CN110598170A - 一种基于feemd分解时间序列的数据预测方法 - Google Patents
一种基于feemd分解时间序列的数据预测方法 Download PDFInfo
- Publication number
- CN110598170A CN110598170A CN201910722929.8A CN201910722929A CN110598170A CN 110598170 A CN110598170 A CN 110598170A CN 201910722929 A CN201910722929 A CN 201910722929A CN 110598170 A CN110598170 A CN 110598170A
- Authority
- CN
- China
- Prior art keywords
- component
- elm
- bird nest
- prediction model
- feemd
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 241000208422 Rhododendron Species 0.000 claims abstract description 19
- 238000010845 search algorithm Methods 0.000 claims abstract description 19
- 235000005770 birds nest Nutrition 0.000 claims description 59
- 235000005765 wild carrot Nutrition 0.000 claims description 59
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 43
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 241000272177 Cuculiformes Species 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- 238000001792 White test Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于FEEMD分解时间序列的数据预测方法,建立ELM预测模型,并融合杜鹃搜索算法对ELM预测模型进行优化;采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量;采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解;将变分模态分解得出的结果作为ELM预测模型的输入,来求取本征模函数分量和残差分量的预测值;叠加本征模函数分量和残差分量的预测值得到最终的预测值。本发明采用杜鹃搜索算法对ELM预测模型进行优化,实现了快速准确的数据预测。
Description
技术领域
本发明涉及一种数据预测方法,特别涉及一种基于FEEMD分解时间序列的数据预测方法。
背景技术
目前,当前的组合预测方式主要分为二大类:第一类是将多个单一预测模型的预测结果进行加权组合;第二类是将时间序列分解技术与预测模型相结合。由于电力负荷是一个对外部因素敏感的非平稳时间序列,而现有的预测方法只能假定它是一个平稳的信号,并且预测精度很难提高,这使得负荷预测困难。因此运用单一预测模型的预测结果进行加权组合很难得到正确结果,并且预测精度达不到要求。然而,电力负荷中存在的多频分量一直是预测的难点,使在原始时间序列上工作的模型不能妥善处理。为了更准确地预测短期负荷,一些研究人员利用时间序列分解技术将原始负荷序列分解成若干个子序列,然后分别预测这些子序列,最后重新组合以获得最终预测结果可以提高预测精度。许多分解技术比如WT、FEEMD、VMD及其变体已应用于处理电力负荷预测。
经验模态分解(empirical mode decomposition,FEEMD)和小波变换(wavelettransform,WT)是两种常用的时间序列分解方法。FEEMD克服了WT中需选取小波基与不易确定分解尺度的缺点,但是模态混叠问题限制了其应用范围,而快速集合经验模态分解(fastensemble empirical mode decomposition,FEFEEMD)[8]弥补了FEEMD分解时模态混叠缺陷同时也加快了分解速度,更适用于复杂环境下的电力负荷分解。然而对各分解后的子序列预测时,用于预测模型的输入特征会很大程度上影响短期负荷预测的准确性和效率。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种提高预测准确性和效率的基于FEEMD分解时间序列的数据预测方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:一种基于FEEMD分解时间序列的数据预测方法,该方法包括:建立ELM预测模型,并融合杜鹃搜索算法对ELM预测模型进行优化;采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量;采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解;将变分模态分解得出的结果作为ELM预测模型的输入,来求取本征模函数分量和残差分量的预测值;叠加本征模函数分量和残差分量的预测值得到最终的预测值。
进一步地,融合杜鹃搜索算法对ELM预测模型进行优化的方法包括:采用杜鹃搜索算法,将ELM预测模型的隐层节点数作为鸟巢位置;输入样本数据,设定隐层阈值,产生一组ELM预测模型的输入权值矩阵和输出权值矩阵,并计算样本数据预测误差作为当前鸟巢位置的适应度值;每次迭代搜索结束后,储存最优鸟巢位置及其对应的输入权值矩阵和输出权值矩阵;当满足迭代终止条件时,比较鸟巢位置所对应的适应度值,得到ELM预测模型的最优隐层节点数及其所对应的输入权值矩阵和输出权值矩阵。
进一步地,采用杜鹃搜索算法,得到ELM预测模型的最优隐层节点数及其所对应的输入权值矩阵和输出权值矩阵的具体步骤包括:
步骤1-1,样本数据归一化处理;
步骤1-2,初始化杜鹃搜索算法的个体和参数:设置发现概率,产生N个鸟巢初始位置,向上取整后作为ELM预测模型的隐层节点数的N个不同的取值,输入样本数据并计算样本数据的均方根误差作为其所对应的适应度值,设置最大迭代次数;
步骤1-3,选取上一代最优鸟巢位置,根据Levy飞行机制搜索鸟巢位置并取整后作为ELM预测模型的新隐层节点数,将新隐层节点数代入ELM预测模型,计算所对应的适应度值,并跟上一代最优适应度值比较,如果更优则更新鸟巢位置,否则保留上一代最优鸟巢位置;
步骤1-4,将产生随机数和发现概率比较,若随机数<发现概率,则随机选择鸟巢位置,并更新替换鸟巢中最差的位置;否则不做改变;
步骤1-5,若满足迭代次数,停止搜寻;否则返回步骤1-3;
步骤1-6,选取适应度值最小的那个鸟巢位置作为ELM的最优隐层节点数,并输出所对应的输入权值矩阵及输出权值矩阵。
进一步地,采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量的方法包括如下步骤:
步骤2-1,在原始历史数据时间序列中加入随机白噪声;
步骤2-2,采用FEEMD算法将加入随机白噪声的历史数据时间序列分解成本征模函数分量和一个从高频到低频范围内残差分量;
步骤2-3,改变白噪声的幅度,重复步骤1-1至步骤1-2,直到达到设定的时间或次数;
步骤2-4,将加入不同幅度的随机白噪声后分解得到的本征模函数分量和残差分量求平均值作为最终分解结果。
进一步地,采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解的方法包括:将已知的实数值信号分解转换成一系列具有特定系数特性的模式,对于每个模式,采用希尔伯特变换计算分析单侧频谱信号;将混合指数调谐至各自的估计中心频率,使模式频谱转移至基带;通过解调信号的高斯平滑度估计每个模式的带宽。
进一步地,根据各分量的频率选择ELM预测模型的核函数,高频分量选择径向基核函数;低频分量选择线性核函数。
本发明具有的优点和积极效果是:运用了FEFEEMD算法,加快了分解速度,更适用于复杂环境下的电力负荷分解,更大程度上节省了运算时间。并通过采用CS算法自适应地获取最优ELM的隐含层节点数及相应的输入其权值和阈值,避免了随机选择预测输入权值和隐含层偏差随机性对ELM预测的影响,减少了预测偏差,减弱了原始负荷时间序列中噪声的影响从而得到了更为精确的负荷预测结果。
附图说明
图1是本发明的一种工作流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹列举以下实施例,并配合附图详细说明如下:
本申请中涉及的英文缩写的中文释义如下:
FEEMD:EMD算法的一种,Empirical Mode Decomposition,缩写EMD,中文释义经验模态分解,EMD是由Huang等人于1998年提出的一种针对非线性、非平稳信号的自适应信号分解算法。FEEMD是快速EMD算法,收敛速度与传统EMD算法相比有很大改进。
IMF:本征模函数,一个本征模函数必须满足以下两个条件:
(1)l函数在整个时间范围内,局部极值点和过零点的数目必须相等,或最多相差一个;
(2)在任意时刻点,局部最大值的包络(上包络线)和局部最小值的包络(下包络线)平均必须为零。
CS:布谷鸟搜索(Cuckoo Search,CS)是由Xin-She Yang和Suash Deb于2009年开发的自然启发式算法。CS基于布谷鸟的寄生性育雏(brood parasitism,又巢寄生)行为。该算法可以通过所谓的Levy飞行来增强,而不是简单的各向同性随机游走。研究表明,该算法可能比遗传算法、PSO以及其他算法更有效。
ELM:极限学习机,ELM(Extreme Learning Machine),是一类针对前馈神经网络(feedforward neuron works)设计的机器学习算法。
SCADA:采集与监视控制系统;
AMI:高级量测系统;
RMSE:均方根误差;
rand:随机数;
ADMM:交替方向法;
VMD:变分模态分解。
请参见图1,一种基于FEEMD分解时间序列的数据预测方法,该方法包括:建立ELM预测模型,并融合杜鹃搜索算法对ELM预测模型进行优化;采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量;采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解;将变分模态分解得出的结果作为ELM预测模型的输入,来求取本征模函数分量和残差分量的预测值;叠加本征模函数分量和残差分量的预测值得到最终的预测值。
进一步地,融合杜鹃搜索算法对ELM预测模型进行优化的方法可包括:采用杜鹃搜索算法,可将ELM预测模型的隐层节点数作为鸟巢位置;输入样本数据,设定隐层阈值,产生一组ELM预测模型的输入权值矩阵和输出权值矩阵,并可计算样本数据预测误差作为当前鸟巢位置的适应度值;每次迭代搜索结束后,可储存最优鸟巢位置及其对应的输入权值矩阵和输出权值矩阵;当满足迭代终止条件时,可比较鸟巢位置所对应的适应度值,可得到ELM预测模型的最优隐层节点数及其所对应的输入权值矩阵和输出权值矩阵。ELM预测模型的输入权值矩阵是随机生成的,随机分配节点参数,服从概率分布,可以人为设定隐层阈值,当输入权值矩阵和隐层阈值设定好了以后,输出权值矩阵就被唯一确定。
采用杜鹃搜索算法,得到ELM预测模型的最优隐层节点数及其所对应的输入权值矩阵和输出权值矩阵的具体步骤可包括:
步骤1-1,可将样本数据归一化处理;
步骤1-2,初始化杜鹃搜索算法的个体和参数:可设置发现概率,产生N个鸟巢初始位置,向上取整后作为ELM预测模型的隐层节点数的N个不同的取值,输入样本数据并计算样本数据的均方根误差作为其所对应的适应度值,设置最大迭代次数;
步骤1-3,选取上一代最优鸟巢位置,根据Levy飞行机制搜索鸟巢位置并取整后作为ELM预测模型的新隐层节点数,可将新隐层节点数代入ELM预测模型,计算所对应的适应度值,并跟上一代最优适应度值比较,适应度值越小越优,如果适应度值更优则更新鸟巢位置,否则保留上一代最优鸟巢位置;
步骤1-4,可将产生随机数和发现概率比较,若随机数<发现概率,则随机选择鸟巢位置,并更新替换鸟巢中最差的位置;否则不做改变;
步骤1-5,若满足迭代次数,停止搜寻;否则返回步骤1-3;
步骤1-6,可选取适应度值最小的那个鸟巢位置作为ELM的最优隐层节点数,并输出所对应的输入权值矩阵及输出权值矩阵。
进一步地,采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量的方法可包括如下步骤:
步骤2-1,可在原始历史数据时间序列中加入随机白噪声;
步骤2-2,可采用FEEMD算法将加入随机白噪声的历史数据时间序列分解成本征模函数分量和一个从高频到低频范围内残差分量;
步骤2-3,可改变白噪声的幅度,重复步骤1-1至步骤1-2,直到达到设定的时间或次数;
步骤2-4,可将加入不同幅度的随机白噪声后分解得到的本征模函数分量和残差分量求平均值作为最终分解结果。
进一步地,采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解的方法可包括:可将已知的实数值信号分解转换成一系列具有特定系数特性的模式,对于每个模式,可采用希尔伯特变换计算分析单侧频谱信号;可将混合指数调谐至各自的估计中心频率,使模式频谱转移至基带;可通过解调信号的高斯平滑度估计每个模式的带宽。
可根据各分量的频率选择ELM预测模型的核函数,高频分量选择径向基核函数;低频分量选择线性核函数。
下面结合本发明在电力负荷预测方面应用的实施例来说明本发明的工作原理:
利用本发明方法进行电力负荷的预测,其具体方法如下:
步骤一:获取原始负荷时间序列;
步骤二:建立ELM电力负荷预测模型,并融合杜鹃搜索算法对ELM预测模型进行优化;
步骤三:应用FEEMD将原始负荷时间序列分解为本征模函数分量和残差分量,以便很好地分离和提取预测误差时间序列中存在的多个频率分量;
步骤四:利用变分模式分解本征模函数分量和残差分量,分解已知的实数值信号,转换成一系列具有特定系数特性的模式;
步骤五:将变分模态分解得出的结果作为ELM预测模型的输入,来求取本征模函数分量和残差分量的预测值,然后将所有本征模函数分量和残差分量的预测值相加得到电力系统负荷预测结果。
下面对步骤一至步骤四做进一步详细说明。
步骤一,获取原始负荷时间序列:
获取原始负荷时间序列可通过数据采集与监视控制系统(SCADA)或高级量测体系(AMI)获得的。在电力系统中,SCADA系统应用最为广泛,技术发展也最为成熟,它在远动系统中占重要地位,可以对现场的运行设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能,在现今的变电站综合自动化建设中起了相当重要的作用。
步骤二,建立ELM电力负荷预测模型,并融合杜鹃搜索算法对ELM预测模型进行优化;
根据ELM模型理论,在ELM预测模型的神经网络中,可随机选取隐含层节点的权值,利用最小二乘法确定ELM模型的输出权值。
可设D={(xi,ti),i=1,2,…,N}是一个具有n个二次样本的集合,其中xi={xi1,xi2,…xin}T∈R是ELM的输入,ti={ti1,ti2,…tim}T∈R式ELM的输出,ELM的激活函数是给g(x),隐层的阈值是bi,因此ELM输出为:
其中j=1,2,,n,wi=[wi1,wi2,…,win]是输入层和隐藏层之间的权重,βi=[βi1,βi2,…,βim]是隐藏层和输出层之间的权重。
ELM的代价函数E可表示为:
其中s=(wi,bi,i=1,2,3,......M),
ELM的代价函数E也可以表示为Y=Hβ,其中Y是ELM的输出,H是隐藏层的输出矩阵。输出矩阵H可以用式
输出权重矩阵为β=H+Y',其中H+是隐藏层中输出矩阵H的矩阵的倒数。
ELM预测模型的特点是通过设置迭代变量减少非线性和非平稳性。还可将CS算法应用于优化输入层和隐藏层之间的权重和阈值榆树模型层。榆树的适应度函数是均方根。预测误差(RMSE),定义如下:
其中表示时间t的预测值,X(t)表示时间t,N的实际值表示数据的总数。
在CS算法中有N个种群即鸟巢,每个鸟巢位置代表一个有理数,鸟巢位置取整后作为ELM的隐层节点数l;输入电力负荷样本数据,设定隐层阈值b,将产生一组ELM网络的输入权值矩阵ω、隐层阈值b和输出权值矩阵β,并计算样本数据预测误差作为当前鸟巢位置的适应度值。每次迭代搜索结束后,储存最优鸟巢位置和ω、b、β。待满足迭代终止条件时,比较鸟巢所对应的适应度值,输出最优鸟巢位置,及其所对应的ω、b、β。具体步骤如下:
步骤1-1,数据归一化处理。
步骤1-2,初始化CS算法的个体和参数。设置发现概率参数pa,产生N个鸟巢初始位置向上取整后作为ELM隐层节点数的N个不同的取值,输入样本并计算数据的均方根误差(RMSE)作为其所对应的适应度值最大迭代次数max_it。
步骤1-3,选取上一代最优鸟巢位置根据Levy飞行机制搜索鸟巢位置s取整后作为ELM的隐层节点数,带入数据,计算s所对应的适应度值fnew,并跟上一代最优适应度值比较,如果更优则更新位置,否则保留上一代最优位置。
步骤1-4,产生随机数rand和pa比较,若rand<pa,则随机选择鸟巢位置,并更新替换鸟巢中最差的位置;否则不做改变。
步骤1-5,若满足迭代次数,停止搜寻;否则返回步骤3。
步骤1-6,选取适应度值最小的那个鸟巢位置作为ELM的隐层节点数M,并输出所对应的ω、b、β。
步骤三、采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量:
利用FEEMD将加入随机白噪声的原始负荷时间序列分解成本征模函数(IMF)分量和一个从高频到低频范围内残差分量,加入的白噪声是为了消除混叠现象。具体步骤如下:
步骤2-1:在原始时间序列中加入随机白噪声;
xk(t)=x(t)+wk(t)
其中x(t)表示原始系列,wk(t)表示第k次添加的白色试验中的噪声,xk(t)表示第k次噪声附加信号审判添加所需的白噪声;
步骤2-2:利用FEEMD将加入随机白噪声的原始负荷时间序列分解成本征模函数(IMF)分量和一个从高频到低频范围内残差分量;
步骤2-3:用不同的白噪声重复,直到达到复制的时间M或次数M;
步骤2-4,可将加入不同幅度的随机白噪声后分解得到的本征模函数分量和残差分量求平均值作为最终分解结果。以所有IMF的平均值作为最终结果,可参考下式:
其中M为复制的时间或次数,IMFk表示为本征模函数分量。
FEEMD分解原始负荷时间序列具体包括:电力系统的原始负荷时间序列本身具有随机性,加之市场环境下复杂的负荷影响因素致使负荷序列更加不稳定,运用FEEMD进行负荷分解可获得更具规律性的分量,在对各分量分别建立预测模型,可提高预测精度。
电力负荷可视为由若干个本征模函数(IMF)组成的一个时间序列。由IMF的定义知:IMF的每一个振动周期,只有一个振动模式,没有其他复杂的奇波。然而大多数所有要分析的数据都不是本征模函数,在任意时间点上,数据可能包含多个波动模式。
利用FEEMD分解电力负荷时间序列需基于假设:
(1)待分解的复杂信号是由简单的IMF组成;
(2)组成原始复杂信号的每一个IMF分量相互独立。
基于上述分析,对加入白噪声的原始负荷时间序列进行分解的具体步骤如下:
步骤a,找出原始负荷时间序列x(t)中所有局部极大值和局部极小值,并通过三次样条函数分别拟合x(t)的上包络线eup(t)和下包络线elow(t);
步骤b,计算上包络线eup(t)和下包络线elow(t)的平均值m1(t);
步骤c,计算原始负荷时间序列x(t)和包络线均值m1(t)的差值h1(t);
h1(t)=x(t)-m1(t);
步骤d,如果h1(t)满足IMF条件,那么h1(t)就是求得的第一个IMF分量,它包含原始序列中最短的周期分量;否则将h1(t)视为原始负荷时间序列,重复步骤a~步骤c,直到第k次迭代后的差值满足IMF条件成为第一个IMF分量,记为:
如果h1(t)满足IMF条件,那么h1(t)就是求得的第一个IMF分量,它包含原始序列中最短的周期分量;否则将h1(t)视为原始负荷时间序列,重复步骤步骤a~步骤c,直到第k次迭代后的差值满足IMF条件成为第一个IMF分量,记为:
可通过限定标准差SD来判断筛选过程是否停止,以此判断是否为IMF分量:
步骤e,从原始负荷时间序列x(t)中分离出第一个IMF分量imf1(t),即可得到x(t)的剩余分量r1(t);
r1(t)=x(t)-imf1(t);
步骤f,将剩余分量r1(t)作为新的原始负荷时间序列,重复步骤(1)~步骤(5),直到剩余分量的幅值比预设值小或残余分量变为单调函数或常数为止,即可得到x(t)的所有IMF分量和剩余分量,该过程可以表示为:
步骤g,则原始负荷时间序列x(t)可由IMF分量和剩余分量描述为:
步骤四、采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解:
采用变分模式分解已知的实数值信号,使实数值信号转换成一系列具有特定系数特性的模式yk和wk,包括以下具体步骤:
步骤3-1:对于每个模式yk,单侧频谱可以利用希尔伯特变换计算分析信号。
步骤3-2:混合指数调谐至各自的估计中心频率,以便将模式频谱转移至基带。
步骤3-3:通过使用解调信号的H高斯平滑度估计每个模式yk的带宽。
步骤3-1中:对于每个模式yk,单侧频谱可以利用希尔伯特变换计算分析信号,得出的分析结果如下:
其中f(t)为原始信号,yk为信号f(t)的第k个子分量;wk、δ(t)和分别表示yk的中心频率、δ分布和卷积算子;k表示模数,t为时间脚本。
步骤3-2中:调谐混合指数至各自的估计中心频率,同时考虑惩罚项和拉格朗日乘子λ,可以将上述约束问题转化为无约束问题,使问题更容易解决。请参考下式:
步骤3-3中,通过使用解调信号的H高斯平滑度,应用上式中确定的增广拉格朗日L,并利用乘法器的交替方向法(ADMM)得到了其在迭代次优化序列中的鞍点。并根据这一ADMM优化方法,假设更新yk和wk两个方向有助于实现VMD算法的分析过程。因此,得出yk和wk的结果如下:
式中和代表f(t),yt(t),λ(t)和的傅里叶变换,n代表迭代次数。从而得出变分模式最终结果。
以上所述的实施例仅用于说明本发明的技术思想及特点,其目的在于使本领域内的技术人员能够理解本发明的内容并据以实施,不能仅以本实施例来限定本发明的专利范围,即凡本发明所揭示的精神所作的同等变化或修饰,仍落在本发明的专利范围内。
Claims (6)
1.一种基于FEEMD分解时间序列的数据预测方法,其特征在于,该方法包括:建立ELM预测模型,并融合杜鹃搜索算法对ELM预测模型进行优化;采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量;采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解;将变分模态分解得出的结果作为ELM预测模型的输入,来求取本征模函数分量和残差分量的预测值;叠加本征模函数分量和残差分量的预测值得到最终的预测值。
2.根据权利要求1所述的基于FEEMD分解时间序列的数据预测方法,其特征在于,融合杜鹃搜索算法对ELM预测模型进行优化的方法包括:采用杜鹃搜索算法,将ELM预测模型的隐层节点数作为鸟巢位置;输入样本数据,设定隐层阈值,产生一组ELM预测模型的输入权值矩阵和输出权值矩阵,并计算样本数据预测误差作为当前鸟巢位置的适应度值;每次迭代搜索结束后,储存最优鸟巢位置及其对应的输入权值矩阵和输出权值矩阵;当满足迭代终止条件时,比较鸟巢位置所对应的适应度值,得到ELM预测模型的最优隐层节点数及其所对应的输入权值矩阵和输出权值矩阵。
3.根据权利要求2所述的基于FEEMD分解时间序列的数据预测方法,其特征在于,采用杜鹃搜索算法,得到ELM预测模型的最优隐层节点数及其所对应的输入权值矩阵和输出权值矩阵的具体步骤包括:
步骤1-1,样本数据归一化处理;
步骤1-2,初始化杜鹃搜索算法的个体和参数:设置发现概率,产生N个鸟巢初始位置,向上取整后作为ELM预测模型的隐层节点数的N个不同的取值,输入样本数据并计算样本数据的均方根误差作为其所对应的适应度值,设置最大迭代次数;
步骤1-3,选取上一代最优鸟巢位置,根据Levy飞行机制搜索鸟巢位置并取整后作为ELM预测模型的新隐层节点数,将新隐层节点数代入ELM预测模型,计算所对应的适应度值,并跟上一代最优适应度值比较,如果更优则更新鸟巢位置,否则保留上一代最优鸟巢位置;
步骤1-4,将产生随机数和发现概率比较,若随机数<发现概率,则随机选择鸟巢位置,并更新替换鸟巢中最差的位置;否则不做改变;
步骤1-5,若满足迭代次数,停止搜寻;否则返回步骤1-3;
步骤1-6,选取适应度值最小的那个鸟巢位置作为ELM的最优隐层节点数,并输出所对应的输入权值矩阵及输出权值矩阵。
4.根据权利要求1所述的基于FEEMD分解时间序列的数据预测方法,其特征在于,采用FEEMD算法将历史数据时间序列分解为本征模函数分量和残差分量的方法包括如下步骤:
步骤2-1,在原始历史数据时间序列中加入随机白噪声;
步骤2-2,采用FEEMD算法将加入随机白噪声的历史数据时间序列分解成本征模函数分量和一个从高频到低频范围内残差分量;
步骤2-3,改变白噪声的幅度,重复步骤1-1至步骤1-2,直到达到设定的时间或次数;
步骤2-4,将加入不同幅度的随机白噪声后分解得到的本征模函数分量和残差分量求平均值作为最终分解结果。
5.根据权利要求1所述的基于FEEMD分解时间序列的数据预测方法,其特征在于,采用变分模态分解方法对本征模函数分量和残差分量中的实数值信号进行分解的方法包括:将已知的实数值信号分解转换成一系列具有特定系数特性的模式,对于每个模式,采用希尔伯特变换计算分析单侧频谱信号;将混合指数调谐至各自的估计中心频率,使模式频谱转移至基带;通过解调信号的高斯平滑度估计每个模式的带宽。
6.根据权利要求5所述的基于FEEMD分解时间序列的数据预测方法,其特征在于,根据各分量的频率选择ELM预测模型的核函数,高频分量选择径向基核函数;低频分量选择线性核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722929.8A CN110598170A (zh) | 2019-08-06 | 2019-08-06 | 一种基于feemd分解时间序列的数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910722929.8A CN110598170A (zh) | 2019-08-06 | 2019-08-06 | 一种基于feemd分解时间序列的数据预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110598170A true CN110598170A (zh) | 2019-12-20 |
Family
ID=68853617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910722929.8A Pending CN110598170A (zh) | 2019-08-06 | 2019-08-06 | 一种基于feemd分解时间序列的数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598170A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507505A (zh) * | 2020-03-20 | 2020-08-07 | 苏州丰华声赫智能科技有限公司 | 一种水库日入量预测模型的构建方法 |
CN112100924A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
CN112257894A (zh) * | 2020-09-08 | 2021-01-22 | 山东师范大学 | 基于数据驱动的混合建筑电耗预测方法及系统 |
CN112446430A (zh) * | 2020-11-27 | 2021-03-05 | 云南电网有限责任公司电力科学研究院 | 一种直流输电系统故障识别方法 |
CN113189624A (zh) * | 2021-04-30 | 2021-07-30 | 中山大学 | 一种自适应分类的多径误差提取方法及装置 |
CN114219126A (zh) * | 2021-11-12 | 2022-03-22 | 三峡大学 | 基于残差修正的小水电渗透地区网供负荷预测方法 |
CN114912077A (zh) * | 2022-05-27 | 2022-08-16 | 中国海洋大学 | 一种融合随机搜索与混合分解误差订正的海浪预报算法 |
-
2019
- 2019-08-06 CN CN201910722929.8A patent/CN110598170A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507505A (zh) * | 2020-03-20 | 2020-08-07 | 苏州丰华声赫智能科技有限公司 | 一种水库日入量预测模型的构建方法 |
CN112257894A (zh) * | 2020-09-08 | 2021-01-22 | 山东师范大学 | 基于数据驱动的混合建筑电耗预测方法及系统 |
CN112100924A (zh) * | 2020-09-17 | 2020-12-18 | 云南电力技术有限责任公司 | 一种基于极限学习机模型的气体浓度的预测方法及装置 |
CN112446430A (zh) * | 2020-11-27 | 2021-03-05 | 云南电网有限责任公司电力科学研究院 | 一种直流输电系统故障识别方法 |
CN113189624A (zh) * | 2021-04-30 | 2021-07-30 | 中山大学 | 一种自适应分类的多径误差提取方法及装置 |
CN113189624B (zh) * | 2021-04-30 | 2023-10-03 | 中山大学 | 一种自适应分类的多径误差提取方法及装置 |
CN114219126A (zh) * | 2021-11-12 | 2022-03-22 | 三峡大学 | 基于残差修正的小水电渗透地区网供负荷预测方法 |
CN114219126B (zh) * | 2021-11-12 | 2024-07-09 | 国网冀北电力有限公司承德供电公司 | 基于残差修正的小水电渗透地区网供负荷预测方法 |
CN114912077A (zh) * | 2022-05-27 | 2022-08-16 | 中国海洋大学 | 一种融合随机搜索与混合分解误差订正的海浪预报算法 |
CN114912077B (zh) * | 2022-05-27 | 2023-06-30 | 中国海洋大学 | 一种融合随机搜索与混合分解误差订正的海浪预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598170A (zh) | 一种基于feemd分解时间序列的数据预测方法 | |
Lu et al. | Construction of prediction intervals for carbon residual of crude oil based on deep stochastic configuration networks | |
CN110334875B (zh) | 计及评估指标冲突的风电功率组合概率预测方法 | |
Mahendran et al. | Adaptive MCMC with Bayesian optimization | |
CN110969290B (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN110110862A (zh) | 一种基于适应性模型的超参数优化方法 | |
CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
CN113609779B (zh) | 分布式机器学习的建模方法、装置及设备 | |
CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
JP2019207685A (ja) | 観測変数間の因果関係を推定するための方法、装置、およびシステム | |
CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN110135635A (zh) | 一种区域电力饱和负荷预测方法及系统 | |
CN112307963A (zh) | 一种基于振动信号的换流变压器运行状态识别方法 | |
CN111612262A (zh) | 一种基于分位数回归的风电功率概率预测方法 | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN108228978B (zh) | 结合互补集合经验模态分解的Xgboost时间序列预测方法 | |
CN114911844B (zh) | 基于机器学习的近似查询优化系统 | |
CN111563631A (zh) | 基于变分模态分解的风力发电功率预测方法及设备 | |
CN115225516A (zh) | 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法 | |
CN111598313A (zh) | 一种风功率预测方法 | |
CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
CN117743829A (zh) | 一种基于深度学习的短期电力负荷量预测方法 | |
CN117592593A (zh) | 基于改进二次模态分解和WOA优化BILSTM-attention的短期电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |