基于EMD-VMD-PSO-LSSVM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emd-vmd-pso-lssvm的短期电力负荷预测模型建立方法。
背景技术：
：造纸过程中存在大量间歇性用电设备，通过对生产过程的用电负荷进行预测，可以协助合理制定排产计划，不仅可以有效提高设备利用效率，降低能耗，还可以减少冗余购电所带来的生产成本和浪费。由于造纸工业原材料较多、产品线较长，同时造纸产品具有一定快速消费品的属性，生化计划调整频繁，导致生产过程中，经常发生转产、插单等情况，这也使得造纸生产过程的用电负荷变化呈现出变化幅度较大、变化频率较高以及无周期性等特点。这使得对造纸生产过程用电负荷的预测，较以往针对石油化工或钢铁等稳定持续生产的过程工业过程的预测问题更为复杂和具有挑战。对该问题的解决，也将更大的拓宽电力负荷预测方法在过程工业中的使用场景。为解决用电负荷无周期性、波动幅度和频率较大及无明显影响因素的工业生产过程电力负荷预测的问题，目前亟待提出一种基于emd-vmd-pso-lssvm的短期电力负荷预测模型建立方法，实现对造纸企业的短期电力负荷进行有效预测。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emd-vmd-pso-lssvm的短期电力负荷预测模型建立方法。本发明的目的可以通过采取如下技术方案达到：一种基于emd-vmd-pso-lssvm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、获取造纸企业数据质量合格的用电数据；s2、利用emd-vmd分解算法，对预处理后的负荷序列进行序列分解；s3、利用近似熵法对分解序列进行序列重构；s4、利用滞后自相关法对每个重构序列选取输入变量；s5、随机初始化lssvm的参数(核参数和惩罚参数)，利用重构序列的训练集对lssvm预测模型进行训练，在pso算法对lssvm的参数进行寻优的过程中，利用均方根误差作为pso的适应度值，在迭代的过程中，选择最小的适应度值，并把选择出来最优的适应度值对应的lssvm参数赋予lssvm，然后把训练好的lssvm模型对重构序列测试集进行预测，把所有重构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包括：s201、采用emd算法对用电数据进行拆分，将性能不好的信号分解为一组性能较好的本征模函数，提取最后一个分解序列，并将其他分解序列进行叠加；s202、采用vmd算法对步骤s201中叠加序列进行拆分，通过搜寻约束分变模型最优解来实现信号自适应分解，将负荷序列分解成一系列具有稀疏特性的模态分量，提取分解出来的第二和第三个序列；s203、将步骤s202中的vmd拆分出来的第一个序列输入emd分解模型中；s204、重复步骤s201～步骤s203直到达到设定循环次数；s205、按分解序列的顺序输出提取的序列与最后一次vmd分解出来的第一个序列；s206、提取原始序列与所有提出序列叠加后的残差作为最后一个输出的分解序列。进一步地，所述的步骤s201过程如下：s2011、找出原数据序列x(t)的所有极大值点和极小值点，将其用三次样条函数分别拟合为原序列的上、下包络线，得出上、下包络线的均值为m1，将原数据序列x(t)减去m1得到一个减去低频的新序列h，即h＝x(t)－m1，重复上述过程，直到h为一个平稳序列，得到第一个本征模函数分量c1，它表示信号数据序列最高频率的成分；s2012、用原数据序列x(t)减去第一个本征模函数分量c1，得到一个去掉高频成分的新数据序列r1，对r1再进行上述分解，得到第二个本征模函数分量c2；如此重复步骤s2011-步骤s2012直到最后一个数据序列rn不可被分解，此时，rn代表数据序列x(t)的趋势或均值。进一步地，所述的步骤s202过程如下：s2021、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，其公式为：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；s2022、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，其公式为：s2023、计算步骤s2022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)；s2024、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，近似熵的定义为：apen＝φm(r)-φm+1(r)(5)式中，x(j)为重建组合m维向量x(1),x(2),···,x(n-m+1)，其中x(i)＝[u(i),u(i+1),···,u(i+m-1)]，u(i)为一个以等时间采样获得的n维的时间序列，m为整数，表示比较向量的长度，r为实数，表示“相似度”的度量值。进一步地，所述的步骤s4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s5中，随机初始化lssvm的参数(核参数和惩罚参数)，利用重构序列的训练集对lssvm预测模型进行训练，在pso算法对lssvm的参数进行寻优的过程中，利用均方根作为pso的适应度值，在迭代的过程中，选择最小的适应度值，并把选择出来最优的适应度值对应的lssvm参数赋予lssvm，然后把训练好的lssvm模型对重构序列测试集进行预测，步骤s5具体包括：s501、对微粒的群体规模、位置和速度进行初始化；s502、通过评价函数求取每个微粒的适应值；s503、对当前每个微粒求取的适应值和它经历过的最好的局部位置pbest相比较，选取两者之间更为合适的作为当前最好的局部位置pbest；s504、对当前每个微粒求取的适应值和全局所经历最好的全局位置gbest相比较，选取两者之间更为合适的作为当前最好的全局位置gbest；s505、更新微粒的速度和位置；s506、判断是否达到最大迭代次数，如未达到，返回步骤s502；s507、达到最大迭代次数，把优化的正则化参数c和核参数σ赋给lssvm模型；s508、利用测试集的输入变量数据，通过优化后的lssvm模型进行预测，并输出预测负荷曲线。进一步地，所述的lssvm模型采用最小二乘线性系统作为损失函数，其基本原理是在选定的非线性映射空间中构造最有决策函数；在构造最有决策函数时，利用结构风险最小化原则，并采用原空间的核函数来代替高维特征空间中的点积运算。进一步地，所述的步骤s505中更新微粒的速度和位置具体如下：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是粒子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是群体的第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，用于调节学习最大步长，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，所述的建立方法还包括以下模型评价步骤：s6、对预测模型的预测结果进行预测效果分析，过程如下：s601、将预测模型得出的用电负荷的预测值和实际值进行比较；s602、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和平均绝对误差百分比mape，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表示采样点总数所述的平均绝对误差百分比mape的表达式为：本发明相对于现有技术具有如下的优点及效果：(1)本发明采取的建模等一系列步骤是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emd-vmd分解算法可以有效的把波动幅度较大的负荷分解为一个较为稳定、较有规律的序列，减小了因为预测误差；(3)本发明模型建立方法中采用近似熵的方法可以有效的把相似波形进行重构，减少后续预测建模的复杂度；(4)本发明模型建立方法中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，且对总有效负荷的影响更大；(5)本发明模型建立方法中采用的emd-vmd-pso-lssvm混合算法，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是本发明的基于emd-vmd-pso-lssvm的短期电力负荷预测模型的建立方法流程图；图2是本发明中基于emd-vmd的算法流程图；图3是实施例中获取的某市造纸企业实施案例的用电负荷图；图4是实施例中通过emd-vmd分解模型分解后的分解序列图，其中，图4(a)是通过emd-vmd分解模型得到的第一个分解序列示意图，图4(b)是通过emd-vmd分解模型得到的第二个分解序列示意图，图4(c)是通过emd-vmd分解模型得到的第三个分解序列示意图，图4(d)是通过emd-vmd分解模型得到的第四个分解序列示意图，图4(e)是通过emd-vmd分解模型得到的第五个分解序列示意图，图4(f)是通过emd-vmd分解模型得到的第六个分解序列示意图，图4(g)是通过emd-vmd分解模型得到的第七个分解序列示意图，图4(h)是通过emd-vmd分解模型得到的第八个分解序列示意图；图5是实施例中通过近似熵算法对分解序列进行重构后的重构序列图，其中，图5(a)是第一个重构序列示意图，图5(b)是第二个重构序列示意图，图5(c)是第三个重构序列示意图，图5(d)是第四个重构序列示意图，图5(e)是第五个重构序列示意图；图6是实施例中emd-vmd-pso-bpnn预测模型对每个重构序列的预测效果分析图，其中，图6(a)是第一个重构序列对应的预测效果分析图，图6(b)是第二个重构序列对应的预测效果分析图，图6(c)是第三个重构序列对应的预测效果分析图，图6(d)是第四个重构序列对应的预测效果分析图，图6(e)是第五个重构序列对应的预测效果分析图；图7是实施例案例中最终预测效果分析图；图8是实施例中emd-vmd-pso-lssvm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emd-vmd-pso-lssvm的短期电力负荷预测模型建立的方法，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，基于emd-vmd-pso-lssvm的短期电力负荷预测模型的建立方法，包括下述步骤：s1、获取造纸企业数据质量合格的用电数据。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emd-vmd分解算法，对预处理后的负荷序列进行序列分解。造纸企业的用电经常会出现巨大波动，而一般的预测模型对于起伏较大的数据波动预测效果不好，因此本发明采用emd-vmd分解算法，结合emd和vmd的优势，目的是把负荷波动较大的序列分解为负荷波动较小、较有规律的序列，其算法流程图如图2所示，具体步骤如下：s201、采用emd算法对用电数据进行拆分，将性能不好的信号分解为一组性能较好的本征模函数，提取最后一个分解序列，并将其他分解序列进行叠加；s202、采用vmd算法对步骤s201中叠加序列进行拆分，通过搜寻约束分变模型最优解来实现信号自适应分解，将负荷序列分解成一系列具有稀疏特性的模态分量，提取分解出来的第二和第三个序列；s203、将步骤s202中的vmd拆分出来的第一个序列输入emd分解模型中；s204、重复步骤s201～步骤s203直到达到设定循环次数；s205、按分解序列的顺序输出提取的序列与最后一次vmd分解出来的第一个序列；s206、提取原始序列与所有提出序列叠加后的残差作为最后一个输出的分解序列。其中，emd(经验模态分解)算法能够将性能不好的信号分解为一组性能较好的本征模函数(imf：intrinsicmodefunction)和代表趋势的残差，其算法步骤如下：s2011、找出原数据序列x(t)的所有极大值点和极小值点，将其用三次样条函数分别拟合为原序列的上、下包络线，得出上、下包络线的均值为m1，将原数据序列x(t)减去m1可得到一个减去低频的新序列h，即h＝x(t)－m1，重复上述过程，直到h为一个平稳序列，这样就得到第一个本征模函数分量c1，它表示信号数据序列最高频率的成分。s2012、用原数据序列x(t)减去第一个本征模函数分量c1，得到一个去掉高频成分的新数据序列r1；对r1再进行上述分解，得到第二个本征模函数分量c2；如此重复步骤s2011-步骤s2012直到最后一个数据序列rn不可被分解，此时，rn代表数据序列x(t)的趋势或均值。其中，vmd(变分模态分解)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，其算法步骤如下：s2021、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，其公式为：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；s2022、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，其公式为：s2023、计算步骤s2022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)；s2024、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、利用近似熵法对分解序列进行序列重构。通过emd-vmd分解的序列过多会造成后续预测建模的复杂度，增加计算机运算时间，因此采用近似熵法把结构相似的分解序列进行叠加重构，减少所需建立预测模型的个数。其中，近似熵法是一种用于量化时间序列波动的规律性和不可预测性的非线性动力学方法，它用一个非负数来表示一个时间序列的复杂性，反映了时间序列中新信息发生的可能性，越复杂的时间序列对应的近似熵越大。近似熵的定义为：apen＝φm(r)-φm+1(r)(5)式中，x(j)为重建组合m维向量x(1),x(2),···,x(n-m+1)，其中x(i)＝[u(i),u(i+1),···,u(i+m-1)]，u(i)为一个以等时间采样获得的n维的时间序列，m为整数，表示比较向量的长度，r为实数，表示“相似度”的度量值。s4、利用滞后自相关方法对每个重构序列选取输入变量。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。s5、随机初始化lssvm的参数(核参数和惩罚参数)，利用重构序列的训练集对lssvm预测模型进行训练，在pso算法对lssvm的参数进行寻优的过程中，利用均方根误差作为pso的适应度值，在迭代的过程中，选择最小的适应度值，并把选择出来最优的适应度值对应的lssvm参数赋予lssvm，然后把训练好的lssvm模型对重构序列测试集进行预测，把所有重构序列的预测结果进行叠加，得到短期电力负荷预测模型。相对而言，传统的神经网络算法容易陷入局部最小值，因此在训练过程中，需要大量数据样本。而支持向量机算法则避免了诸如数据过拟合，局部最小等问题，它能够有效解决小样本、非线性、高维和局部最小等问题。然而，svm算法在样本较大时，容易出现二次规划问题，而数据样本过小，又会影响模型的精度。开发了一种升级的svm算法，即lssvm，来提高svm的准确性。但lssvm算法在内核和正则化参数的选择上面存在缺点。因此提出了很多优化算法，优化lssvm的参数。在lssvm参数优化算法中，pso可以节省时间，并且非常有效地搜索lssvm模型的合适参数。因此本发明采用pso-lssvm来建立预测模型。步骤s5具体的算法步骤如下：s501、微粒初始化，包括微粒的群体规模、位置和速度；s502、通过评价函数(fitnessfunction)求取每个微粒的适应值；s503、对当前每个微粒求取的适应值和它经历过的最好的局部位置pbest相比较，选取两者之间更为合适的作为当前最好的局部位置pbest；s504、对当前每个微粒求取的适应值和全局所经历最好的全局位置gbest相比较，选取两者之间更为合适的作为当前最好的全局位置gbest；s505、根据公式(9)和公式(10)更新微粒的速度和位置；s506、判断是否达到结束条件(设置为是否达到最大迭代次数，迭代次数为200)，如未达到，返回步骤s502。s507、达到结束条件，把优化的参数(正则化参数c和核参数σ)赋给lssvm模型。s508、利用测试集的输入变量数据，通过优化后的lssvm模型进行预测，并输出预测负荷曲线。其中，lssvm模型是采用最小二乘线性系统作为损失函数，其基本原理是在选定的非线性映射空间中构造最有决策函数。在构造最有决策函数时，利用了结构风险最小化原则。并采用原空间的核函数来代替高维特征空间中的点积运算。假设样本是一个n维向量，某区域的一个样本及其值表示为(x1,y1),······,(xi,yi)∈rn×r。其线性表达式非线性方程：其中采用高斯核函数作为核函数。其表达式为：其中，σ是核参数，如果σ较大，易把所有样本点归为同一类；反之，则会出现过拟合的问题。其中，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是粒子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是群体的第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，用于调节学习最大步长，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。s6、对预测模型的预测结果进行预测效果分析。s601、将预测模型得出的用电负荷的预测值和实际值进行比较；s602、根据emd-vmd-pso-lssvm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和平均绝对误差百分比mape；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表示采样点总数平均绝对误差百分比mape的表达式为：实施例二一种基于emd-vmd-pso-lssvm的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2017年12月～2018年1月份的所有数据，采集频率为1h，如图3所示。其中序列的前75％作为训练集，后25％作为测试集。2、通过emd-vmd分解模型把训练集的数据进行拆分，拆分后共有8个序列，分别如图4(a)～图4(h)所示。3、通过近似熵算法对拆分后的序列进行相似重构，不同序列的近似熵值如表1所示。表1.分解序列近似熵值熵值序列序号2.19e-0411.03e-0364.24e-0342.52e-0271.30e-0122.00e-0153.18e-0138.53e-018根据表1，限定当熵值在[0,0.001)，[0.0001,0.05)，[0.05,0.15)，[0.15,0.45)，[0.45,0.75)，[0.75,2]这六个区间可进行叠加，最终得到5个重建组合的负荷序列，分别如图5(a)～图5(e)所示。4、通过滞后自相关方法选取输入变量，每个重构序列的输入变量如表2所示。表2.每个重构序列的模型输入变量表序号输入变量单位重构序列1it-1,1,it-2,1,it-3,1,it-4,1,it-5,1,it-6,1,it-7,1,it-8,1,it-9,1,it-10,1kwh重构序列2it-1,2,it-2,2,it-3,2,it-4,2,it-5,2,it-6,2,it-7,2,it-8,2,it-9,2,it-10,2kwh重构序列3it-1,3,it-2,3,it-3,3,it-4,3,it-5,3,kwh重构序列4it-1,4,it-2,4,it-3,4,it-4,4,it-5,4kwh重构序列5it-1,5,it-2,5,it-3,5,it-4,5,it-5,5kwh表中，it-i,j是第j个重构序列的第t个采样时间点的前i个采样点的负荷；5、通过pso-lssvm算法对重构序列进行训练和预测，其中模型参数的选择为：其中pso参数设置为学习因子c1、c2，2；最大速度vmax，0.5；种群数n，30；迭代次数，100。5个重构序列的预测结果分别如图6(a)～图6(e)所示。6、对每个重构序列的预测结果进行叠加，得到最终的预测结果如图7所示，相对误差百分比如图8所示，预测结果表如表3所示。表3.预测结果评价指标mape(％)rmse(kwh)实施案例结果0.6323.17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emd-vmd分解算法分解后，通过pso优化的lssvm建立预测模型的方法，来减小在不稳定情况下的幅度大小，提高模型的精准度，且无预测滞后的问题。综上所述，以上实施例以造纸工业生产过程为案例，在改进的pso-lssvm混合算法基础上，采用信号分解-重构(emd-vmd)混合寻优算法对造纸厂短期电力负荷进行建模和预测。本发明所提出的算法有效解决在大波动范围和高波动频率下，pso-lssvm混合算法容易陷入局部最优这一缺陷，从而进一步解决预测过程中所出现的预测滞后等问题。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