的局部極大值和極小值通過3次樣條 插值算法給出。由于信號兩端不可能同時處于極大值和極小值，因此，上下包絡(luò)在數(shù)據(jù)信號 的兩端不可避免的會出現(xiàn)發(fā)散現(xiàn)象，這種發(fā)散現(xiàn)象就稱為端點效應(yīng)。出現(xiàn)了端點效應(yīng)使得 分解的結(jié)果不再具有實際的物理意義，是不希望看到的。
[0043] 在待分解信號中加入零均值的白噪聲，經(jīng)過EMD分解后，能夠使信號所包含的均 勻分布的各頻率分量被規(guī)律性的分解開來。對于白噪聲來說，EMD分解類似于一個有效的 二進(jìn)制濾波器，除了第一個頂F外，其余的頂F的功率譜都呈現(xiàn)相似的帶通特性。
[0044] EMD方法的原理是在原信號中加入若干次白噪聲，把信號和噪聲的組合作為一個 信號的待分解信號，利用白噪聲頻譜的均勻分布特性，當(dāng)信號加載遍布整個時頻空間分布 一致的白噪聲背景上時，不同尺度的信號會自動分布到合適的參考尺度上，并且由于零均 值噪聲的特性，再分別進(jìn)行EMD處理，最后求平均得到逼近的真實模態(tài)。
[0045]另外，若負(fù)荷樣本數(shù)據(jù)為每小時一個點，則各分量對應(yīng)的模型個數(shù)為24,將時間t 分別代入預(yù)測模型可得到每個分量在各相應(yīng)時間點的負(fù)荷預(yù)測值。其中，每一個本征模態(tài) 分量代表一個模型；同一個本征模態(tài)分量模型對不同天，即一個本征模態(tài)分量模型代表不 同天的同一時刻。假設(shè)η天（24個時間點）則可以有η條負(fù)荷曲線，當(dāng)考察這η天的某一 特定時刻，比如早上8點鐘的負(fù)荷特征時，則可以得到8點鐘所對應(yīng)的不同天的同一本征模 態(tài)分量的數(shù)據(jù)，因此，針對一天24小時則有24條這樣的數(shù)據(jù)，從這個角度來說各分量所對 應(yīng)的模型個數(shù)為24。
[0046] 應(yīng)用實例：
[0047] 選取中國某城市某年12月7至12月19日的歷史電力負(fù)荷數(shù)據(jù)作為算例，以12月 7日至12月17日為輸入數(shù)據(jù)，12月18日數(shù)據(jù)為輸出數(shù)據(jù)建立極限學(xué)習(xí)機預(yù)測模型進(jìn)行網(wǎng) 絡(luò)訓(xùn)練；以12月8日至12月18日數(shù)據(jù)為輸入數(shù)據(jù)，對12月19日的24個時段進(jìn)行預(yù)測。
[0048] 預(yù)測過程按照圖1所示流程進(jìn)行。對輸入負(fù)荷序列進(jìn)行不良數(shù)據(jù)處理后，進(jìn)行集 合經(jīng)驗?zāi)B(tài)分解EMD，得到一系列具有單一模態(tài)的平穩(wěn)本征模態(tài)分量IMF;再由極限學(xué)習(xí)機 ELM對各分量分別進(jìn)行預(yù)測，然后重構(gòu)給出最終預(yù)測結(jié)果。其中集合經(jīng)驗?zāi)B(tài)分解的實現(xiàn)步 驟如圖2所示。
[0049] 圖3為采用集合經(jīng)驗?zāi)B(tài)分解對上述13天的負(fù)荷序列進(jìn)行分解的結(jié)果。負(fù)荷序 列是一種典型的周期性和隨機性并存的非平穩(wěn)信號，集合經(jīng)驗?zāi)B(tài)分解能夠?qū)⒔o定負(fù)荷序 列自適應(yīng)地按照頻率從高到底的順序分解為一系列本征模態(tài)分量。
[0050] 圖3中，a為原始信號，b~h為集合經(jīng)驗?zāi)B(tài)分解得到的7個頂F分量，i為余 量。從圖中可以看出，b為尚頻的隨機分量，沒有任何規(guī)律，是原始序列的隨機分量部分；c 和d具有一定的周期性，為原始序列周期分量；其余分量具有明顯的趨勢特征，為原始序列 的趨勢分量。從負(fù)荷特性的角度出發(fā)，任意時刻的負(fù)荷可由隨機分量、氣象敏感負(fù)荷和正常 分量組成，負(fù)荷序列經(jīng)過集合經(jīng)驗?zāi)B(tài)分解后得到的這三種分量在一定意義上正好對應(yīng)了 這種負(fù)荷的特性劃分。
[0051] 采用本發(fā)明方法預(yù)測結(jié)果如圖4所示，從圖中可以看出，采用所提方法可以較為 準(zhǔn)確地對預(yù)測日的負(fù)荷進(jìn)行了預(yù)測。
[0052] 如上所述，該方法首先采用集合經(jīng)驗?zāi)B(tài)分解將負(fù)荷序列分解為一系列單頻率的 本征模態(tài)函數(shù)，其中包含了原始序列的高頻隨機成分、周期成分以及正常的趨勢成分。然后 采用極限學(xué)習(xí)機對各個分量分別建立預(yù)測模型，最后重構(gòu)得到最終預(yù)測結(jié)果。提出的方法 為電力系統(tǒng)短期負(fù)荷預(yù)測提供了一種新思路。
[0053] 以上給出了具體的實施方式，但本發(fā)明不局限于所描述的實施方式。本發(fā)明的基 本思路在于上述基本方案，對本領(lǐng)域普通技術(shù)人員而言，根據(jù)本發(fā)明的教導(dǎo)，設(shè)計出各種變 形的模型、公式、參數(shù)并不需要花費創(chuàng)造性勞動。在不脫離本發(fā)明的原理和精神的情況下對 實施方式進(jìn)行的變化、修改、替換和變型仍落入本發(fā)明的保護范圍內(nèi)。
【主權(quán)項】
1. 一種短期電力負(fù)荷預(yù)測方法，其特征在于，包括W下步驟： (1)、采集若干天W及每天中的若干個時間點的電路負(fù)荷數(shù)據(jù)，構(gòu)成原始負(fù)荷序列； (2) 、對所述原始負(fù)荷序列進(jìn)行集合經(jīng)驗?zāi)B(tài)分解，將原始負(fù)荷序列自適應(yīng)地分解為一 系列特定周期成分的本征模態(tài)函數(shù)和一個殘余量； (3) 、對于每一個分解得到的分量，分別采用極限學(xué)習(xí)機進(jìn)行預(yù)測；利用極限學(xué)習(xí)機針 對每一個本征模態(tài)分量W及殘余分量中連續(xù)日、相同時刻對應(yīng)的負(fù)荷數(shù)據(jù)分別進(jìn)行預(yù)測模 型建模，利用得到的預(yù)測模型進(jìn)行電力負(fù)荷的預(yù)測； (4) 、通過線性疊加處理，給出最終預(yù)測結(jié)果。2. 根據(jù)權(quán)利要求1所述的短期電力負(fù)荷預(yù)測方法，其特征在于，在所述對原始負(fù)荷序 列進(jìn)行集合經(jīng)驗?zāi)B(tài)分解之前，對原始負(fù)荷序列進(jìn)行不良數(shù)據(jù)處理。3. 根據(jù)權(quán)利要求1所述的短期電力負(fù)荷預(yù)測方法，其特征在于，所述步驟（2)具體包括 W下步驟： 1) 、初始化整體重復(fù)的執(zhí)行次數(shù)Μ; 2) 、在原始負(fù)荷序列X(t)上添加白噪聲Πι(t)得到新的信號(t)，計算公式為(t) =x(t)+rii(t), 其中，該白噪聲服從（0,（ασ)2)的正態(tài)分布，σ=std(x(t))為信號的標(biāo)準(zhǔn)差，α為 加性白噪聲的強度參數(shù)，運里ni(t)為第i次添加的白噪聲，Xi(t)是第i次添加白噪聲后 所得到的新的信號，i=l，2，...，M; 3) 、采用經(jīng)驗?zāi)B(tài)分解方法對新生成的信號(t)進(jìn)行分解得到一系列本征模態(tài)函數(shù)， 計算公式為：, 其中，S是經(jīng)經(jīng)驗?zāi)B(tài)分解方法分解所得到的本征模態(tài)函數(shù)的個數(shù)，ri,s(t)是殘余量， 是對第i次添加白噪聲得到的信號進(jìn)行經(jīng)驗?zāi)B(tài)分解后得到的第S個本征模態(tài)函 數(shù)，S= 1，2,. . .，S，i= 1，2,. ..，Μ; 4) 、得到如下的本征模態(tài)函數(shù)的集合4. 根據(jù)權(quán)利要求2所述的短期電力負(fù)荷預(yù)測方法，其特征在于，所述對原始負(fù)荷序列 進(jìn)行不良數(shù)據(jù)處理的步驟為： 1) 、剔除異常數(shù)據(jù)，進(jìn)行數(shù)據(jù)的平滑； 2) 、對數(shù)據(jù)進(jìn)行歸一化。
【專利摘要】本發(fā)明涉及一種短期電力負(fù)荷預(yù)測方法，包括以下步驟：(1)、采集若干天以及每天中的若干個時間點的電路負(fù)荷數(shù)據(jù)，構(gòu)成原始負(fù)荷序列；(2)、對原始負(fù)荷序列進(jìn)行集合經(jīng)驗?zāi)B(tài)分解，將原始負(fù)荷序列自適應(yīng)地分解為一系列特定周期成分的本征模態(tài)函數(shù)和一個殘余量；(3)、對于每一個分解得到的分量，分別采用極限學(xué)習(xí)機進(jìn)行預(yù)測；利用極限學(xué)習(xí)機針對每一個本征模態(tài)分量以及殘余分量中連續(xù)日、相同時刻對應(yīng)的負(fù)荷數(shù)據(jù)分別進(jìn)行預(yù)測模型建模。(4)、利用得到的預(yù)測模型進(jìn)行電力負(fù)荷的預(yù)測。該方法克服了傳統(tǒng)經(jīng)驗?zāi)B(tài)分解的端點效應(yīng)問題。另一方面，極限學(xué)習(xí)機的泛化能力及計算速度優(yōu)于當(dāng)前普遍采用的人工神經(jīng)網(wǎng)絡(luò)方法。
【IPC分類】G06Q50/06, G06Q10/04
【公開號】CN105404939
【申請?zhí)枴緾N201510887254
【發(fā)明人】黃明山, 劉楠嶓, 李如意, 劉永光, 王軍, 胡東方, 臧義, 張孝遠(yuǎn)
【申請人】河南許繼儀表有限公司, 河南工業(yè)大學(xué), 許繼集團有限公司, 國家電網(wǎng)公司, 國網(wǎng)山東省電力公司濰坊供電公司
【公開日】2016年3月16日
【申請日】2015年12月4日