CN104794538B - 基于ieemd-bpnn的电力系统短期负荷预测方法 - Google Patents
基于ieemd-bpnn的电力系统短期负荷预测方法 Download PDFInfo
- Publication number
- CN104794538B CN104794538B CN201510184882.6A CN201510184882A CN104794538B CN 104794538 B CN104794538 B CN 104794538B CN 201510184882 A CN201510184882 A CN 201510184882A CN 104794538 B CN104794538 B CN 104794538B
- Authority
- CN
- China
- Prior art keywords
- sub
- bpnn
- ieemd
- power
- imf components
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 abstract description 2
- 238000002834 transmittance Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000368 destabilizing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统负荷预测技术领域，特别涉及一种基于改进总体经验模态分解(IEEMD)与反向传播神经网络(BPNN)的电力系统短期负荷预测方法。步骤1：使用改进的EEMD(IEEMD)对非稳态、非线性的历史电力负荷数据进行分解，得到一系列平稳的本征模态函数(IMF)分量及一个趋势余量。步骤2：剔除步骤1中所得的第一阶IMF分量(IMF1)。步骤3：使用BPNN分别对步骤1和步骤2所得的各阶IMF分量及趋势余量进行预测。步骤4：使用BPNN对步骤3所得的各阶IMF分量及趋势余量进行非线性组合，得到电力负荷最终预测结果。
Description
技术领域
本发明属于电力系统负荷预测技术领域，特别涉及一种基于改进总体经验模态分解(Improved Ensemble Empirical Mode Decomposition,IEEMD)与反向传播神经网络(Back Propagation Neural Network,BPNN)的电力系统短期负荷预测方法。
背景技术
短期负荷预测通常指预测某个电力系统未来几个小时、一天到几天的负荷变化，时间间隔为15分钟、30分钟或1小时，是电力系统运行、控制和规划不可缺少的一部分。由于电力系统负荷经常受到系统运行特性、天气、社会活动等不稳定因素的影响，呈现出极强的非稳态、非线性特征，要对其进行准确预测存在很大的难度。
经验模态分解(Empirical Mode Decomposition,EMD)是一种用于非平稳、非线性信号分析的新方法。该方法既吸取了小波变换的多变分析优势，又避免了小波变换中需要选取小波基的困难，且具有良好的局部适应性。但是，EMD分解自身也存在一些不足，例如当数据不是纯的白噪声，EMD分解会出现模态混叠现象。针对传统EMD方法的不足，提出了一种噪声辅助数据分析方法—EEMD方法。该方法能够有效克服传统EMD方法的模态混叠现象，但存在端点效应问题，容易使得信号分解结果的两端失真，不利于后续分析处理。
发明内容
为了解决以上技术问题，本发明提供一种基于改进EEMD(Improved EnsembleEmpirical Mode Decomposition,IEEMD)与BPNN的电力系统短期负荷预测方法，该方法可以降低电力系统短期负荷序列的非平稳性，利用IEEMD方法在非平稳、非线性信号分析方面的优点和BPNN适用于非线性组合预测的特性，从而准确对其进行预测，该预测方法包括如下步骤：
步骤1：使用改进的EEMD(IEEMD)对非稳态、非线性的历史电力负荷数据进行分解，得到一系列平稳的本征模态函数(Intrinsic Mode Function,IMF)分量及一个趋势余量。
步骤2：剔除步骤1中所得的第一阶IMF分量(IMF1)。
步骤3：使用BPNN分别对步骤1和步骤2所得的各阶IMF分量及趋势余量进行预测。
步骤4：使用BPNN对步骤3所得的各阶IMF分量及趋势余量进行非线性组合，得到电力负荷最终预测结果。
具体解释为：
步骤1：使用改进的EEMD对非稳态、非线性的历史电力负荷数据进行分解。
这其中，改进的EEMD方法包含如下步骤：
子步骤11：以原始信号左端处理过程为例。将待处理信号左端端点t0设置为待匹配波ω的起点，将t0后n点t1设置为ω的终点。此处，n为一天时间内的采样点数。1440为一天的总分钟数，T为采样时间(min)。
子步骤12：计算ω与原信号其余子波段ωi之间的波形相似度ρ，并以最大ρ值所对应的子波段ωmatch作为与ω最相似的子波段，ρ的计算公式如下：
其中，cov(ω,ωi)为两波段的协方差，σ(ω),σ(ωi)分别为ω与ωi的方差。
子步骤13：建立ω与ωmatch之间的数据相关性，公式如下：
Y＝a+bX
其中，X、Y分别为ω和ωmatch的幅值向量，a、b为相关性系数。
子步骤14：以ωmatch左端端点t'0为待延拓波形ωmatch-left的起点，以t'0前n点t1'为ωmatch-left的终点，求出延拓波形ωextension，计算公式如下：
子步骤15：使用EEMD对延拓后的信号进行分解后，移除所得IMF分量和趋势余量两端的延拓数据。即可得到原信号的IEEMD分解结果。
这其中，EEMD方法包含如下步骤：
子步骤151：向信号x(t)中加入白噪声序列ni(t)(i表示第i次向信号中添加白噪声)，得到混合信号xi(t)，计算公式如下：
xi(t)＝x(t)+ni(t) (i＝1,2,...,k)
子步骤152：对信号xi(t)进行EMD分解，得到一组IMF分量，记为ci,j(t),j＝1,2,...,m,j为IMF分量的阶数。
子步骤153：重复子步骤151～152，并且每次加入不同的白噪声序列，最后共得到k组不同的IMF分量。
子步骤154：将得到的各阶IMF分量分别求平均，均值作为EEMD分解的最终结果，计算公式如下：
步骤2：剔除步骤1中所得的第一阶IMF分量(IMF1)。
这其中，IMF1幅值极小，为原信号主要高频噪声来源，几乎不包含有用信息，并对电力负荷预测造成极大干扰。因此，本方法移除IMF1，以提高电力负荷预测精度。
步骤3：使用BPNN分别对步骤1和步骤2所得的各阶IMF分量及趋势余量进行预测。
这其中，BPNN是一种多层前馈神经网络，它能以任意精度逼近任何非线性连续函数，具有很强的容错性和很快的处理速度，适用于进行非线性预测。
步骤4：使用BPNN对步骤3所得各阶IMF分量及趋势余量的预测结果进行非线性组合，得到电力系统短期负荷预测结果。
这其中，由于分解后的各阶IMF分量及趋势余量对最后的负荷预测结果的贡献率不同，简单的线性组合会影响负荷预测模型的预测精度，故使用BPNN对各阶IMF分量及趋势余量进行非线性组合，以得到最优预测结果。
这其中，可使用均方根误差(Root Mean Square Error,RSME)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)三种评价指标来评价预测方法的优越性，三种指标的计算公式如下：
这其中，xi代表着实际值，代表着预测值，N代表着采样点数。
这其中，RSME、MAE、MAPE值越小，说明负荷预测精度越高。
本发明所提出的基于IEEMD-BPNN的电力短期负荷预测方法提高了短期负荷预测的精度。
附图说明
图1为基于IEEMD与BPNN的电力系统短期负荷预测方法流程图。
图2为IEEMD方法流程图。
图3为基于IEEMD与BPNN的电力系统短期负荷预测模型。
图4为纽约电网2004年6月21日至6月30日的实际电力负荷信号与重构电力负荷信号。
图5为Amjady、Bahrami与本发明实施例所得的所得的电力负荷预测结果与实际电力负荷。
具体实施方式
如图1所示，本发明所提出的电力负荷预测方法主要分为四个步骤。
第一步是对历史电力负荷数据进行IEEMD分解，以降低其非平稳性；第二步是将所得的第一阶IMF分量(IMF1)移除，以减少噪声对预测精度的影响；第三步是使用BPNN对剩余各阶IMF分量及趋势余量进行预测；第四步是使用BPNN组合各阶IMF分量及趋势余量所得预测结果，从而得到最终的电力负荷预测结果。
下面以纽约电网的历史电力负荷数据作为说明。本发明所提出的电力负荷预测模型结构如图2所示。
本方法的第一步，是使用IEEMD对历史电力负荷数据进行分解，以降低其非平稳性。
这其中，IEEMD方法流程图如图3所示。
这其中，本发明实施例选取纽约电网2004年6月21日至7月1日的电力负荷数据进行说明，采样时间为60分钟。其中，2004年6月21日至6月30日的电力负荷数据用来进行模型训练，从而预测纽约电网2004年7月1日的电力负荷数据。
本方法的第二步，是将所得的第一阶IMF分量(IMF1)移除，以减少噪声对预测精度的影响。
这其中，图4为移除IMF1后，将剩余各阶IMF分量及趋势余量累加起来所得到的重构信号与实际电力负荷信号对比。由图4可见，去噪后的信号与原信号基本吻合，移除IMF1不影响后续的电力负荷预测。
本方法的第三步，是使用BPNN对剩余各阶IMF分量及趋势余量进行预测。
这其中，本发明实施例针对不同的IMF分量及趋势余量，建立不同的BPNN模型，从而得到各阶单独IMF分量及趋势余量的预测结果。
本方法的第四步，是使用BPNN组合各阶IMF分量及趋势余量所得预测结果，从而得到最终的电力负荷预测结果。
这其中，Amjady提出了一种名为WTNNEA的混合模型、Bahrami提出了一种名为WGMIPSO的混合模型，同样以纽约电网2004年6月21日至6月30日的历史电力负荷数据，预测纽约电网2004年7月1日的电力负荷数据。
这其中，图5为Amjady、Bahrami与本发明实施例所得的电力负荷预测结果与实际电力负荷。从图5可见，本发明实施例所得预测电力负荷序列与实际电力负荷序列最为贴合。
这其中，表1为Amjady、Bahrami所得结果与本发明实施例所得结果的评价指标值。由表1可见，本发明实施例所得结果的各项评价指标MAPE、MAE、RMSE均优于前两种方法，本发明所提出的基于IEEMD-BPNN的电力短期负荷预测方法提高了短期负荷预测的精度。
表1三种方法的评价指标值列表
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.基于IEEMD-BPNN的电力系统短期负荷预测方法，包括如下步骤：
步骤1：使用IEEMD对非稳态、非线性的历史电力负荷数据进行分解，得到一系列平稳的IMF分量及一个趋势余量；
步骤2：剔除步骤1中所得的第一阶IMF分量；
步骤3：使用BPNN分别对步骤1和步骤2所得的各阶IMF分量及趋势余量进行预测；
步骤4：使用BPNN对步骤3所得的各阶IMF分量及趋势余量进行非线性组合，得到电力负荷最终预测结果；
其中，步骤1使用IEEMD对非稳态、非线性的历史电力负荷数据进行分解的方法包含如下步骤：
子步骤11：以原始信号左端处理过程为例：将待处理信号左端端点t0设置为待匹配波ω的起点，将t0后n点t1设置为ω的终点；此处，n为一天时间内的采样点数，1440为一天的总分钟数，T为采样时间；
子步骤12：计算ω与原信号其余子波段ωi之间的波形相似度ρ，并以最大ρ值所对应的子波段ωmatch作为与ω最相似的子波段，ρ的计算公式如下：
其中，cov(ω,ωi)为两波段的协方差，σ(ω),σ(ωi)分别为ω与ωi的方差；
子步骤13：建立ω与ωmatch之间的数据相关性，公式如下：
Y＝a+bX
其中，X、Y分别为ω和ωmatch的幅值向量，a、b为相关性系数；
子步骤14：以ωmatch左端端点t′0为待延拓波形ωmatch-left的起点，以t′0前n点t′1为ωmatch-left的终点，求出延拓波形ωextension，计算公式如下：
子步骤15：使用EEMD对延拓后的信号进行分解后，移除所得IMF分量和趋势余量两端的延拓数据，即可得到原信号的IEEMD分解结果。
2.根据权利要求1所述的基于IEEMD-BPNN的电力系统短期负荷预测方法，其特征在于：所述子步骤15中EEMD方法包含如下步骤：
子步骤151：向信号x(t)中加入白噪声序列ni(t)，i表示第i次向信号中添加白噪声，得到混合信号xi(t)，计算公式如下：
xi(t)＝x(t)+ni(t)其中，i＝1,2，…k
子步骤152：对信号xi(t)进行EMD分解，得到一组IMF分量，记为ci,j(t),j＝1,2,...,m,j为IMF分量的阶数；
子步骤153：重复子步骤151～152，并且每次加入不同的白噪声序列，最后共得到k组不同的IMF分量；
子步骤154：将得到的各阶IMF分量分别求平均，均值作为EEMD分解的最终结果，计算公式如下：
其中，j＝1,2，…m 。
3.根据权利要求1所述的基于IEEMD-BPNN的电力系统短期负荷预测方法，其特征在于：所述步骤4得到的电力系统短期负荷预测结果使用均方根误差(Root Mean Square Error,RSME)、平均绝对误差(Mean Absolute Error,MAE)和平均绝对百分比误差(Mean AbsolutePercentage Error,MAPE)三种评价指标来评价预测方法的优越性，三种指标的计算公式如下：
这其中，xi代表着实际值，代表着预测值，N代表着采样点数；
这其中，RSME、MAE、MAPE值越小，说明负荷预测精度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510184882.6A CN104794538B (zh) | 2015-04-20 | 2015-04-20 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510184882.6A CN104794538B (zh) | 2015-04-20 | 2015-04-20 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104794538A CN104794538A (zh) | 2015-07-22 |
| CN104794538B true CN104794538B (zh) | 2018-06-01 |
Family
ID=53559324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510184882.6A Active CN104794538B (zh) | 2015-04-20 | 2015-04-20 | 基于ieemd-bpnn的电力系统短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104794538B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256439A (zh) * | 2017-06-01 | 2017-10-17 | 常州英集动力科技有限公司 | 联合eemd与神经网络的短期负荷预测方法及系统 |
| CN109255505B (zh) * | 2018-11-20 | 2021-09-24 | 国网辽宁省电力有限公司经济技术研究院 | 一种多模型融合神经网络的短期负荷预测方法 |
| CN112488397B (zh) * | 2020-12-01 | 2022-09-27 | 合肥工业大学 | 基于模态分解和迁移学习的极端场景下负荷预测方法 |
| CN112668770B (zh) * | 2020-12-24 | 2024-07-09 | 华中科技大学 | 一种基于信息与波形总体相似度的电力负荷预测方法 |
| CN112632797A (zh) * | 2021-01-04 | 2021-04-09 | 中车青岛四方车辆研究所有限公司 | 用于监测接触器状态的方法、装置和存储介质 |
| CN117390531B (zh) * | 2023-11-20 | 2024-04-02 | 兰州交通大学 | 一种基于ieemd脑电信号分解的抑郁症自动识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425158A (zh) * | 2008-12-04 | 2009-05-06 | 清华大学 | 基于新息的短期负荷预测方法 |
| CN103971175A (zh) * | 2014-05-06 | 2014-08-06 | 华中科技大学 | 一种多级变电站的短期负荷预测方法 |
| CN104346659A (zh) * | 2014-11-26 | 2015-02-11 | 北京邮电大学 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
-
2015
- 2015-04-20 CN CN201510184882.6A patent/CN104794538B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425158A (zh) * | 2008-12-04 | 2009-05-06 | 清华大学 | 基于新息的短期负荷预测方法 |
| CN103971175A (zh) * | 2014-05-06 | 2014-08-06 | 华中科技大学 | 一种多级变电站的短期负荷预测方法 |
| CN104346659A (zh) * | 2014-11-26 | 2015-02-11 | 北京邮电大学 | 应用于高倍聚光光伏发电系统的短期发电量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于EEMD_LSSVM的超短期负荷预测;王新 等;《电力系统保护与控制》;20150101;第43卷(第1期);第61-66页 * |
| 电力系统短期负荷预测模型设计;曾燕飞;《广东电力》;20110425;第24卷(第4期);第49-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104794538A (zh) | 2015-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104794538B (zh) | 基于ieemd-bpnn的电力系统短期负荷预测方法 | |
| Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
| Chen et al. | Short-term load forecasting: Similar day-based wavelet neural networks | |
| Upadhyay et al. | Speech enhancement based on mEMD‐VMD method | |
| Biswas et al. | An artificial bee colony-least square algorithm for solving harmonic estimation problems | |
| Babu et al. | A moving-average filter based hybrid ARIMA–ANN model for forecasting time series data | |
| Yin et al. | Artificial emotional reinforcement learning for automatic generation control of large‐scale interconnected power grids | |
| Kumar et al. | Recognition of single-stage and multiple power quality events using Hilbert–Huang transform and probabilistic neural network | |
| MXPA01008624A (es) | Metodos y sistemas para encontrar valores y reducir riesgos. | |
| CN106204332B (zh) | 一种光伏电站效率衰减预测方法 | |
| Khan et al. | Sliding window regression based short-term load forecasting of a multi-area power system | |
| Debusschere et al. | One week hourly electricity load forecasting using Neuro-Fuzzy and Seasonal ARIMA models | |
| Yuan et al. | Compressive sensing-based feature extraction for bearing fault diagnosis using a heuristic neural network | |
| CN114548586A (zh) | 一种基于混合模型的短期电力负荷预测方法及系统 | |
| CN106021452A (zh) | 一种电磁环境测量数据清洗方法 | |
| CN113642783B (zh) | 电力负荷预测模型的训练方法、装置及电子设备 | |
| Qu et al. | A hybrid model based on ensemble empirical mode decomposition and fruit fly optimization algorithm for wind speed forecasting | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| CN117592510A (zh) | 一种基于安全约束的负荷预测方法与系统 | |
| CN116258280B (zh) | 一种基于时间序列聚类的短期负荷预测方法 | |
| Shan et al. | Forecasting study of Shanghai’s and Shenzhen’s stock markets using a hybrid forecast method | |
| CN114282756A (zh) | 一种用户侧可调负荷紧急控制潜力评估方法及系统 | |
| Tsamopoulos et al. | Load estimation for war-ships based on pattern recognition methods | |
| CN110989363B (zh) | 一种基于深度学习的电能质量控制方法及装置 | |
| Bunnoon et al. | Wavelet and neural network approach to demand forecasting based on whole and electric sub-control center area |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |