当前位置：文档之家 › 基于EMD和SVM的短期负荷预测

基于EMD和SVM的短期负荷预测

  • 格式：pdf
  • 大小：1.62 MB
  • 文档页数：5

基于EMD和SVM的短期负荷预测

祝志慧,孙云莲,季󰀁宇(武汉大学电气工程学院,武汉430072)摘󰀁要:为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。关键词:短期负荷;经验模式分解;本征模式分量;支持向量机;核函数;组合预测中图分类号:TM715文献标志码:A文章编号:1003󰀁6520(2007)05󰀁0118󰀁05Short󰀁termLoadForecastingBasedonEMDandSVMZHUZhi󰀁hui,SUNYun󰀁lian,JIYu(SchoolofElectricalEngineering,WuhanUniversity,Wuhan430072,China)Abstract:Thepowerloadisinherentlynon󰀁stationarytimeseries,andhasacertainperiodicityandrandomnessbyitself,soitisdifficulttoconstructtheforecastingmodel.Thetraditionalmodelsareconstructedonthebasisofthesuppositionthattheloadseriesarelinearandstationary,whichcannotpredictaccuratelytherealnon󰀁stationaryloadseries.Inordertopredicttheshort󰀁termpowerloadeffectivelyandleveluptheforecastprecision,ahybridforecas󰀁tingmethodbasedonEmpiricalModeDecomposition(EMD)andSupportVectorMachine(SVM)ispresentedinthispaper.EMDcandecomposenon󰀁stationarysignalsintosomesmoothandstationaryintrinsicmodefunctions(1MF)withdifferentfrequencyinthedifferentscalespacebythesiftingprocess.Whichisregardedasnewadaptivewaveletdecompositionmethod.SVM,anovelmachinelearningmethodbasedonthestructuralriskminimization(SRM)principle,ispowerfulfortheproblemwithsmallsample,nonlinearity,highdimensionandlocalminima.AccordingtotheoutstandingfeatureofEMDalgorithm,firstly,thepowerloadtimeseriesisdecomposedintoase󰀁riesofstationaryintrinsicmodefunctionsindifferentscalespaceviaEMDsiftingprocedure.Thelocalfeaturesofo󰀁riginalloadseriesareprominentintheintrinsicmodefunctionssothatitismoreobvioustoobservethecycle,ran󰀁domandtrendpartsoftheoriginalloadsequence.Secondly,accordingtothechangeregulationofeachofallresul󰀁tedintrinsicmodefunctions,therightparameterandkernelfunctionsarechosentobuilddifferentSVMrespectivelytoforecasteachintrinsicmodefunctions.Atlast,theseforecastingresultsofeachIMFarecombinedwithSVMtoobtainfinalforecastingresult.ThesimulationresultsshowthatthehybridmethodbasedonEMDandSVMhasfas󰀁terspeed,higherprecisionandgreatergeneralizationabilitythanthatofthesingleSVMmethodandthatoftheBPneuralnetworkmethod,whichprovesthatitisaneffectivemethod.Keywords:short󰀁termload;empiricalmodedecomposition;intrinsicmodefunctions;supportvectormachine;ker󰀁nelfunctions;hybridforecasting

0󰀁引󰀁言电力短期负荷预测是能量管理系统(EMS)中一个重要组成部分,随着电力市场改革的深入,负荷预测的作用愈来愈重要。负荷预测精度越高,越有利于提高发电设备的利用率和经济调度的有效性[1]。现有的负荷预测方法主要有回归分析法[2]、时间序列法[3]、人工神经网络法[4󰀁7]及小波󰀁神经网络组合法[8,9]。其中神经网络预测法因固有的非线性,在电力负荷预测中被广泛应用。但其存在网络结构难以确定、易陷入局部极小值、收敛速度慢等缺点。Vapnik等提出的支持向量机(SVM)是建立在VC维理论和结构化风险最小原则基础上,结构简单、学习速度快、全局最优、泛化性好,能较好的解决小样本、非线性、高维数和局部极小点等问题,被认为是神经网络的替代方法,已在模式识别、函数估计和信号处理领域广泛应用[10,11]。电力负荷为非平稳时间序列,但现有的预测方法是假设它为平稳信号,预测精度难以提高,造成了负荷预测的难度。为了更有效的把握负荷序列变化的信息对其进行分解,根据各分量的特点建模提高预测精度。经验模式分解(EMD)是一种新的信号󰀁118󰀁第33卷第5期2007年󰀁󰀁5月高󰀁电󰀁压󰀁技󰀁术HighVoltageEngineeringVol.33No.5May󰀁2007󰀁󰀁处理方法,它将非平稳信号按不同尺度的波动或趋势逐级分解成若干个本征模式分量(IMF),对信号作了平稳化处理,减少了信号间的特征信息的干涉或耦合。该方法吸取了小波变换的多分辨优势,同时克服小波变换中需选取小波基的困难,从信号本身的尺度特征出发对信号分解[12],具有自适应、正交性、完备性和瞬时频率等特点,属自适应小波分解方法。本文尝试将EMD和SVM相结合,对短期负荷进行预测。首先运用EMD将非平稳的负荷时间序列分解成具有不同特征尺度的平稳分量,然后用SVM对每个IMF分量进行负荷预测。最后,所有分量的预测值通过SVM组合得到最终的预测值。1󰀁原󰀁理1.1󰀁经验模式分解EMD是1998年由Huang提出,它通过对信号的󰀁筛选󰀁将信号分解成不同频率的IMF,IMF具如下特点:󰀁极值(极大值和极小值)数与过零点的数目相等或最多相差一个;󰀁在任意时刻,其上、下包络线的均值必须是零[13]。具体的分解过程是[14]:1)根据信号x(t)的局部极值求出其上、下包络线的平均值m1;2)将原数据序列减去平均包络后即可得一个去掉低频的新数据序列h1=x(t)-m1;判断h1是否为IMF,若不满足IMF条件,将h1看作新x(t),重复上述处理过程,直到h1满足IMF条件时,记c1=h1,视为IMF1;3)将r=x(t)-h1看作新的x(t),重复以上1)和2)步骤,即可依次得到IMF2,IMF3,󰀁,直到cn或r满足给定的终止条件时筛选结束;最后,原始的数据序列x(t)可表示为:x(t)=󰀁ni=1ci+r。(1)󰀁󰀁式(1)说明,可以将信号x(t)分解成频率从大到小排列的n个IMF分量ci和一个趋势项r之和。因每个IMF分量代表一个特征尺度的数据序列,故󰀁筛󰀁过程实际上将原始数据序列分解为各种不同特征波动序列的叠加。1.2󰀁支持向量机回归算法SVM回归算法的基本思想是[15,16]:通过用内积函数定义的非线性变换将输入空间变换到高维空间,使样本线性可分,在样本线性可分的情况下在高维空间作线性回归。对于给定的训练数据集s=((x1,y1),(x2,y2),󰀁,(xl,yl)),其SVM估计:f(x)=w󰀁󰀁(x)+b,(2)式中,󰀁(x)为从输入空间到高维特征空间的非线性映射,w为权系数向量,b为偏置。采用󰀁不敏感损失函数进行回归,则w和b由最小化式󰀁来估计:minimise12󰀁w󰀁2+C󰀁1l󰀁li=1L󰀁(yi,f(xi)),(3)

L󰀁(y,f(x))=|y-f(x)|-󰀁0,|y-f(x)|󰀁󰀁|y-f(x)|<󰀁。为寻找系数,引入松弛变量󰀁i,󰀁*i,使式(4)最小化minimise12󰀁w󰀁2+C󰀁li=1(󰀁i+󰀁*i),(4)

subjecttow󰀁󰀁(xi)+bi-yi󰀁󰀁+󰀁*i-w󰀁󰀁(xi)-bi+yi󰀁󰀁+󰀁i󰀁i,󰀁*i󰀁0󰀁󰀁i=1,2,󰀁,l,

式中C为惩罚因子,实现在经验风险和置信范围的折中。式󰀁所确定的约束优化问题是一个凸最优化问题,由拉格朗日理论可知,关于w求鞍点有:w=󰀁li=1(󰀁i-󰀁*i)󰀁󰀁(xi),(5)式中,󰀁i,󰀁*i为拉格朗日乘子,将式(5)代入式(2):f(x)=󰀁li=1(󰀁i-󰀁*i)󰀁k(xi,x)+b,(6)其中,k(xi,x)=(󰀁(xi)󰀁󰀁(x))称为核函数,任何函数只要满足Mercer条件,均可作为核函数。常用核函数有三:󰀁多项式核函数k(x,y)=((x󰀁y)+1)d(d为多项式阶数);󰀁径向基(RBF)核函数k(x,y)=exp(-󰀁x-y󰀁2/󰀁2)(󰀁为核函数宽度);󰀁Sig󰀁moid核函数k(x,y)=tanh(󰀁(x,y)+c)。为了求解式(4)的解,通常采用对偶定理,得到式󰀁优化问题的对偶式:maximise-12󰀁li,j=1(󰀁*i-󰀁i)(󰀁*j-󰀁j)k(xi,xj)+

合集下载

基于EMD和神经网络的短期电力负荷预测

基于EMD和神经网络的短期电力负荷预测

基于EMD和神经网络的短期电力负荷预测

郭涛;马林东;葛智平;崔乐乐

【期刊名称】《电子设计工程》

【年(卷),期】2013(21)21

【摘 要】提出了采用经验模态分解(EMD)和神经网络结合的方法对短期电力负荷进行预测.通过EMD算法将电力负荷的时间序列分解为若干个固有模态函数,采用神经网络对各个固有模态函数分别预测,然后求和重构各个固有模态函数的预测值,最后得出总的负荷预测值.通过仿真分析,该方法相对于采用单一的神经网络预测降低了预测误差,改善了短期负荷预测的有效性.

【总页数】3页(P105-106,109)

【作 者】郭涛;马林东;葛智平;崔乐乐

【作者单位】甘肃省电力公司电力科学研究院 甘肃兰州730050;甘肃省电力公司电力科学研究院 甘肃兰州730050;甘肃省电力公司电力科学研究院 甘肃兰州730050;甘肃省电力公司电力科学研究院 甘肃兰州730050

【正文语种】中 文

【中图分类】TN98

【相关文献】

1.基于EEMD-样本熵和Elman神经网络的短期电力负荷预测 [J], 陈艳平;毛弋;陈萍;童伟;袁建亮

2.基于EMD-BP神经网络的短期电力负荷预测 [J], 聂品磊;费东;王宏杰;孙涛 3.基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测 [J], 赵会茹; 赵一航; 郭森

4.基于长短期记忆神经网络的短期电力负荷预测 [J], 易礼秋;谷云东

5.基于CEEMDAN与BiLSTM算法的短期电力负荷预测 [J], 覃日升;姜訸;段锐敏;何鑫

因版权原因，仅展示原文概要，查看原文内容请购买

基于机器学习的电力能源短期负荷预测与调度算法研究

基于机器学习的电力能源短期负荷预测与调度算法研究

基于机器学习的电力能源短期负荷预测与调度算法研究

随着电力需求的日益增长和电力系统的复杂性增加，精确预测和调度电力负荷变得越来越重要。基于机器学习的电力能源短期负荷预测与调度算法的研究，通过利用历史数据和相关特征来预测未来的电力负荷，并优化电力系统的调度策略。本文将介绍该算法的原理和应用，并探讨其潜在的改进空间。

一、电力能源短期负荷预测算法

电力负荷预测是电力系统运行中的关键问题，它用于估计未来一段时间内的负荷情况，以便合理规划和配置发电设备。基于机器学习的电力能源短期负荷预测算法通过对历史负荷数据进行分析和建模，利用各种特征和模式来预测未来的电力负荷。

1. 数据预处理：首先，需要对历史负荷数据进行预处理，包括数据清洗、异常值处理和特征工程等。这个过程可以提高数据的质量和可用性，使得后续的建模和预测更加准确可靠。

2. 特征提取与选择：在数据预处理之后，需要从历史负荷数据中提取有价值的特征。常用的特征包括时间特征（例如季节性、周期性）、天气特征（例如温度、湿度）和历史负荷特征等。通过对这些特征进行选择和优化，可以提高负荷预测的准确性。

3. 模型选择与建立：在特征提取之后，需要选择适当的机器学习算法来建立预测模型。常用的算法包括支持向量机（SVM）、人工神经网络（ANN）、决策树、随机森林等。根据实际应用的需求和数据的特点，选择合适的模型可以提高预测的精度和稳定性。 4. 模型训练与优化：建立预测模型后，需要利用历史负荷数据进行模型训练，并通过优化算法对模型进行调整和改进。常用的优化算法包括遗传算法、粒子群算法和模拟退火算法等。通过训练和优化，可以不断提升模型的预测能力。

二、电力能源调度算法

电力能源调度是指根据预测的负荷情况，合理安排发电设备的运行方式和功率输出，以满足电力需求的同时保持电力系统的稳定性和经济性。基于机器学习的电力能源调度算法通过对历史数据和实时数据的分析，提供了一种优化调度策略的解决方案。

基于机器学习的电力系统短期负荷预测与优化

基于机器学习的电力系统短期负荷预测与优化

基于机器学习的电力系统短期负荷预测与优化

电力系统短期负荷预测与优化是电力行业中的一个重要问题，它对于电力系统的稳定运行和电力供应的高效性至关重要。为了解决这个问题，越来越多的研究者开始运用机器学习的方法来进行短期负荷预测和优化。本文将介绍基于机器学习的电力系统短期负荷预测与优化的方法和技术。

在电力系统中，负荷预测是指根据历史数据和其他相关信息，通过建立数学模型来预测未来一段时间内的电力负荷情况。这对电力系统的运行和调度非常重要，因为根据准确的负荷预测结果，可以合理调配发电机组的发电能力，确保电力系统的稳定运行。传统的负荷预测方法主要基于时间序列分析和统计模型，但是由于其局限性，很难处理非线性和复杂的电力系统负荷特征。

机器学习作为一种人工智能技术，通过分析和理解数据的模式和关系，能够自动从大量的数据中学习并产生预测模型。在电力系统的短期负荷预测中，机器学习技术可以更好地处理负荷特征的非线性和复杂性。常见的机器学习方法包括支持向量机（SVM）、神经网络（NN）、决策树（DT）和随机森林（RF）等。

在负荷预测建模阶段，机器学习算法的选择是关键。支持向量机是一种常用的机器学习方法，它通过寻求一个能够将数据分隔开的最优超平面，从而进行分类和回归。神经网络是受到生物神经元工作原理启发的一种计算模型，它通过学习权重和阈值，从而进行负荷预测。决策树是一种基于特征的树形结构，它可以根据特征的不同值将数据拆分成多个子集，并对每个子集进行负荷预测。随机森林是由多个决策树构成的集成学习方法，它通过结合多个决策树的预测结果来进行最终的负荷预测。根据电力系统负荷数据的特点和需求，选择适合的机器学习算法进行建模非常关键。

除了建模方法的选择，特征工程也是机器学习的关键步骤之一。特征工程是指对原始数据进行预处理和转换，以便于机器学习算法更好地学习和预测。在电力系统的短期负荷预测中，常见的特征包括时间特征、天气特征、节假日特征等。例如，时间特征可以包括小时、星期几、季节等信息，天气特征可以包括温度、湿度、风速等信息。通过对这些特征进行合理的选取和转换，可以提高负荷预测的准确性和稳定性。

基于支持向量机的短期负荷预测

基于支持向量机的短期负荷预测

基于支持向量机的短期负荷预测

【摘要】电力负荷预测的准确性对电力系统安全运行和经济建设有着越来越显著的作用。本文提出一种基于支持向量机的电力系统短期负荷预测方法，将

SVM 引入短期负荷预测，通过不断输入新的负荷数据来更新回归函数，以获得更快的计算速度和较好的预测精度，以佛山地区的负荷数据，结果证明了该方法预测速度快，并且能提高电力负荷的预测精度。

【关键词】电力系统;无功优化;潮流计算;简化梯度法

1.引言

电力系统负荷预测是一项重要的基础性工作，是电力系统规划的核心问题之一，是制定发电计划和输电方案的主要依据。长期以来，在这一领域出现了多种负荷预测方法，主要可分为以时间序列为主的传统方法和以神经网络为主的机器学习方法。传统方法具有运算简单，运行速度快等优点，但是由于模型简单，在电力发展的过程中难以模拟日益复杂的负荷;而机器学习方法有着强大的统计理论依据，在大规模信息处理和学习能力取得了较大进展，但其模型较为复杂，网络结构难以确定，收敛速度较慢，得到的最终解过于依赖初值。20世纪90年代中期，Vapnik 等人在扎实的统计理论基础上提出了一种基于结构风险最小化原则（Structural Risk Minimization， SRM）的新型机器学习算法——支持向量机（Support Vector Machines，简称SVM）方法。它的核心问题是寻找一种归纳原则以实现最小化风险泛函，从而得到最佳的推广。支持向量机方法解决了两个难题：（1）在分析过程中应用核函数的展开定理， 所以不需要核函数的完整表达式;（2）在高维特征空间中用线性回归的方法来进行预测，几乎不增加计算的复杂性，这也就避免了很多人担心升维过程可能出现的维数灾。它避免了人工神经网络等方法的网络结构难于确定、过学习和欠学习以及局部极小等问题， 被认为是目前针对小样本的分类、回归等问题的最佳理论，为解决非线性问题提供了一个新思路。SVM方法是目前统计学中较为年轻的内容，还处于发展当中。