CN115619025A - 基于meemd与最优组合集成的电力负荷三角模糊预测方法 - Google Patents
基于meemd与最优组合集成的电力负荷三角模糊预测方法 Download PDFInfo
- Publication number
- CN115619025A CN115619025A CN202211318864.9A CN202211318864A CN115619025A CN 115619025 A CN115619025 A CN 115619025A CN 202211318864 A CN202211318864 A CN 202211318864A CN 115619025 A CN115619025 A CN 115619025A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- power load
- data
- setting
- 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 37
- 230000010354 integration Effects 0.000 title claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 97
- 238000012549 training Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102100024210 CD166 antigen Human genes 0.000 description 1
- 101000980840 Homo sapiens CD166 antigen Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,与现有技术相比解决了电力负荷预测值通常为实值序列而造成信息损失的缺陷。本发明包括以下步骤:数据集的获取;数据集的分解;进行单项模型预测;构建三角模糊最优组合预测模型;电力负荷三角模糊预测结果的获得。本发明对电力负荷数据的原始数据进行经验模态分解,构建三角模糊数,使用XGBoost、MSVR、MLP三种模型进行组合预测,利用MEEMD算法与最优组合集成技术提高了预测的精度,分散了预测的风险。
Description
技术领域
本发明涉及电力负荷预测技术领域,具体来说是基于MEEMD与最优组合集成的电力负荷三角模糊预测方法。
背景技术
随着智能电网技术的发展,大量可再生能源接入电力系统,对电力的需求也在不断增加。由于电能具有存储难等特征,其生产和消费须同步进行。如果发电量不能满足需求则会导致电网故障,而供过于求又会导致能源和资源的浪费。因此,准确的电力负荷预测对于维持电力供需平衡、降低发电成本、确保电力系统安全稳定运行具有重要作用。
在实际情况中,影响电力负荷变化的因素有很多,而这些因素往往都带有不同程度的不确定性,因此,利用模糊数学理论对电力负荷进行预测更能贴近于实际情况,更加合理。如对某一天电力负荷数据进行描述,三角模糊数的左端点和右端点可以分别表示该天最低电力负荷和最高电力负荷,而三角模糊数的中点则可表示该天的平均电力负荷。相比于实值时间序列,三角模糊数是刻画电力负荷所包含瞬时信息的一种有效表现形式。
在短期电力负荷预测的方法中,传统的时间序列分析方法对于非线性的数据处理较差,而多变量集成经验模态分解(MEEMD)是一种改进的自适应数据分析方法,可以获取电力负荷数据的有效信息,通过加入辅助白噪声来降低模态混叠影响,并将时间序列分解为若干个平稳的本征模函数和一个残差序列,进而可以对分解后的序列分别预测,最后进行集成,起到“分而治之”的效果。但是,由于信息源的不同或模型设定的函数形式存在偏误等原因,单项预测模型可能会产生较大的预测误差,从而影响决策的准确性,因而单项预测模型存在一定的缺陷。
因此,需要设计一种基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,通过对原始电力负荷三角模糊数据进行经验模态分解与最优组合集成,应用于电力预测领域。
发明内容
本发明的目的是为了解决现有技术中电力负荷预测值通常为实值序列而造成信息损失的缺陷,提供一种基于MEEMD与最优组合集成的电力负荷三角模糊预测方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,包括以下步骤:
11)数据集的获取:获取以天为单位的小时电力负荷数据,分别计算出每天电力负荷的最大值R、最小值L和平均值M;
12)数据集的分解:使用MEEMD方法对电力负荷数据进行分解,得到11组(11*3个)消除混频现象的本征模函数;
13)进行单项模型预测:前k条数据作为训练集,后n-k条数据作为测试集,分别使用XGBoost、MSVR、MLP预测每一组本征模函数后n-k天的电力负荷数据;
14)构建三角模糊最优组合预测模型:利用三种单项预测模型的预测结果,构建每一组本征模函数的以电力负荷预测误差平方和达到最小的三角模糊最优组合预测模型;
15)电力负荷三角模糊预测结果的获得:利用软件求解每一组本征模函数的三角模糊最优组合预测模型,得到11组本征模函数的预测结果,再进行线性叠加得到集成的预测结果,即电力负荷预测结果。
所述数据集的分解包括以下步骤:
21)将原始数据除以自身的标准差以消除数量级和量纲的影响,进而为后续叠加白噪声做准备;
22)将标准差为NTSD、均值为0的正态分布白噪声附加到原始数据上,产生一组新的含白噪声的数据;
23)再对含白噪声的数据进行经验模态分解得到11组本征模函数;
24)设置额外计算次数为Ne,重复步骤23)和24)进行Ne次,最终共得到11组含白噪声的本征模函数集合;
25)将每一组含白噪声的本征模函数集合求和并除以Ne+1,得到该集合内含白噪声的本征模函数的均值函数,再乘以标准差还原数量级,进而得到消除混频现象的11组本征模函数。
所述进行单项模型预测包括以下步骤:
31)设定XGBoost模型,采用python的sklearn库函数,其设置的参数如下:集成学习率设为0.1、集成中弱评估器的数量设为300、每棵树的最大深度设为5、叶子节点上的二阶导数之和,类似于样本权重设为1、随机抽样时抽取的样本比例设为0.8、每次生成树时随机抽样特征的比例设为0.8、采用L2正则项,其正则项的参数lambda设为1;
32)设定MSVR模型,采用高斯核函数rbf,其影响rbf径向作用范围的参数sigma设为560000000、惩罚系数C设为580000、设置停止训练的误差精度为1e-10、Epsilon设为1.04,指定epsilon-tube,epsilon-tube包含训练损失函数中没有惩罚与在实际值的距离小于Epsilon预测的点;
33)设定MLP模型,采用python的sklearn库函数,其设置的参数如下:使用relu激活函数、其输入层神经元数量为3、其隐藏层神经元数量设为130、其输出层神经元数量为3;
34)将前k天的电力负荷数据集分别带入XGBoost模型、MSVR模型、MLP模型进行训练,然后将后n-k天的电力负荷数据集分别带入以上三种模型进行单项模型预测,得到以上三种模型的预测结果。
所述构建三角模糊最优组合预测模型包括以下步骤:
41)定义三角模糊数中的L、M、R三个端点的预测误差,其反映了最小值、均值、最大值的预测效果,设三个端点的误差同等重要,得到三角模糊数的预测误差;
42)定义三角模糊最优组合优化目标函数和其约束条件,如下:
约束条件,ω1+ω2+ω3=1,ω1>0,ω2>0,ω3>0;
其中,T为预测的天数,N为组合预测模型的数量3,ωi为第i种模型的权重,Lit、Mit、Rit分别为第i种模型第t天的电力负荷最小、平均和最大的实际值,分别为第i种模型第t天的电力负荷最小、平均和最大的预测值;
43)将优化目标函数E作完全平方处理转换为二次线性规划,故转化为求解满足minE2的权重矩阵W,即得到三角模糊最优组合预测模型,如下:
M是通过实际数据与预测数据构建的二次规划标准型的系数矩阵,
所述的电力负荷三角模糊预测结果的获得包括以下步骤:
51)分别将XGBoost模型、MSVR模型、MLP模型的11组电力负荷数据预测结果与其对应的实际数据作为输入,利用软件进行优化求解,得出11×3阶的权重矩阵W,W=(ωij)11×3其中,ωij为第i组本征模函数下第j个模型的权重;
52)将每组本征模函数的单项模型预测结果赋予权重wij进行线性组合,进而得出每组本征模函数的三角模糊最优组合预测结果;
53)对11组预测结果进行线性叠加得到集成的电力负荷三角模糊预测结果,即获得电力负荷预测结果。
有益效果
本发明的基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,与现有技术相比对电力负荷数据的原始数据进行经验模态分解,构建三角模糊数,使用XGBoost、MSVR、MLP三种模型进行组合预测,利用MEEMD算法与最优组合集成技术提高了预测的精度,分散了预测的风险。
本发明在电力预测领域,对比于单独使用XGBoost、MSVR、MLP模型预测结果的预测效果分别提高了72.4%、64.0%、63.0%,极大的提高了预测的准确性且能够很好的反映出电力负荷数据的多维度信息,进而加强国家对电力负荷的管理与控制。
附图说明
图1为本发明的方法顺序图;
图2为预测最后30天的日最大电力负荷本征模分解图;
图3为预测最后30天的日最小电力负荷本征模分解图;
图4为预测最后30天的日平均电力负荷本征模分解图;
图5为预测最后30天的各个模型与组合模型与原始序列日最大电力负荷折线图;
图6为预测最后30天的各个模型与组合模型与原始序列日最小电力负荷折线图;
图7为预测最后30天的各个模型与组合模型与原始序列日平均电力负荷折线图;
图8为预测最后30天的未经分解的各个模型与原始序列日最大电力负荷折线图;
图9为预测最后30天的未经分解的各个模型与原始序列日最小电力负荷折线图;
图10为预测最后30天的未经分解的各个模型与原始序列日平均电力负荷折线图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,包括以下步骤:
第一步,数据集的获取:获取以天为单位的小时电力负荷数据,分别计算出每天电力负荷的最大值R、最小值L和平均值M。
在此,以实际数据为例,电力负荷数据来自于www.wia.gov/网站获取的近2015年7月1日到2022年8月26日美国加利福尼亚州的小时电力负荷数据。该数据由美国每小时电网监控器获取,具有很强的时效性和可靠性。且加利福尼亚州为美国人口第一大洲有十分巨大的用电需求量,电力供应矛盾也愈加突出,电网的最高负荷持续增长。对其电力负荷的监管和调控具有深远的研究意义。从获取的数据分析来看,电力负荷在一天24小时内变化很大,一般而言,夜晚,尤其是深夜耗电量要远小于白天,人们将对电力需求最旺盛的时间称为“高峰”时间,其余则为“非高峰”时间。高峰时间供电的边际成本较高,因为所有设备都投入满负荷的运行;而非高峰时间的边际成本较低,因为只有最高效的发电机组在运转。因此对电力负荷的最大值R,最小值L和平均值M,同时进行预测具有深远的研究意义。采用以下公式计算日电力负荷的R,M和L:
R=max(eh),h=1,2,3K 24;
L=min(eh),h=1,2,3K 24;
其中eh为h时的电力负荷。
第二步,数据集的分解:使用MEEMD方法对电力负荷数据进行分解,得到11组消除混频现象的本征模函数。
由于电力负荷数据具有非线性、随机性和时变性。因此,需要设计一种基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,通过对原始电力负荷信息进行经验模态分解、模糊和集成,并应用于电力预测领域。其中多变量集成经验模态分解(MEEMD)是一种改进的自适应数据分析方法,可以获取电力负荷数据的有效信息,通过加入辅助白噪声来降低模态混叠影响,并将时间序列分解为若干个本征模函数和一个残差构成EEMD分解。同时在EEMD的基础上对电力负荷数据的R、M、L进行同时的分解构成MEEMD分解。
为了消除MEMD的混频现象,该方法对原始数据加上辅助白噪声进行分解,由于原始用电量数据数量级较大,故首先需要将原始数据除以自身的标准差以消除数量级和量纲的影响;然后在原始数据的基础上加上均值为0,标准差为NTSD=0.05的白噪声,得到一组新的含白噪声的数据,接下来再对含白噪声的数据进行经验模态分解得到11组本征模函数(IMF1)1~11,设置额外计算次数Ne=50,每次分解加入随机生成的不同的白噪声,最终共得到11组含白噪声的本征模函数集合(IMF1~IMF51)1~11;然后将每一组含白噪声的本征模函数集合求和并除以Ne+1得到该集合内含白噪声的本征模函数的均值函数,再乘以标准差还原数量级,进而最终得到消除混频现象的11组本征模函数IMF1~IMF11。
添加白噪声的计算公式为:(R,M,L)÷std(R,M,L)+randn*NTSD,其中randn为服从标准正态分布的随机数;求得最终本征模函数的计算公式为:接下来将每组本征模函数的R,L和M组合构成三角模糊数A(R,L,M),这里使用由最大值,最小值和均值构成的三维变量来进行预测,一是为了增加模型预测的准确性,二是为了更加全面的利用现有的数据信息使得预测结果更加的全面,接下来需要进行数据集的构成,将m天的数据构成n天的数据集(n=m-1),选取前k天作为训练集,后n-k天作为测试集,其具体构成方式是将m天数据(2613天)用前一天预测后一天的方法,划分为数据量大小为n(2612天)的数据集,接下来为了便于模型的训练和测试,这里将划分好的数据集分为k天的训练集,n-k天的测试集,其中n-k=30,进而为接下来预测最后30天的电力负荷做准备。
所述数据集的分解包括以下步骤:
(1)将原始数据除以自身的标准差以消除数量级和量纲的影响,进而为后续叠加白噪声做准备。
(2)将标准差为NTSD,均值为0的正态分布白噪声加到原始数据上,产生一组新的含白噪声的数据。
(3)再对含白噪声的数据进行经验模态分解得到11组本征模函数。
(4)设置额外计算次数为Ne,重复步骤(3)和(4)进行Ne次,共得到11组含白噪声的本征模函数集合。
(5)将每一组含白噪声的本征模函数集合求和并除以Ne+1得到该集合内含白噪声的本征模函数的均值均值,再乘以标准差还原数量级,进而得到消除混频现象的11组本征模函数。
第三步,进行单模型预测:前k条数据作为训练集,后n-k条数据作为测试集,分别使用XGBoost、MSVR、MLP预测每一组本征模函数后n-k天的电力负荷数据。首先使用三种机器学习模型对经过MEEMD分解的数据集进行单项模型预测,然后再使用这三种机器学习模型对未经MEEMD分解的数据集进行单项模型预测进而形成对照组,三种机器学习模型分别为极端梯度提升模型XGBoost(eXtreme Gradient Boosting,XGBoost)、多元支持向量机模型MSVR(Multioutput Support Vector Rregression,MSVR),多层感知机模型MLP(Multilayer Perceptron,MLP)实现电力负荷数据的预测。
a.极端梯度提升模型
XGBoost是基于树结构并结合集成学习的一种方法,其基础树结构为分类回归树(CART,Classification and Regression Tree)。类似于局部加权线性回归算法,基于树的回归算法也是一类局部的回归算法,通过将数据集切分成多份,在每一份数据上单独建模。本发明中该模型在预测中设置集成中弱评估器的数量为300进而提高模型的学习能力,若设置过高也可能会影响模型效果,因此这里设为300为佳。设置每棵树的最大深度为5,设置为5能够较好拟合训练集数据也可以防止模型训练的过拟合,设置每个评估器的抽样比例为0.8,即每次从2582条训练样本数据中选取80%的样本建立树模型,设置在建立树时对特征的采样比例也为0.8,这样可以有效的防止每个评估器的过拟合。本发明在该模型中使用的目标函数为线性回归损失函数,通过均方误差最小来进行回归建模,该模型目标函数如下:其中Ω(ft)为惩罚项,这个结构中有两部分内容,一部分是控制树结构的γT,另一部分则是我们的正则项。叶子数量T可以代表整个树结构,这是因为在XGBoost中所有的树都是CART树(二叉树),所以我们可以根据叶子的数量判断出树的深度,而γ是我们自定的控制叶子数量的参数。至于第二部分正则项,这里使用的是L2正则化,其中λ控制正则化强度的参数,当其为0的时候,目标函数就是普通的梯度提升树的目标函数,ft(xi)表示其中一颗回归树,l表示损失函数,如平方损失函数l(yi,yi)=(yi-yi)2。
b.多元支持向量机模型
支持向量机能够有效的处理回归问题以及模式识别问题,因此在监测预测领域也存在应用价值。支持向量机回归分类思想是将线性不可分的数据,通过核函数将数据映射到更高维度空间,本发明利用多元支持向量机模型对电力负荷数据进行预测,其中特征维度为三维,分别是最大电力负荷R,最小电力负荷L,平均电力负荷M,核函数采用的是高斯核函数,能够很好的对该数据集进行预测。该模型的决策函数如下式所示:
其中,αi为拉格朗日乘子,b为偏差值,xi,yi是二分类中的支持向量,K(x·xi)是核函数。
c.多层感知机模型
多层感知器(MLP)是一种前馈的人工神经网络,映射一组输入向量到一组输出向量,具有显著的学习和推理能力。能够很好的适用于电力负荷的三角模糊预测,其输入层神经元为3,分别表示R最大电力负荷,M平均电力负荷,L最小电力负荷,和若干隐藏层,本发明设置的隐藏层神经元数量130,通过激活函数改变线性规则,克服感知器不能对线性不可分数据进行识别的弱点,使得神经网络可以应用到更多的非线性模型中。其中输出层神经元为3,代表预测的下一天的三维R,M,L结果。
所述进行单模型预测包括以下步骤:
(1)设定XGBoost模型,采用python的sklearn库函数,其设置的参数如下:集成学习率设为0.1、集成中弱评估器的数量设为300、每棵树的最大深度设为5、叶子节点上的二阶导数之和,类似于样本权重设为1、随机抽样的时候抽取的样本比例设为0.8、每次生成树时随机抽样特征的比例设为0.8、采用L2正则项,其正则项的参数lambda设为1。
(2)设定MSVR模型,采用高斯核函数rbf,其影响rbf径向作用范围的参数sigma设为560000000、惩罚系数C设为580000、设置停止训练的误差精度为1e-10、Epsilon设为1.04,指定epsilon-tube,epsilon-tube包含训练损失函数中没有惩罚与在实际值的距离小于Epsilon预测的点。
(3)设定MLP模型,采用relu激活函数、其输入层神经元数量为3、其隐藏层神经元数量设为130、其输出层神经元数量为3。
(4)将前k天的电力负荷数据集分别带入XGBoost模型、MSVR模型、MLP模型进行训练,然后将后n-k天的电力负荷数据集分别带入以上三种模型进行单项模型预测,得到以上三种模型的预测结果。
第四步,构建三角模糊最优组合预测模型:利用三种单项预测模型的预测结果,构建每一组本征模函数的以电力负荷预测误差平方和达到最小的三角模糊最优组合预测模型。
不同的本征模函数(IMF)分量具有不同的数据分布特性和变化规律,上述步骤提及到的三种模型针对得到的11组本征模函数预测效果有好有坏,部分IMF分量适合于MSVR预测模型,也有部分IMF分量适合于XGBoost模型和MLP模型,因此本发明将对不同的IMF分量应用到不同权重的组合预测模型,相比于单项预测模型可以很大程度上提高电力负荷的预测效果。接下来本发明针对三角模糊最优组合预测模型进行着重探讨。
首先定义三角模糊数中的L、M、R三个端点的预测误差,其反映了最小值、均值、最大值的预测效果,这里将三个端点的误差看成同等重要,得到三角模糊数的预测误差;
然后定义三角模糊最优组合优化目标函数和其约束条件,如下:
约束条件,ω1+ω2+ω3=1,ω1>0,ω2>0,ω3>0;
其中T为预测的天数2612-k,N为组合预测模型的数量3,ωi为第i种模型的权重,Lit,Mit,Rit分别为第i种模型第t天的电力负荷最小、平均和最大的实际值,分别为第i种模型第t天的电力负荷最小、平均和最大的预测值。
最后,为了便于求解将目标函数,将E作完全平方处理转换为二次线性规划,故转化为求解满足minE2的权重矩阵W,即得到三角模糊最优组合预测模型,如下:
M是通过实际数据与预测数据构建的二次规划标准型的系数矩阵,
第五步,电力负荷三角模糊预测结果的获得:利用软件求解每一组本征模函数的三角模糊最优组合预测模型,得到11组本征模函数的预测结果,再进行线性叠加得到集成的预测结果,即电力负荷预测结果。
首先分别将XGBoost模型、MSVR模型、MLP模型的11组电力负荷数据预测结果与其对应的实际数据作为输入(这里对应11个IMF分量),接下来利用MATLAB最优化工具箱进行优化求解,得出11×3阶的最优权重矩阵W,W=(ωij)11×3其中,ωij为第i组本征模函数下第j个模型的权重;
然后将每组本征模函数的单项模型预测结果赋予权重ωij进行线性组合,预测最后n-k天的电力负荷数据(n=2612)。得出每组本征模函数的三角模糊最优组合预测结果;
最后再对11组预测结果进行线性叠加得到集成的组合预测结果,获得电力负荷三角模糊预测结果。
如图2、图3、图4所示,分别为预测最后30天的日最大、最小、平均电力负荷本征模函数分解图,从图2、图3、图4中可以看到原始序列和11组本征模函数的日最大、最小、平均电力负荷随时间的变化规律,通过MEEMD分解得到了消除混频现象的本征模函数,进而为后续预测做好充足准备。
如图5、图6、图7所示,分别为预测最后30天的各个模型与组合模型与原始序列日最大、最小、平均电力负荷折线图,从图5、图6、图7中可以看到电力负荷组合预测模型与原始序列拟合度最高,均强于单项模型预测效果。
如图8、图9、图10所示,分别为预测最后30天的未经分解的各个模型与组合模型与原始序列日最大、最小、平均电力负荷折线图,通过对比图5与图8,图6和图9,图7和图10,可以看到,经过MEEMD分解后的最大、最小、平均电力负荷数据无论进行单项模型预测还是进行组合模型预测,预测效果均好于未经分解的预测方法。
综上所述,本发明将电力负荷数据构成三角模糊数A(R,M,L)能够很好的反映出电力负荷数据的多维度信息,并且能够提升预测效果。本发明使用的MEEMD方法能够将复杂无规则的原始电力负荷数据进行分解,得到包含了原始序列数据不同时间尺度的局部特征的11组本征模函数,通过分别对各组本征模函数的预测然后再将预测结果组合回去能够有效且十分准确的对各个分量特征进行预测,进而提升最终预测效果。MSVR、MLP、XGBoost这三种模型对电力负荷数据进行预测的结果针对不同的本征模分量各有好坏,通过组合预测能够有效的结合各种模型的优点,针对不同的序列数据都能够很好的进行预测,进而提高预测效果。本发明将MEEMD方法与最优组合集成为一体进行三角模糊预测,极大的提高了预测的准确性而且能够从对维度上对预测结果进行分析,进而加强国家对电力负荷的管理与控制。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,其特征在于,包括以下步骤:
11)数据集的获取:获取以天为单位的小时电力负荷数据,分别计算出每天电力负荷的最大值R、最小值L和平均值M;
12)数据集的分解:使用MEEMD方法对电力负荷数据进行分解,得到11组,即11*3个消除混频现象的本征模函数;
13)进行单项模型预测:前k条数据作为训练集,后n-k条数据作为测试集,分别使用XGBoost、MSVR、MLP预测每一组本征模函数后n-k天的电力负荷数据;
14)构建三角模糊最优组合预测模型:利用三种单项预测模型的预测结果,构建每一组本征模函数的以电力负荷预测误差平方和达到最小的三角模糊最优组合预测模型;
15)电力负荷三角模糊预测结果的获得:利用软件求解每一组本征模函数的三角模糊最优组合预测模型,得到11组本征模函数的预测结果,再进行线性叠加得到集成的预测结果,即电力负荷预测结果。
2.根据权利要求1所述的基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,其特征在于,所述数据集的分解包括以下步骤:
21)将原始数据除以自身的标准差以消除数量级和量纲的影响,进而为后续叠加白噪声做准备;
22)将标准差为NTSD、均值为0的正态分布白噪声附加到原始数据上,产生一组新的含白噪声的数据;
23)再对含白噪声的数据进行经验模态分解得到11组本征模函数;
24)设置额外计算次数为Ne,重复步骤23)和24)进行Ne次,最终共得到11组含白噪声的本征模函数集合;
25)将每一组含白噪声的本征模函数集合求和并除以Ne+1,得到该集合内含白噪声的本征模函数的均值函数,再乘以标准差还原数量级,进而得到消除混频现象的11组本征模函数。
3.根据权利要求1所述的基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,其特征在于,所述进行单项模型预测包括以下步骤:
31)设定XGBoost模型,采用python的sklearn库函数,其设置的参数如下:集成学习率设为0.1、集成中弱评估器的数量设为300、每棵树的最大深度设为5、叶子节点上的二阶导数之和即样本权重设为1、随机抽样时抽取的样本比例设为0.8、每次生成树时随机抽样特征的比例设为0.8、采用L2正则项,其正则项的参数lambda设为1;
32)设定MSVR模型,采用高斯核函数rbf,其影响rbf径向作用范围的参数sigma设为560000000、惩罚系数C设为580000、设置停止训练的误差精度为1e-10、Epsilon设为1.04,指定epsilon-tube,epsilon-tube包含训练损失函数中没有惩罚与在实际值的距离小于Epsilon预测的点;
33)设定MLP模型,采用python的sklearn库函数,其设置的参数如下:使用relu激活函数、其输入层神经元数量为3、其隐藏层神经元数量设为130、其输出层神经元数量为3;
34)将前k天的电力负荷数据集分别带入XGBoost模型、MSVR模型、MLP模型进行训练,然后将后n-k天的电力负荷数据集分别带入以上三种模型进行单项模型预测,得到以上三种模型的预测结果。
4.根据权利要求1所述的基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,其特征在于,所述构建三角模糊最优组合预测模型包括以下步骤:
41)定义三角模糊数中的L、M、R三个端点的预测误差,其反映了最小值、均值、最大值的预测效果,设三个端点的误差同等重要,得到三角模糊数的预测误差;
42)定义三角模糊最优组合优化目标函数和其约束条件,如下:
约束条件,ω1+ω2+ω3=1,ω1>0,ω2>0,ω3>0;
其中,T为预测的天数,N为组合预测模型的数量3,ωi为第i种模型的权重,Lit、Mit、Rit分别为第i种模型第t天的电力负荷最小、平均和最大的实际值,分别为第i种模型第t天的电力负荷最小、平均和最大的预测值;
43)将优化目标函数E作完全平方处理转换为二次线性规划,故转化为求解满足minE2的权重矩阵W,即得到三角模糊最优组合预测模型,如下:
M是通过实际数据与预测数据构建的二次规划标准型的系数矩阵,
5.根据权利要求1所述的基于MEEMD与最优组合集成的电力负荷三角模糊预测方法,其特征在于,所述的电力负荷三角模糊预测结果的获得包括以下步骤:
51)分别将XGBoost模型、MSVR模型、MLP模型的11组电力负荷数据预测结果与其对应的实际数据作为输入,利用软件进行优化求解,得出11×3阶的权重矩阵W,W=(ωij)11×3其中,ωij为第i组本征模函数下第j个模型的权重;
52)将每组本征模函数的单项模型预测结果赋予权重wij进行线性组合,进而得出每组本征模函数的三角模糊最优组合预测结果;
53)对11组预测结果进行线性叠加得到集成的电力负荷三角模糊预测结果,即获得电力负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211318864.9A CN115619025A (zh) | 2022-10-26 | 2022-10-26 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211318864.9A CN115619025A (zh) | 2022-10-26 | 2022-10-26 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115619025A true CN115619025A (zh) | 2023-01-17 |
Family
ID=84864268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211318864.9A Pending CN115619025A (zh) | 2022-10-26 | 2022-10-26 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619025A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756535A (zh) * | 2023-08-17 | 2023-09-15 | 深圳市则成电子股份有限公司 | Fpc的缺陷检测方法、装置以及检测设备 |
CN116976149A (zh) * | 2023-09-22 | 2023-10-31 | 广东海洋大学 | 一种海表温度预测方法 |
CN117349661A (zh) * | 2023-12-04 | 2024-01-05 | 浙江大学高端装备研究院 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
-
2022
- 2022-10-26 CN CN202211318864.9A patent/CN115619025A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756535A (zh) * | 2023-08-17 | 2023-09-15 | 深圳市则成电子股份有限公司 | Fpc的缺陷检测方法、装置以及检测设备 |
CN116756535B (zh) * | 2023-08-17 | 2023-11-24 | 深圳市则成电子股份有限公司 | Fpc的缺陷检测方法、装置以及检测设备 |
CN116976149A (zh) * | 2023-09-22 | 2023-10-31 | 广东海洋大学 | 一种海表温度预测方法 |
CN116976149B (zh) * | 2023-09-22 | 2023-12-29 | 广东海洋大学 | 一种海表温度预测方法 |
CN117349661A (zh) * | 2023-12-04 | 2024-01-05 | 浙江大学高端装备研究院 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
CN117349661B (zh) * | 2023-12-04 | 2024-02-20 | 浙江大学高端装备研究院 | 柱塞泵振动信号特征提取方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | A new combined model based on multi-objective salp swarm optimization for wind speed forecasting | |
CN115619025A (zh) | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 | |
Kavousi-Fard et al. | Short term load forecasting of distribution systems by a new hybrid modified FA-backpropagation method | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
Rizwan et al. | Artificial intelligence based approach for short term load forecasting for selected feeders at madina saudi arabia | |
Lu | Research on GDP forecast analysis combining BP neural network and ARIMA model | |
Panda et al. | Long term electrical load forecasting: an empirical study across techniques and domains | |
CN117239722A (zh) | 一种考虑多元负荷影响的系统风荷短期预测方法 | |
CN115034473A (zh) | 一种电价预测方法、系统及装置 | |
Hu et al. | Rolling decomposition method in fusion with echo state network for wind speed forecasting | |
Zhang et al. | Prediction method of line loss rate in low‐voltage distribution network based on multi‐dimensional information matrix and dimensional attention mechanism‐long‐and short‐term time‐series network | |
Bui et al. | A statistical data-filtering method proposed for short-term load forecasting models | |
Xu et al. | A novel hybrid wind speed interval prediction model based on mode decomposition and gated recursive neural network | |
CN115860212A (zh) | 一种配电网的风险预测方法与终端 | |
Zhang et al. | Wind farm wind power prediction method based on CEEMDAN and DE optimized DNN neural network | |
Mukhamadieva | Fuzzy artificial neural network for prediction and management tasks | |
CN113449912B (zh) | 一种基于人工智能技术的空间负荷态势感知方法 | |
Govender et al. | Short-term load forecasting using artificial neural networks and multiple linear regression | |
Liu et al. | Analysis and prediction of power distribution network loss based on machine learning | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN114298408A (zh) | 一种基于ceemd-lstm-mlr的短期电力负荷预测方法 | |
Kong et al. | Short-term load forecasting of power grid based on multivariate empirical mode decomposition and genetic algorithm optimization BP Neural Network | |
CN112183814A (zh) | 一种短期风速预测方法 | |
Chen et al. | Forecasting daily electricity load by wavelet neural networks optimized by cuckoo search algorithm | |
Sari et al. | Comparison of ANFIS and NFS on inflation rate forecasting |
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 |