基于VMD-PSO-BPNN的短期电力负荷预测模型建立方法与流程

本发明涉及造纸企业智能用电
技术领域：
，具体涉及一种基于vmd-pso-bpnn的短期电力负荷预测模型建立方法。
背景技术：
：制浆造纸过程存在大量间歇用电设备，通过优化这些间歇用电设备的开机、停机计划，可有效实现用电削峰填谷，降低成产成本。目前制浆造纸企业对电力需求侧的预测主要通过历史经验购电，这导致所购的常出现过剩或者不足的问题。因此，如何对企业用电负荷进行预测，进而实现优化排产和合理购电是提高造纸企业经济效益增强稳定生产的一个重要途径。近三年来，主要的研究方向之一是采用拆分重构的方法对电力负荷进行预测。由于造纸企业的用电无周期性，且负荷波动频率高，利用vmd可以将高频率的波形拆分成几个不同且频率较低的波形的特点。而且相比于emd(经典模态分解)，vmd算法是一种更为精确的数学算法，而且对噪声和采样频率都很敏感，因此十分适合于造纸企业用电负荷的拆分。神经网络模型根据不同的实际情况来选择适合解决相应问题的结构参数。但是当需要解决的问题相对比较复杂时，用基本的人工神经网络(ann)一般达不到实际应用的需求，基于优化算法进行神经网络优化的结合算法是解决上述问题的方法之一。bpnn(bp神经网络)是一种针对非线性、非周期、无规律、无结构性或半结构性数据建模最常用、效果最佳的模型，结合数据挖掘建立具有时间序列特征的bpnn来建立造纸企业用电负荷预测模型是十分实用的。pso(粒子群优化算法)是一类概率型的全局优化算法。非确定算法的优点在于算法能有更多机会求解全局最优解。由于bpnn预测存在过拟合以及陷入局部最优等问题，因此采用pso算法优化bpnn的权值和阈值，防止以上问题的发生是十分合适的。技术实现要素：本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于vmd-pso-bpnn的短期电力负荷预测模型建立方法，利用vmd分解算法把造纸企业用电负荷进行分解，利用滞后自相关法选择预测模型的输入，最后利用pso对bpnn的权值和阈值进行优化，建立电力负荷预测模型，预测并对预测效果进行评价，从而能够精确预测造纸企业用电负荷。本发明的目的可以通过采取如下技术方案达到：一种基于vmd-pso-bpnn的短期电力负荷预测模型建立方法，该短期电力负荷预测模型应用于造纸企业的电力负荷预测，所述的建立方法包括以下步骤：s1、获取造纸企业数据的用电数据；s2、利用vmd分解算法，对预处理后的负荷序列进行序列分解；s3、利用滞后自相关法对每个分解序列选取输入变量；s4、设置bpnn网络的隐藏层神经元数，以及bpnn网络的权值和阈值，把分解序列的训练集输入初始的bpnn网络中，把拟合结果和实际结果之间残差作为适应度值，利用pso算法更新权值和阈值的大小，寻找最优的拟合结果，把最优拟合结果对应bpnn网络进行输出，利用训练好的bpnn网络对分解序列进行预测，把所有分解序列的预测结果进行叠加，得到短期电力负荷预测模型。进一步地，所述的步骤s2中通过搜寻约束分变模型最优解来实现信号自适应分解，将原始负荷序列分解成一系列具有稀疏特性的模态分量，即将原始序列分解为不同频率的序列，具体包括：s201、对于每个模态u(t)，通过希尔伯特变换计算与之相关的解析信号，计算公式如下：式中，h(t)为模态解析信号，δ(t)是狄拉克分布，t是采样时间点，j为虚数，*表示卷积；s202、对各模态解析信号预估计的中心频率ωk进行混合，将每个模态的频谱调制到相应的基频带，其公式如下：s203、计算式(2)中基频带的梯度平方l2范数，估计出各模态分量的带宽，对应的约束变分模型为：式中，f(t)＝∑ku(t)；s204、采用二次惩罚函数项和拉格朗日乘子算子得到一个无约束问题，最后求解该问题的公式为：式中，{uk}＝{u1,u2,···,uk}代表分解得到的k个imf分量，{ωk}＝{ω1,ω2,···,ωk}表示各分量的中心频率，∑k表示各模态分量求和，λ(t)为拉格朗日乘数，α是数据保真约束的平衡参数，f(t)为原始信号。进一步地，所述的步骤s3中，通过滞后自相关方法找出过去用电负荷对当前用电负荷的影响，使用自相关函数作为选择信息特征子集的指导，即通过自相关的滞后阶次来选取输入变量，当滞后自相关系数的绝对值大于0.8时，用这一滞后时刻对应的有效功率作为模型的输入，其表达式为：式中，是给定时间序列中所有x的平均值，x＝{xt:t∈t}，为时间序列数据集，rk为测量时间t和t-k时间序列的线性相关性。进一步地，所述的步骤s4包括：s401、把数据处理后的输入和输出数据集分为训练集和测试集；s402、初始化bpnn的权值和阈值，并设置bpnn参数，其中bpnn参数包括：输入层层数、隐藏层层数、输出层的层数、训练次数、训练目标和学习速率；s403、初始化pso优化算法参数，pso优化算法参数包括：学习因子c1和c2、粒子群规模n、惯性权重wmax和wmin、最大迭代次数和最大速度vmax；s404、设置当前迭代次数i＝1；s405、训练bpnn，并计算各个粒子的适应度，对适应度的大小进行排序，把每个粒子作为当前种群的局部最优，记为ppbest，把粒子群中适应度最小的粒子作为全局最优，记为pgbest；s406、更新粒子的速度和位置；s407、判断是否满足结束的条件，如果不满足，迭代次数i＝i+1，并重新执行步骤s405-步骤s407，直到满足结束条件；s408、输出最终的权值和阈值给bpnn，得到pso-bpnn模型；s409、输入处理好的测试集的输入变量数据，通过pso-bpnn模型进行预测，输出预测负荷曲线。进一步地，所述的每一层的状态只影响下一层神经元的状态，其中隐含层和输出层的激励函数选取双曲正弦sigmoid函数，学习算法选择动量梯度下降算法函数traingdm。进一步地，所述的步骤s406中对第k次迭代粒子i的第n维的速度和位置的更新变化公式如下，其中，1≤n≤n：式中：是第k次迭代粒子i位置矢量的第n维分量，xi＝(xi1，xi2，···，xin)，范围限定在[xmin,n，xmax,n]内，是第k次迭代粒子i飞行速度矢量的第n维分量，vi＝(vi1,vi2,…,vin)，范围限定在[-vmax,n，vmax,n]内，pbestin代表粒子i位置矢量的第n维分量自身经历过的最好位置，粒子i自身经历最好的位置记为，pbesti＝(pbesti1,pbesti2,…,pbestin)，gbestn代表群体的第n维分量的所有微粒经历过的最好位置，群体所有粒子经过的最好位置记为，gbest＝(gbest1，gbest2，···，gbestn)，c1、c2是加速度常数，调节学习最大步长，rand()是随机函数，取值范围[0,1]，以增加搜索随机性，ω是惯性因子，非负数。进一步地，所述的步骤s405中选择误差作为适应度。进一步地，所述的建立方法还包括模型评价步骤：s5、对预测模型的预测结果进行预测效果分析，过程如下：s501、将预测模型得出的用电负荷的预测值和实际值进行比较；s502、根据预测模型预测效果的评价指标进行模型预测效果的分析；其中，模型预测效果的评价指标包括均方根误差平方和rmse、平均绝对百分误差mape以及相对误差百分比re，所述的均方根误差平方和rmse的表达式如下：式中，ypi为预测值，yoi为实际值，i表示采样点，n表示采样总数；所述的平均绝对百分误差mape的表达式为：所述的相对误差百分比的表达式为：re＝yoi-ypi/yoi×100％(10)。本发明相对于现有技术具有如下的优点及效果：(1)本发明采取的数据预处理和建模等一系列步骤对于普遍的造纸企业是十分合适的方法；(2)本发明模型建立方法中vmd分解算法能够把造纸企业高频率的用电负荷分解为较为平缓的负荷序列；(3)本发明采用自相关滞后阶次选择输入变量，相比于选择与造纸企业总有效负荷相关度高的用电设备的用电数据作为输入变量，减少了数据采集、预处理的工作量，且所选择去的变量对总有效负荷的影响更大；(4)本发明模型建立方法中建立的vmd-pso-bpnn模型，预测精确度满足工艺要求，且预测无滞后的特征，有利于造纸企业及时安排生产调度和正常运行。附图说明图1是本发明公开的基于vmd-pso-bpnn的短期电力负荷预测模型建立方法流程图；图2是本发明实施例中经数据预处理后的用电负荷图；图3是本发明实施例中通过vmd分解模型分解后的分解序列图，其中，图3(a)是通过vmd分解模型得到的第一个分解序列示意图，图3(b)是通过vmd分解模型得到的第二个分解序列示意图，图3(c)是通过vmd分解模型得到的第三个分解序列示意图，图3(d)是通过vmd分解模型得到的第四个分解序列示意图；图4是本发明实施例中vmd-pso-bpnn预测模型对每个分解序列的预测效果分析图，其中，图4(a)是第一个分解序列对应的预测效果分析图，图4(b)是第二个分解序列对应的预测效果分析图，图4(c)是第三个分解序列对应的预测效果分析图，图4(d)是第四个分解序列对应的预测效果分析图；图5是本发明实施例中最终预测效果分析图；图6是本发明实施例中vmd-pso-bpnn预测模型的相对误差百分比图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。实施例一本实施例公开了一种基于vmd-pso-bpnn的短期负荷预测模型建立方法，采用拆分重构对未来1个小时的用电负荷趋势进行预测，如图1所示，该基于vmd-pso-bpnn的短期电力负荷预测模型建立方法，包括下述步骤：s1、获取造纸企业的用电数据。利用造纸企业能源管理系统历史数据库所保存的历史用电数据，获取其中两个月的用电负荷数据。s2、利用vmd(变分模态分解)分解算法，对预处理后的负荷序列进行序列分解。其中，vmd分解算法能够通过搜寻约束分变模型最优解来实现信号自适应分解，将原始负荷序列分解成一系列具有稀疏特性的模态分量，即将原始序列分解为不同频率的序列，其算法步骤如下：s201、对于每个模态u(t)，通过希尔伯特变换计算与之相关的解析信号，计算公式如下：式中，h(t)为模态解析信号，δ(t)是狄拉克分布，t是采样时间点，j为虚数，*表示卷积；s202、对各模态解析信号预估计的中心频率ωk进行混合，将每个模态的频谱调制到相应的基频带，其公式如下：s203、计算式(2)中基频带的梯度平方l2范数，估计出各模态分量的带宽，对应的约束变分模型为：式中，f(t)＝∑ku(t)；s204、采用二次惩罚函数项和拉格朗日乘子算子得到一个无约束问题，最后求解该问题的公式为：式中，{uk}＝{u1,u2,···,uk}代表分解得到的k个imf分量，{ωk}＝{ω1,ω2,···,ωk}表示各分量的中心频率，∑k表示各模态分量求和，λ(t)为拉格朗日乘数，α是数据保真约束的平衡参数，f(t)为原始信号。s3、利用滞后自相关法对每个分解序列选取输入变量。通过滞后自相关方法找出过去用电负荷对当前用电负荷的影响，本文使用自相关函数(acf)作为选择信息特征子集的指导，即通过自相关的滞后阶次来选取输入变量。当滞后自相关系数的绝对值大于0.8时，用这一滞后时刻对应的有效功率作为模型的输入。其数学表达式为：式中，是给定时间序列中所有x的平均值，x＝{xt:t∈t}，为时间序列数据集，rk为测量时间t和t-k时间序列的线性相关性。s4、设置bpnn网络的隐藏层神经元数，以及bpnn网络的权值和阈值，把分解序列的训练集输入初始的bpnn网络中，把拟合结果和实际结果之间残差作为适应度值，利用pso算法更新权值和阈值的大小，寻找最优的拟合结果，把最优拟合结果对应bpnn网络进行输出，利用训练好的bpnn网络对分解序列进行预测，把所有分解序列的预测结果进行叠加，得到短期电力负荷预测模型。通过pso(粒子群)优化算法对bpnn的权值和阈值进行优化，防止单一的bpnn出现过拟合的情况，具体的算法步骤如下：s401、把数据处理后的输入和输出数据集分为训练集和测试集；s402、初始化bpnn的权值和阈值，并设置参数(包括：输入层层数、隐藏层层数、输出层的层数、训练次数、训练目标、学习速率)；s403、初始化pso优化算法的参数(包括：c1、c2等学习因子；粒子群规模n；惯性权重wmax和wmin；最大迭代次数；最大速度vmax)；s404、设置当前迭代次数i＝1s405、训练bpnn，并计算各个粒子的适应度(本文选择误差作为适应度)，对适应度的大小进行排序，把每个粒子作为当前种群的局部最优，记为ppbest，把粒子群中适应度最小的粒子作为全局最优，记为pgbest；s406、按照式(6)和式(7)更新粒子的速度和位置；s407、判断是否满足结束的条件，如果不满足，迭代次数i＝i+1，并重新执行步骤s405-步骤s407，直到满足结束条件；s408、输出最终的权值和阈值给bpnn，得到pso-bpnn模型；s409、输入处理好的测试集的输入变量数据，通过pso-bpnn模型进行预测，输出预测负荷曲线。其中bpnn每一层的状态只影响下一层神经元的状态，其中隐含层和输出层的激励函数都选取双曲正弦sigmoid函数，学习算法选择动量梯度下降算法函数traingdm。其中的pso算法是基于群体对环境的适应度情况，把群体中的个体移动到最好的区域的一种算法。它将每一个个体看作是搜索空间(假设为n维)中的一个微粒(无体积)，在搜索空间中以一定的速度(该速度根据它自身经验和社会经验进行调整)飞行，直到找到最好的飞行路径结束。对第k次迭代粒子i的第n维(1≤n≤n)的速度和位置变化公式如下：式中：是第k次迭代粒子i位置矢量的第n维分量，xi＝(xi1，xi2，···，xin)，范围限定在[xmin,n，xmax,n]内，是第k次迭代粒子i飞行速度矢量的第n维分量，vi＝(vi1,vi2,…,vin)，范围限定在[-vmax,n，vmax,n]内，pbestin代表粒子i位置矢量的第n维分量自身经历过的最好位置，粒子i自身经历最好的位置记为，pbesti＝(pbesti1,pbesti2,…,pbestin)，gbestn代表群体的第n维分量的所有微粒经历过的最好位置，群体所有粒子经过的最好位置记为，gbest＝(gbest1，gbest2，···，gbestn)，c1、c2是加速度常数，调节学习最大步长，rand()是随机函数，取值范围[0,1]，以增加搜索随机性，ω是惯性因子，非负数。s5、对预测模型的预测结果进行预测效果分析。s501、将预测模型得出的用电负荷的预测值和实际值进行比较；s502、根据vmd-pso-bpnn模型预测效果的评价指标进行模型预测效果的分析；其中，模型预测效果的评价指标包括均方根误差平方和rmse、平均绝对百分误差mape以及相对误差百分比re；均方根误差平方和rmse的表达式如下：式中，ypi为预测值，yoi为实际值；i表示采样点，n表示采样总数平均绝对百分误差mape的表达式为：相对误差百分比的表达式为：re＝yoi-ypi/yoi×100％(10)。实施例二一种基于vmd-pso-bpnn的造纸企业短期电力负荷预测模型的建立方法，包含下述的建模和模型评价步骤：1、通过从某造纸企业的ems(能源管理系统)获取造纸企业用电数据，其中包括2018年3月～2018年5月份的所有数据，采集频率为1h，如图2所示，把数据的前75％作为训练集，后25％作为测试集；2、通过vmd分解模型把训练集的数据进行拆分，其中模态特征选择3个，即把用电负荷分解为3个序列，第4个序列为用电负荷中所带有的噪声，分解结果分别如图3(a)～图3(d)所示。3、通过滞后自相关方法选取输入变量，每个分解序列的输入变量如表1所示。表1.每个分解负荷序列的模型输入变量表表中，it-i,j是第j个分解序列的第t个采样时间点的前i个采样点的负荷；4、通过pso-bpnn算法对分解序列进行训练和预测，其中模型参数的选择为：学习因子c1、c2＝2；最大速度vmax＝0.5；种群数n＝30；迭代次数＝100；隐藏层数为2n+1，(n为输入变量数目)；输出层数为1；输入层数为n。4个分解序列的预测结果分别如图4(a)～图4(d)所示。5、对每个分解序列的预测结果进行叠加，得到最终的预测结果如图5所示，平均绝对百分误差如图6所示，预测结果表如表2所示。表2.预测结果评价指标mape(％)rmse(kwh)实施案例结果2.62366.45本发明根据造纸企业无周期性、存在稳定生产和易出现不稳定(非计划停机)的情况，提出了采用vmd分解算法分解后，通过pso优化的bpnn建立预测模型的方法，提取不同的用电特征，分别进行预测，最后进行预测叠加，发现95％以上的相对误差在[-10％,10％]以内，满足工业要求，且无预测滞后的问题。上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。当前第1页12