基于VMD-AdaBoost-SVM的可调负荷预测方法、系统及存储介质

本发明属于可调节负荷调峰交易规模预测，尤其涉及一种基于vmd-adaboost-svm的可调负荷交易规模预测方法、系统及存储介质。

背景技术：

1、近年来，伴随着我国新能源发电的爆发式增长和电力消费需求的快速提升，电网调峰矛盾日益突出，调峰需求持续走高。仅靠电源侧的调峰能力已经难以满足调峰需求，多类型负荷作为能够有效参与调峰市场的另一大可调资源，通过对可调节负荷的调节潜力进行预测，能够帮助电网公司对调峰市场进行精准把控，有效制定调峰策略，对于缓解电网调峰压力，促进新能源消纳、保证电网安全运行具有重要意义。

2、目前，国内外学者已经对可调节负荷的潜力预测展开了不少研究，负荷预测方法可以分为统计方法和智能方法两种。经典的统计方法包括回归方法、移动平滑方法和趋势法等；这些方法虽然相对成熟，但对模型构建和预测过程相对比较复杂，而且依赖稳定性高的时间序列和丰富的经验，因此，不适用于智能电网对负荷预测的需要；随着bp神经网络、rbf神经网络、随机森林、自适应神经模糊系统、支持向量机、长短期记忆网络(long short-term memory，lstm)和深度学习等智能算法的应用，负荷预测取得很大的成效，但是由于电力负荷影响因素多且存在不稳定性，智能电网受模型参数的影响大，预测精度受到很大影响。

3、为了解决现有的电力负荷预测方法大多存在准确率低、效率不高等缺点，本发明研究了一种基于vmd-adaboost-svm的可调负荷交易规模预测方法；将负荷值与调峰潜力值之间进行转换，并利用变分模态分解(variational mode decomposition，vmd)调峰潜力，由支持向量机(support vector machine，svm)做自适应增强算法(adaboost)的弱学习机，利用adaboost的优势，将多个svm弱预测器合成一个svm强预测器，从而产生有效分类，对可调节负荷的调峰潜力进行预测，仿真实验结果表明，该方法具有更高的预测精度。

技术实现思路

1、针对现有技术中存在的不足，本发明提供了一种基于vmd-adaboost-svm的可调负荷交易规模预测方法、系统及存储介质，解决了传统电力负荷预测所存在的预测准确率不高、效率不高等问题，提高了预测结果的精度和稳定性。

2、本发明是通过以下技术手段实现上述技术目的的。

3、一种基于vmd-adaboost-svm的可调负荷预测方法，包括如下过程：

4、步骤1：对可调节负荷功率原始数据序列进行预处理；

5、步骤2：对预处理后的可调节负荷功率原始数据序列进行转换，得到可调节负荷调峰功率序列，使用vmd分解模型分解可调节负荷调峰功率序列，获得可调节负荷调峰功率序列的各模态分量；

6、步骤3：使用adaboost迭代算法，将多个svm弱预测器合成一个svm强预测器，获得vmd-adaboost-svm预测模型，对可调节负荷调峰功率进行预测；

7、步骤4：通过建立多种性能指标对预测模型的预测结果进行性能评价。

8、进一步地，所述步骤1中，预处理包括采用直接置零的方式对负值进行处理、利用前后两个时刻的可调节负荷功率的平均值对超出满载功率值和乱码进行修正、用出现次数最多的值对空缺值进行填充、对可调节负荷功率原始数据序列进行归一化处理。

9、进一步地，所述步骤2中，对预处理后的可调节负荷功率原始数据序列进行转换的原理为：用当天可调节负荷功率值减去前七天可调节负荷功率的平均值，具体公式如下：

10、

11、其中，为归一化处理后t时刻的可调节负荷调峰功率；pt”为归一化处理后t时刻的可调节负荷功率；pi”为归一化处理后i时刻的可调节负荷功率。

12、进一步地，所述步骤2中，使用vmd分解模型分解可调节负荷调峰功率序列的具体过程如下：

13、步骤2.1：对可调节负荷调峰功率序列进行约束变分，分解序列为具有中心频率的有限带宽的模态分量，且各模态的估计带宽之和最小，约束变分表达式为：

14、

15、其中，um(t)＝{u1(t),u2(t),...,um(t)}，um(t)为t时刻分解可调节负荷调峰功率序列的各模态分量；为二范数的平方表达式；δ(t)为冲激函数；为对时间t的一阶偏导；f(t)为可调节负荷调峰功率序列；m为不同时间尺度下的分量数；j为复数单位；ωm＝{ω1,ω2,...,ωm}，ωm为各模态分量的中心频率；

16、步骤2.2：通过引入拉格朗日乘子和二次罚函数，将经步骤2.1得到的约束变分结果转化转换为非约束性变分问题，其中，非约束性变分问题的表达式为：

17、

18、其中，α为引入的二次惩罚因子参数；λ(t)为t时刻的拉格朗日乘子；λ为拉格朗日乘子；l({um},{ωm},λ)表示将约束变分转化为非约束变分后的表达式；

19、步骤2.3：利用交替方向乘子法迭代算法结合帕塞瓦尔(parseval)、普朗歇尔(plancherel)定理和傅里叶等距变换，基于下式优化步骤2.2中的非约束性变分问题，得到各模态分量和中心频率：

20、

21、

22、

23、其中，τ为噪声容忍度；分别为ui(t)、f(t)、λ(t)的傅里叶变换，表示第s+1次迭代后的各模态分量，ui(t)表示t时刻第i个模态分量；ω为当前模态分量的中心频率；为第s+1次迭代后的各模态分量的中心频率；为第s+1次迭代后的拉格朗日乘子；为当前模态分量的中心频率与第s次迭代所得模态分量的中心频率的l2距离。

24、进一步地，所述步骤3中，将多个svm弱预测器合成一个svm强预测器，获得vmd-adaboost-svm预测模型的具体过程如下：

25、设置adaboost最大迭代次数为t；

26、设置adaboost当前的迭代次数t，设置弱分类器权重wt、svm的惩罚因子c和g的寻优范围；

27、利用svm更新参数wt、c、g值，并计算适应度值；

28、判断wt、c、g是否在给定寻优范围内，若在则寻优完毕，否则继续更新参数wt、c、g值；

29、寻优完毕后，确定wt、c、g的最优值，得到当前的svm弱分类器；

30、然后继续迭代，若达到最大迭代次数，则迭代结束，输出最优的svm-adaboost-svm预测模型，否则返回更新样本权重，重新设置adaboost最大迭代次数，继续寻优。

31、进一步地，所述步骤3中，vmd-adaboost-svm预测模型的表达式如下：

32、

33、

34、其中，ui(i＝1,2,...,n)为预测模型的相关输入向量；uj(j＝1,2,...,n)为预测模型的输入向量；yi＝{-1,1}为预测模型的输出向量；yj＝{-1,1}为预测模型的输出向量；c为惩罚因子，αi、αj为朗格朗日系数；k(xi,xj)为核函数；σ为径向核函数的核参数。

35、进一步地，所述步骤4中，性能指标包括平均绝对误差(mae)、均方误差(mse)、平均绝对百分比误差(mape)。

36、一种用于实现上述基于vmd-adaboost-svm的可调负荷预测方法的系统，包括：

37、预处理模块，用于对可调节负荷功率原始数据序列进行预处理；

38、分解模块，用于将预处理后的可调节负荷功率原始数据序列转换为可调节负荷调峰功率序列，使用vmd分解可调节负荷调峰功率序列，获得可调节负荷调峰功率序列的各模态分量；

39、预测模块，运用adaboost算法将多个svm弱预测器合成一个svm强预测器，获得vmd-adaboost-svm预测模型，对可调节负荷调峰功率进行预测；

40、性能评价模块，基于性能指标对预测结果进行性能评价。

41、一种存储介质，存储介质中存储有计算机程序，计算机程序被处理器运行时控制存储介质所在设备执行权利要求1所述基于vmd-adaboost-svm的可调负荷预测方法。

42、本发明具有如下有益效果：

43、本发明通过对负荷曲线与负荷调峰曲线进行转换，使用vmd模型对负荷调峰曲线进行分解，得到各模态分量，通过使用adaboost合成svm弱预测器，得出强预测器，即vmd-adaboost-svm预测模型，对可调节负荷参与调峰市场的交易规模进行预测，预测准确率以及效率都较高，预测结果稳定性较好。vmd-adaboost-svm预测模型中，vmd能够分解得到更加有利于预测的中心频率对称的平稳信号分量，能够有效减小原可调节负荷功率噪声对预测的影响，提高预测的精度；而adaboost和svm组合又能够进一步有效提高可调节负荷参与调峰市场的交易规模预测的精度。