CN116613745A - 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法 - Google Patents

Abstract

本发明的一种基于变分模态分解的PSO‑ELM电动汽车充电负荷预测方法，包括数据采集、数据处理、使用变分模态分解对数据进行信号分解，分解后得到子序列带入到ELM网络中得到ELM预测模型，在使用PSO算法对ELM预测模型的参数进行优化，得到PSO‑ELM预测模型，判断模型精度符合要求后，使用模型进行预测。本发明采取将变分模态分解信号分解技术对历史数据进行分解，对每个分量单独建立预测模型，从而获得了平稳的信号序列，同时采用ELM网络，利用其分层无监督训练能够学习到数据的高级特征的特性，有效的提高了模型的预测精度以及泛化能力，并采取了PSO方法优化ELM网络，从而获得更好的预测效果。

Description

一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测 方法

技术领域

本发明涉负荷预测技术领域，具体涉及一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法。

背景技术

近年来，电动汽车(electric vehicle，EV)引起了广泛关注，其短期充电电力负荷预测也成为了兴起的热门方向之一。但电动汽车随机性强且充电功率大，大规模程度的电动汽车接入电网势必会对电网产生很大的影响，且对电网运行调度造成一定程度的冲击与干扰。同时由于其用户充电时具有时间、空间上的间歇性与随机性进一步导致了充电站负荷量的不确定性，配电网也会受到很大的冲击和挑战，准确的电动汽车充电负荷预测可以使得电力系统运行与调度更加完善，同时将过去电动汽车日负荷曲线作为基础来对电动汽车日负荷精确预测，也可以对电动汽车优化调度提供有效的辅助决策。

发明内容

为了解决现有技术中大规模电动汽车接入电网中对电网运行造成干扰与冲击的问题，本发明提供一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法。

本发明为实现上述目的所采用的技术方案是：一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，包括以下步骤：

S1：采集指定地区充电站电动汽车的充电负荷数据，将所采集的数据划分为训练集和测试集，对数据进行预处理，并将预处理后的数据进行归一化处理；

S2：使用变分模态分解对归一化处理后的充电负荷数据进行信号分解，得到模态子序列；

S3：将训练集的模态子序列导入ELM网络，得到ELM预测模型；

S4：利用PSO方法对ELM预测模型进行优化，构建PSO-ELM预测模型；

S5：将测试集的模态子序列导入PSO-ELM预测模型中进行测试，并累加所有预测值得到预测结果，并判断模型是否满足精度要求；

S6：利用满足精度要求的PSO-ELM预测模型对电动汽车充电负荷进行预测；

优选地，所述步骤S1中的预处理包括数据清洗、缺失数据填充；

优选地，所述步骤S1中归一化处理的表达式如下：

其中：G_nm表示归一化后的结果，G表示自变量输入值，G_max和G_min分别表示所在数据集中对应影响因素的最大值和最小值；

优选地，所述步骤S2中使用变分模态分解对归一化处理后的充电负荷数据进行信号分解，包括以下步骤：

S2.1：利用变分模态分解法将充电负荷数据进行分解，得到k个分量的模态{b_k}，并获得k个分量的中心频率{f_k}；

S2.2：引入拉格朗日乘子λ和惩罚因子α，得到拉格朗日函数：

其中：L(*)表示拉格朗日函数，δ(t)表示冲击函数，f(t)表示原始信号，表示对t求偏导数，k表示模态的序号，K表示模态的总数，j表示复数，t表示时域，b_k(t)表示时域下的b_k，λ(t)表示时域下的λ；

S2.3，利用交替方向乘子法求解拉格朗日函数的迭代，迭代次数为n，令n＝n+1，不断更新得到和/>

其中：^代表傅里叶变换，n表示迭代次数，与/>分别表示第n+1次循环的模态分量和中心频率，k表示模态的序号，f表示信号从时域变化到频域的符号，w表示原始信号，w(f)表示从时域变化到频域的原始信号，b_i表示第i个分量的模态，i表示0-k之间的数；

S2.4：对拉格朗日乘子λ进行更新，其表达式为：

其中：^代表傅里叶变换，λⁿ和λⁿ⁺¹表示第n次和第n+1次循环的拉格朗日乘子乘子，w表示原始信号，k表示模态的序号，w(f)表示从时域变化到频域的原始信号，σ为更新参数；

S2.5：若满足收敛条件则停止迭代并输出模态子序列，如不满足则返回步骤S2.3继续迭代，收敛条件如下：

其中：和/>分别表示第n次和第n+1次循环中第k个分量的模态，ε表示收敛判据，是大于0的实数；

优选地，所述步骤S3将训练集的模态子序列导入ELM网络中，得到ELM预测模型，包括以下步骤：

S3.1：设隐藏层节点数目为L，将训练集数据经过模态分解后导入ELM网络；

S3.2：确定输入的权重ω和隐含层的偏差b_i的数值；

S3.3：计算隐含层的输出矩阵O：

其中：O(x)＝[o₁(x),...,o_L(x)]表示隐藏层的输出矩阵，o_i(x)表示第i个隐藏层节点的输出，g(ω_ix_i+b_i)表示激活函数，ω_i和b_i表示隐藏节点参数，N和L分别表示行数和列数；

S3.4：根据输出矩阵得到输出权值矩阵β:β＝O⁺T：

其中：O⁺表示矩阵O的广义逆矩阵，β表示隐藏层与输出层之间的输出权重，T表示目标矩阵，其中N和L表示行数，M表示列数；

优选地，所述步骤S4中将ELM网络进行训练，使用PSO方法对ELM网络进行优化，包括以下步骤：

S4.1：将粒子群参数进行初始化，并提前设定好极限学习机的学习参数；

S4.2：根据粒子信息数值与训练集的模态子序列进行计算获得适应度值D_i，并将全局最优位置s_best和局部最优位置z_best设为历史最佳位置；

其中适应度值的计算公式如下：

其中：L，E表示训练样本和验证样本各自的数量，l和e分别表示训练样本和验证样本的序号，y_l，分别表示在训练样本中的真实值和预测值；y_e，/>分别表示验证样本的真实值和预测值；

S4.3：将得到的适应度值与全局最优解相比较，并对普通粒子和局部最优粒子位置进行更新，计算公式如下：

其中：分别表示在第t次迭代时，第j维上的第i个粒子的速度分量、位置分量，/>分别表示在第t+1次迭代时，第j维上的第i个粒子的速度分量、位置分量，/>和/>分别表示在第t次迭代时第j维的第i个粒子的全局最优值和局部最优值；w表示惯性权重；q表示超参量；u₁和u₂表示学习因子；c₁和c₂具体表示在[0,1]之间彼此独立的随机数值；

S4.4：达到最大迭代次数时终止迭代，并获得当前迭代中的最优解，将最优解赋予给ELM预测模型，完成对ELM预测模型的优化；

优选地，所述步骤S5中精度判断标准为平均绝对百分误差M_PE：

其中：n表示预测结果的总个数，v_i和a_i分别表示预测第i个采样点的实际值和预测值。

本发明的有益效果在于，采取将变分模态分解信号分解技术对历史数据进行分解，对每个分量单独建立预测模型，从而获得了平稳的信号序列，同时采用ELM网络，利用其分层无监督训练能够学习到数据的高级特征的特性，有效的提高了模型的预测精度以及泛化能力，并采取了PSO方法优化ELM网络，从而获得更好的预测效果。

附图说明

图1是本发明的电动汽车充电负荷预测方法流程图。

图2是本发明使用PSO算法对ELM预测模型参数优化的流程图。

图3是本发明中测试集中预测值和真实值对比图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

如图1-2所示，本实施例的一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，包括以下步骤：

S1：采集指定地区充电站电动汽车的充电负荷数据，将所采集的数据划分为训练集和测试集，采集200组负荷数据，每组包含八维数据，每组前7维为前7天的数据，作为预测基础，第8维为次日的预测数据，作为预测结果，将200组数据的前140组数据作为训练集，后60组数据作为测试集，对数据进行预处理，其中预处理包括数据清洗、缺失数据填充，并将预处理后的数据进行归一化处理；其中归一化处理的表达式如下：

其中：G_nm表示归一化后的结果，G表示自变量输入值，G_max和G_min分别表示所在数据集中对应影响因素的最大值和最小值；

S2：使用变分模态分解对归一化处理后的充电负荷数据进行信号分解，得到模态子序列，包括以下步骤：

S2.1：利用变分模态分解法将充电负荷数据进行分解，得到k个分量的模态{b_k}，并获得k个分量的中心频率{f_k}；

S2.2：引入拉格朗日乘子λ和惩罚因子α，得到拉格朗日函数：

其中：L(*)表示拉格朗日函数，δ(t)表示冲击函数，f(t)表示原始信号，表示对t求偏导数，k表示模态的序号，K表示模态的总数，j表示复数，t表示时域，b_k(t)表示时域下的b_k，λ(t)表示时域下的λ；

S2.3，利用交替方向乘子法求解拉格朗日函数的迭代，迭代次数为n，令n＝n+1，不断更新得到和/>

其中：^代表傅里叶变换，n表示迭代次数，与/>分别表示第n+1次循环的模态分量和中心频率，k表示模态的序号，f表示信号从时域变化到频域的符号，w表示原始信号，w(f)表示从时域变化到频域的原始信号，b_i表示第i个分量的模态，i表示0-k之间的数；

S2.4：对拉格朗日乘子λ进行更新，其表达式为：

其中：^代表傅里叶变换，λⁿ和λⁿ⁺¹表示第n次和第n+1次循环的拉格朗日乘子乘子，w表示原始信号，k表示模态的序号，w(f)表示从时域变化到频域的原始信号，σ为更新参数；

S2.5：若满足收敛条件则停止迭代并输出模态子序列，如不满足则返回步骤S2.3继续迭代，收敛条件如下：

其中：和/>分别表示第n次和第n+1次循环中第k个分量的模态，ε表示收敛判据，是大于0的实数；

S3：将训练集的模态子序列导入ELM网络，得到ELM预测模型，包括以下步骤：

S3.1：设隐藏层节点数目为L，将训练集数据经过模态分解后导入ELM网络；

S3.2：确定输入的权重ω和隐含层的偏差b_i的数值；

S3.3：计算隐含层的输出矩阵O：

其中：O(x)＝[o₁(x),...,o_L(x)]表示隐藏层的输出矩阵，o_i(x)表示第i个隐藏层节点的输出，g(ω_ix_i+b_i)表示激活函数，ω_i和b_i表示隐藏节点参数，N和L分别表示行数和列数；S3.4：根据输出矩阵得到输出权值矩阵β:β＝O⁺T：

其中：O⁺表示矩阵O的广义逆矩阵，β表示隐藏层与输出层之间的输出权重，T表示目标矩阵，N和L表示行数，M表示列数；

S4：利用PSO方法对ELM预测模型进行优化，构建PSO-ELM预测模型，包括以下步骤：

S4.1：将粒子群参数进行初始化，并提前设定好极限学习机的学习参数；

S4.2：根据粒子信息数值与训练集的模态子序列进行计算获得适应度值D_i，并将全局最优位置s_best和局部最优位置z_best设为历史最佳位置；

其中适应度值的计算公式如下：

其中：L，E表示训练样本和验证样本各自的数量，l和e分别表示训练样本和验证样本的序号，y_l，分别表示在训练样本中的真实值和预测值；y_e，/>分别表示验证样本的真实值和预测值；

S4.3：将得到的适应度值与全局最优解相比较，并对普通粒子和局部最优粒子位置进行更新，计算公式如下：

其中：分别表示在第t次迭代时，第j维上的第i个粒子的速度分量、位置分量，/>分别表示在第t+1次迭代时，第j维上的第i个粒子的速度分量、位置分量，/>和/>分别表示在第t次迭代时第j维的第i个粒子的全局最优值和局部最优值；w表示惯性权重；q表示超参量；u₁和u₂表示学习因子；c₁和c₂具体表示在[0,1]之间彼此独立的随机数值；

S4.4：达到最大迭代次数时终止迭代，并获得当前迭代中的最优解，将最优解赋予给ELM预测模型，完成对ELM预测模型的优化；

S5：将测试集的模态子序列导入PSO-ELM预测模型中进行测试，并累加所有预测值得到预测结果，并根据平均绝对百分误差M_PE判断模型是否满足精度要求，其中平均绝对百分误差M_PE的表达式为：

其中：n表示预测结果的总个数，v_i和a_i分别表示预测第i个采样点的实际值和预测值；

S6：利用满足精度要求的PSO-ELM预测模型对电动汽车充电负荷进行预测。

本发明的有益效果在于，采取将变分模态分解信号分解技术对历史数据进行分解，对每个分量单独建立预测模型，从而获得了平稳的信号序列，同时采用ELM网络，利用其分层无监督训练能够学习到数据的高级特征的特性，有效的提高了模型的预测精度以及泛化能力，并采取了PSO方法优化ELM网络，从而获得更好的预测效果。

本发明是通过实施例进行描述的，本领域技术人员知悉，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明的保护范围。

Claims (7)

1.一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，其特征在于，包括以下步骤：

S1：采集指定地区充电站电动汽车的充电负荷数据，将所采集的数据划分为训练集和测试集，对数据进行预处理，并将预处理后的数据进行归一化处理；

S2：使用变分模态分解对归一化处理后的充电负荷数据进行信号分解，得到模态子序列；

S3：将训练集的模态子序列导入ELM网络，得到ELM预测模型；

S4：利用PSO方法对ELM预测模型进行优化，构建PSO-ELM预测模型；

S5：将测试集的模态子序列导入PSO-ELM预测模型中进行测试，并累加所有预测值得到预测结果，并判断模型是否满足精度要求；

S6：利用满足精度要求的PSO-ELM预测模型对电动汽车充电负荷进行预测。

2.根据权利要求1所述的一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，其特征在于，所述步骤S1中的预处理包括数据清洗、缺失数据填充。

3.根据权利要求1所述的一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，其特征在于，所述步骤S1中归一化处理的表达式如下：

其中：G_nm表示归一化后的结果，G表示自变量输入值，G_max和G_min分别表示所在数据集中对应影响因素的最大值和最小值。

4.根据权利要求3所述的一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，其特征在于，所述步骤S2中使用变分模态分解对归一化处理后的充电负荷数据进行信号分解，包括以下步骤：

S2.1：利用变分模态分解法将充电负荷数据进行分解，得到k个分量的模态{b_k}，并获得k个分量的中心频率{f_k}；

S2.2：引入拉格朗日乘子λ和惩罚因子α，得到拉格朗日函数：

其中：L(*)表示拉格朗日函数，δ(t)表示冲击函数，f(t)表示原始信号，表示对t求偏导数，k表示模态的序号，K表示模态的总数，j表示复数，t表示时域，b_k(t)表示时域下的b_k，λ(t)表示时域下的λ；

S2.3，利用交替方向乘子法求解拉格朗日函数的迭代，迭代次数为n，令n＝n+1，不断更新得到和/>

其中：^代表傅里叶变换，n表示迭代次数，与/>分别表示第n+1次循环的模态分量和中心频率，k表示模态的序号，f表示信号从时域变化到频域的符号，w表示原始信号，w(f)表示从时域变化到频域的原始信号，b_i表示第i个分量的模态，i表示0-k之间的数；

S2.4：对拉格朗日乘子λ进行更新，其表达式为：

其中：^代表傅里叶变换，λⁿ和λⁿ⁺¹表示第n次和第n+1次循环的拉格朗日乘子乘子，w表示原始信号，k表示模态的序号，w(f)表示从时域变化到频域的原始信号，σ为更新参数；

S2.5：若满足收敛条件则停止迭代并输出模态子序列，如不满足则返回步骤S2.3继续迭代，收敛条件如下：

其中：和/>分别表示第n次和第n+1次循环中第k个分量的模态，ε表示收敛判据，是大于0的实数。

5.根据权利要求4所述的一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，其特征在于，所述步骤S3将训练集的模态子序列导入ELM网络中，得到ELM预测模型，包括以下步骤：

S3.1：设隐藏层节点数目为L，将训练集数据经过模态分解后导入ELM网络；

S3.2：确定输入的权重ω和隐含层的偏差b_i的数值；

S3.3：计算隐含层的输出矩阵O：

其中：O(x)＝[o₁(x),...,o_L(x)]表示隐藏层的输出矩阵，o_i(x)表示第i个隐藏层节点的输出，g(ω_ix_i+b_i)表示激活函数，ω_i和b_i表示隐藏节点参数，N和L分别表示行数和列数；S3.4：根据输出矩阵得到输出权值矩阵β:β＝O⁺T：

其中：O⁺表示矩阵O的广义逆矩阵，β表示隐藏层与输出层之间的输出权重，T表示目标矩阵，其中N和L表示行数，M表示列数。

6.根据权利要求5所述的一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，其特征在于，所述步骤S4中将ELM网络进行训练，使用PSO方法对ELM网络进行优化，包括以下步骤：

S4.1：将粒子群参数进行初始化，并提前设定好极限学习机的学习参数；

S4.2：根据粒子信息数值与训练集的模态子序列进行计算获得适应度值D_i，并将全局最优位置s_best和局部最优位置z_best设为历史最佳位置；

其中适应度值的计算公式如下：

其中：L，E表示训练样本和验证样本各自的数量，l和e分别表示训练样本和验证样本的序号，y_l，分别表示在训练样本中的真实值和预测值；y_e，/>分别表示验证样本的真实值和预测值；

S4.3：将得到的适应度值与全局最优解相比较，并对普通粒子和局部最优粒子位置进行更新，计算公式如下：

其中：分别表示在第t次迭代时，第j维上的第i个粒子的速度分量、位置分量，分别表示在第t+1次迭代时，第j维上的第i个粒子的速度分量、位置分量，/>和分别表示在第t次迭代时第j维的第i个粒子的全局最优值和局部最优值；w表示惯性权重；q表示超参量；u₁和u₂表示学习因子；c₁和c₂具体表示在[0,1]之间彼此独立的随机数值；

S4.4：达到最大迭代次数时终止迭代，并获得当前迭代中的最优解，将最优解赋予给ELM预测模型，完成对ELM预测模型的优化。

7.根据权利要求1所述的一种基于变分模态分解的PSO-ELM电动汽车充电负荷预测方法，其特征在于，所述步骤S5中精度判断标准为平均绝对百分误差M_PE：

其中：n表示预测结果的总个数，v_i和a_i分别表示预测第i个采样点的实际值和预测值。