个组件选择特性,首先建立了候选特征集增量搜索方法,然后每个特性的mRMR值计算并以降序排列。最后,安排特征输入到预测模型计算日军一个接一个,选择最低日军的数量输入组件的特性。此外,本文还比较了三种特征选择方法包含mRMR、相关系数法和MI,结果表明mRMR可以降低矩阵维数和更好的选择每个组件的影响特征。

完成上述工作后,每个组件都是输入到模型与相应的预测特征矩阵。在预测过程中,摘要是用来预测高频组件和回归模型预测中频和低频组件提高单一预测模型的局限性。最后,摘要,并有很强的非线性映射能力,较高的自学,和自适应能力用于结合的预测价值高,中级,低频分量,也就是说,与每个组件示例数据作为输入,并与实际负荷值作为输出训练模型,然后使用每个组件的预报值作为输入来预测最终的电力系统负荷预测的价值。最后,我们使用美、RMSE和日军比较本文预测模型的预测结果与单一预测模型(ARMA摘要,为生物)和多频组合预测模型(EMD, VMD EEMD)和模型VMD多频组合预测模型分别结合相关系数和MI.By比较,发现多频组合预测模型的预测精度高于单一预测模型和本文模型的预测精度高于其他多频组合预测模型。

在预测过程中,发现当mRMR值降序排序输入预测模型计算日军的价值,有一种情况下,日军波动输入特征数量的增加。例如,在图7(我)可以看出,当特征的数量是2和3,日军值非常接近,而在某种意义上,并没有太多不同之处输入维度当输入特征的数量是2和3。那么如何处理这种情况下更好的特征选择过程中,是否有更合理的特征选择方法来分析特性和电力负荷之间的关系将成为未来的研究对象。

数据可用性

电力负荷数据用于支持本研究的发现没有提供,因为政策限制中国的电网。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中国国家重点研究和发展计划(批准号2016 yfc0401409),以及中国的国家自然科学基金(批准号。51679186,51679188,51979221,51709222),和研究生态国家重点实验室基金在西北干旱地区,西安科技大学(批准号2019 kjcxtd-5),和陕西省的关键研究和发展计划,(批准号2018 - zdcxl gy - 10 - 04),陕西和自然科学基础研究项目(项目号2019 jlz-15)。

引用

1. t .张和j .顾“高可再生能源比例和马尔可夫短期负荷预测方法,”电网技术,42卷,不。4、1071 - 1078年,2018页。视图:谷歌学术搜索
2. j·s·林和j .姚明,“基于BP神经网络的组合预测及其应用在电力系统负荷,”上海科学技术大学》杂志上,27卷,不。5,79 - 83年,2005页。视图:谷歌学术搜索
3. z . c .陈“电力系统负荷预测使用时间序列,电力系统自动化4卷,10 - 18,1982页。视图:谷歌学术搜索
4. t . Zhang和j·l·朱”,应用小波变换和回归分析用于短期电力负荷预测,“哈尔滨科技大学杂志》上,13卷,不。1,第76 - 74页,2008。视图:谷歌学术搜索
5. l . s . Li刘,刘y”应用tremds外推法在电力负荷预测,“沈阳工程学院学报(自然科学),1卷,不。2 - 3、64 - 65年,2005页。视图:谷歌学术搜索
6. l .戴“研究和实现基于神经网络的电力负荷预测方法,”中国电子科技大学,2012年。视图:谷歌学术搜索
7. n . l .大z . j .侯t·李和c . w .江”新原理基于小波变换的电力系统短期负荷预测,“中国电机工程学报,23卷,不。1,46-51,2003页。视图:谷歌学术搜索
8. p . Fryzlewicz s . Van Bellegem, r·冯·萨克斯”预测的非平稳时间序列的小波过程建模,”研究所的年报统计数学,55卷,不。4、737 - 764年,2003页。视图:出版商的网站|谷歌学术搜索
9. 丁,k . w . Hipel, Y.-G。见鬼,”预测中国电力消费使用一种新的灰色预测模型,”能源卷,149年,第328 - 314页,2018年。视图:出版商的网站|谷歌学术搜索
10. l l。李,Z.-F。刘,>。曾,a . s . f .赵”,提高锂离子电池寿命可预测性使用混合方法,”应用软计算卷,74年,第121 - 110页,2019年。视图:出版商的网站|谷歌学术搜索
11. y, j . Li m .香港et al .,“短期电力负荷预测模型及其验证过程工业企业基于混合GA-PSO-BPNN算法a造纸过程的案例研究,“能源卷,170年,第1227 - 1215页,2019年。视图:出版商的网站|谷歌学术搜索
12. 刘张n和t . j .,”核函数榆树短期负荷预测方法考虑影响因素,”工程武汉大学学报,51卷,不。8,703 - 714年,2018页。视图:谷歌学术搜索
13. d·h·张,s . f . Jinag y Bi,和g·b·周”的研究基于小波神经网络的电力系统负荷预测,“电力自动化设备,23卷,不。8日,29-32,2003页。视图:谷歌学术搜索
14. n张”,短期负荷预测模型基于EEMD和极端的学习机器,”贵州大学学报(自然科学),34卷,不。6,39-48,2017页。视图:谷歌学术搜索
15. y .问:郑,短期电力负荷预测的研究基于经验模态分解和人工神经网络,重庆大学,中国,2009。
16. 郭t . b . s . f . Liu, y . g .见鬼灰色系统理论及其应用,科学出版社,北京,2000。
17. r . g . Brereton和g·r·劳埃德”为分类和回归支持向量机,”分析师,卷135,不。2、230 - 276年,2010页。视图:出版商的网站|谷歌学术搜索
18. 观测。香港和G.-F。粉丝,“混合经验模态分解与支持向量回归模型对短期负荷预测,“能量,12卷,不。6,1093年,页2019。视图:出版商的网站|谷歌学术搜索
19. 毛y y . p . Chen,陈平,w·通和j·l .元,“短期负荷预测基于EEMD-sample熵和elman神经网络,”电力系统与自动化》杂志上,28卷,不。3,59 - 64年,2016页。视图:谷歌学术搜索
20. 吴y . j .,”研究风力发电机传动系统的故障诊断基于变分模态分解,“华北电力大学,2016年。视图:谷歌学术搜索
21. 美国Lahmiri”,比较变分和经验模态分解预测日前能源价格,”IEEE系统杂志,11卷,不。3、1907 - 1910年,2015页。视图:出版商的网站|谷歌学术搜索
22. w·李,c . x, x y . Wang和美国,“短期电力负荷预测基于VMD和榆树,”波兰环境研究杂志》上,27卷,不。5,2143 - 2154年,2018页。视图:谷歌学术搜索
23. a·l·杨,w·d·李,x,“短期电力负荷预测基于特征选择和最小二乘支持向量机,”以知识为基础的系统卷,163年,第173 - 159页,2019年。视图:出版商的网站|谷歌学术搜索
24. a·艾哈迈德·n . Javaid m . Guizani n . Alrajeh z . a .汗,“一个准确和快速收敛的短期负荷预测模型工业应用在智能电网中,“IEEE工业信息,13卷,不。5,2587 - 2596年,2017页。视图:出版商的网站|谷歌学术搜索
25. x y香港、c·李、郑,l . Yu x和y妈,“基于经验模态分解的短期负荷预测方法和特性相关性分析,“电力系统自动化,43卷,不。5,2019。视图:谷歌学术搜索
26. 曾y l . Wang, t·陈,“反向传播神经网络与自适应差分演化算法对时间序列预测,“专家系统与应用程序,42卷,不。2、855 - 863年,2015页。视图:出版商的网站|谷歌学术搜索
27. z n . Li f·l·道W.W. Shi, n .江j·h·李和s . c .倪”中期电力负荷预测基于频谱分析和回归,”电力系统保护和控制,39卷,不。9日,第96 - 88页,2011年。视图:谷歌学术搜索
28. k Dragomiretskiy和d . Zosso decomposotion变分模式”,IEEE信号处理,卷62,不。3、531 - 544年,2014页。视图:出版商的网站|谷歌学术搜索
29. 吴y . j . C . l . Liu, C . g .甄”滚动轴承故障诊断基于变分模态分解和模糊C聚类手段,“中国电机工程学报13卷,第3365 - 3358页,2015年。视图:谷歌学术搜索
30. z . w .王研究基于变分模态分解的故障诊断方法燕山大学,中国,2015。
31. f·h·h·c·Peng长,c .丁”的基于互信息的特征选择标准max-dependency, max-relevance, min-redundancy,”IEEE模式分析与机器智能,27卷,不。8,1226 - 1238年,2005页。视图:出版商的网站|谷歌学术搜索
32. l . p . y . t . Zhang z z Wang刘et al .,“10 kV配电网线损预测方法基于灰色关联分析和改进的人工神经网络,”电力系统技术,43卷,不。4、1404 - 1410年,2019页。视图:谷歌学术搜索

版权

版权©2020帮派Zhang et al。这是一个开放访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。