文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.182278
中文引用格式: 高強(qiáng),,李易隆,李大華,,等. 基于EEMD-SE和GARBF的短期電力負(fù)荷預(yù)測(cè)[J].電子技術(shù)應(yīng)用,,2019,45(1):51-54,,59.
英文引用格式: Gao Qiang,,Li Yilong,Li Dahua,,et al. Short-term power load forecasting based on EEMD-SE and RBF optimized by genetic algorithm[J]. Application of Electronic Technique,,2019,45(1):51-54,,59.
0 引言
短期電力負(fù)荷預(yù)測(cè)是電力系統(tǒng)運(yùn)行和調(diào)度的關(guān)鍵問(wèn)題,,它是電力系統(tǒng)經(jīng)濟(jì)運(yùn)行的前提,有效的電力負(fù)荷預(yù)測(cè)不僅對(duì)電網(wǎng)規(guī)劃,,而且對(duì)其安全穩(wěn)定經(jīng)濟(jì)運(yùn)行有著重要的影響[1],。
電力負(fù)荷預(yù)測(cè)作為一項(xiàng)基礎(chǔ)性研究,長(zhǎng)期以來(lái)一直受到人們的重視,。許多專家學(xué)者對(duì)預(yù)測(cè)理論和方法做了大量的研究,,并提出了若干預(yù)測(cè)模型和方法。目前,,負(fù)荷預(yù)測(cè)的方法有很多,主要可分為兩類:一類是統(tǒng)計(jì)類的經(jīng)典預(yù)測(cè)方法,,如回歸分析,、時(shí)間序列方法、灰色預(yù)測(cè)方法等,;另一類是人工智能預(yù)測(cè)方法,,例如專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)。隨著人工智能的發(fā)展,,人工神經(jīng)網(wǎng)絡(luò)被廣泛地應(yīng)用在預(yù)測(cè)方面[2],。目前學(xué)者大多用的是BP神經(jīng)網(wǎng)絡(luò)進(jìn)行負(fù)荷預(yù)測(cè),是因?yàn)槠溆兄容^強(qiáng)的泛化能力以及非線性映射的能力,,但是在使用過(guò)程中會(huì)發(fā)現(xiàn)它很容易陷入局部最小,,而且收斂的速度比較慢,所以限制了BP神經(jīng)網(wǎng)絡(luò)的發(fā)展,。與BP神經(jīng)網(wǎng)絡(luò)相比,,逐漸發(fā)展的RBF神經(jīng)網(wǎng)絡(luò)避免了BP網(wǎng)絡(luò)的不足,被廣泛應(yīng)用在短期電力負(fù)荷預(yù)測(cè)方面[3],。
本文提出的EEMD-SE-GARBF神經(jīng)網(wǎng)絡(luò)組合的預(yù)測(cè)模型主要是通過(guò)EEMD算法自適應(yīng)地對(duì)負(fù)荷序列進(jìn)行分解,,接著結(jié)合樣本熵對(duì)復(fù)雜度相似的子序列進(jìn)行合并,這樣有效減小了運(yùn)算的規(guī)模,。然后,,基于每個(gè)子序列的復(fù)雜度的差異,構(gòu)建相應(yīng)的RBF神經(jīng)網(wǎng)絡(luò)模型,,并通過(guò)遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù),,避免了神經(jīng)網(wǎng)絡(luò)陷入局部最優(yōu)和收斂性問(wèn)題。最后把每個(gè)新子序列的預(yù)測(cè)結(jié)果相加,,得到最終預(yù)測(cè)值,。
1 EMD和EEMD的原理
1.1 EMD分解法
經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[4]廣泛應(yīng)用在處理非平穩(wěn)信號(hào)方面,,自適應(yīng)地分解出頻率各不相同的本征模態(tài)函數(shù)(Intristic Model Function,,IMF)分量,,并且每個(gè)IMF分量要符合如下條件:信號(hào)過(guò)零點(diǎn)的個(gè)數(shù)與信號(hào)極大值點(diǎn)、極小值的和相等,,即便不相等也不能超過(guò)一個(gè),;信號(hào)局部最小值、最大值的包絡(luò)均值為零,。
(1)設(shè)x(t)為原始信號(hào),,找到其最大值點(diǎn)和最小值點(diǎn),然后用3次樣條曲線方法將其連成曲線,,得到信號(hào)x(t)的上下包絡(luò)線,,計(jì)算兩條包絡(luò)線的均值m1(t),進(jìn)而求出信號(hào)x(t)與均值m1(t)的差值h1(t):
1.2 EEMD分解法
在使用EMD方法時(shí),,如果信號(hào)中有噪聲或信號(hào)中有中斷現(xiàn)象,,這樣就會(huì)產(chǎn)生模態(tài)混疊。集合經(jīng)驗(yàn)?zāi)J椒纸?Ensemble Empirical Mode Decomposition,,EEMD)是一種基于EMD的改進(jìn)方法[5-6],,它將高斯白噪聲添加到原始信號(hào)中,然后對(duì)信號(hào)多次EMD算法處理,,可以有效降低模態(tài)混疊程度,。
2 樣本熵
樣本熵(Sample Entropy,SE)是Richman提出的時(shí)間序列復(fù)雜性測(cè)試方法[7],。其避免了近似熵的不足,,使近似熵誤差有所降低??蓞⒖嘉墨I(xiàn)[7]了解樣本熵主要算法,。
樣本熵的估計(jì)值為:
式中,Bm(t)為任一個(gè)時(shí)間序列與模板匹配的概率,,m代表維數(shù),,r代表閾值,N代表長(zhǎng)度,。SampEn的值與m和r有關(guān),,一般情況下m=1或2,r=0.1SD~0.25SD(SD表示原始信號(hào)xi的標(biāo)準(zhǔn)差),,本文m=2,,r=0.2SD。
3 遺傳RBF神經(jīng)網(wǎng)絡(luò)建模
3.1 RBF神經(jīng)網(wǎng)絡(luò)模型
徑向基函數(shù)(Radical Basis Function,,RBF)神經(jīng)網(wǎng)絡(luò)[8]具有非線性映射能力較強(qiáng),、網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、容錯(cuò)性強(qiáng),、魯棒性強(qiáng)等特點(diǎn),,它可以有效地解決非線性問(wèn)題,,因此被廣泛應(yīng)用在函數(shù)逼近、模式識(shí)別,、時(shí)間序列分析和圖形處理等領(lǐng)域,。
RBF的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。它是一種3層前饋型網(wǎng)絡(luò),,輸入層到隱含層的函數(shù)變換是線性的,,而隱含層到輸出層的函數(shù)變換是非線性的。其中,,隱含層采用的是徑向基函數(shù)[9],。
RBF神經(jīng)網(wǎng)絡(luò)的非線性傳遞函數(shù)采用高斯徑向基函數(shù),其隱含層的傳遞函數(shù)表示為:
其中,,X∈Rn為n維輸入矢量,,即X=[x1,x2,,…,xn],;Ci表示第i個(gè)基函數(shù)的中心,;σi為第i個(gè)非線性變換單元的寬度;||·||通常取歐氏范數(shù),,即||X-Ci||=[(X-Ci)T(X-Ci)]1/2,;m為隱含層單元個(gè)數(shù);wik為連接隱含層與輸出層的權(quán)值,。
3.2 RBF神經(jīng)網(wǎng)絡(luò)模型改進(jìn)
遺傳算法(Genetic Algorithm,,GA)是一種尋優(yōu)方法,其與神經(jīng)網(wǎng)絡(luò)組合用來(lái)訓(xùn)練網(wǎng)絡(luò)以及優(yōu)化學(xué)習(xí)規(guī)則,。由于神經(jīng)網(wǎng)絡(luò)權(quán)重閾值是隨機(jī)初始化的,,因而容易產(chǎn)生局部最優(yōu),遺傳算法的全局收斂性不僅可以解決神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇的不確定性問(wèn)題,,而且可以提高網(wǎng)絡(luò)收斂性能,。
利用遺傳算法對(duì)網(wǎng)絡(luò)的3個(gè)參數(shù)(中心矢量Ci、基寬σi和網(wǎng)絡(luò)連接權(quán)值wik)進(jìn)行全局尋優(yōu),,保證網(wǎng)絡(luò)的各參數(shù)在全局最優(yōu)范圍內(nèi),。將式(9)作為個(gè)體的適應(yīng)度函數(shù)。
4 基于EMD-SE-GARBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型
4.1 模型設(shè)計(jì)
結(jié)合幾種方法的優(yōu)點(diǎn)建立短期電力負(fù)荷預(yù)測(cè)模型,,模型流程如圖3所示,,具體預(yù)測(cè)流程如下:
(1)對(duì)輸入數(shù)據(jù)預(yù)處理,由于輸入變量的單位和取值范圍均不相同,,因此利用式(10)對(duì)數(shù)據(jù)歸一化處理,,取值范圍設(shè)置在[0,,1]。
式中,,x表示歸一化變量,,x′表示歸一化后的變量,xmax和xmin分別表示變量的最大值和最小值,。
本文定義工作日為“1”,,休息日為“0”。并對(duì)預(yù)測(cè)日天氣進(jìn)行量化處理,,結(jié)果如表1所示,。
(2)利用EEMD方法對(duì)負(fù)荷時(shí)間序列進(jìn)行分解,得到各個(gè)IMF分量和一個(gè)剩余分量,。
(3)計(jì)算各個(gè)子序列的樣本熵值,,將熵值接近的子序列合并成新子序列。
(4)對(duì)每個(gè)新子序列建立GARBF預(yù)測(cè)模型,。
(5)利用GA算法對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行參數(shù)尋優(yōu),,最后得到各新子序列的預(yù)測(cè)值。
(6)疊加每個(gè)新子序列的預(yù)測(cè)值以獲得最終預(yù)測(cè)值,。
4.2 仿真分析
為了驗(yàn)證本文提出的短期負(fù)荷預(yù)測(cè)模型EEMD-SE-GARBF的有效性,,使用某大學(xué)活動(dòng)中心的數(shù)據(jù),對(duì)2018年7月6日24小時(shí)用電負(fù)荷進(jìn)行預(yù)測(cè),,訓(xùn)練樣本為預(yù)測(cè)日前23天的原始數(shù)據(jù),。歷史負(fù)荷數(shù)據(jù)如圖4所示。
利用EEMD對(duì)歷史負(fù)荷序列進(jìn)行分解,,分解結(jié)果如圖5所示,。可以看出有6個(gè)復(fù)雜度不同的IMF分量和1個(gè)變化比較平緩的剩余分量,,計(jì)算這7個(gè)序列的熵值,,結(jié)果如圖6所示,從圖中可以看出,,序列1和2,,3、4和5,,6和7熵值彼此接近,,將熵值接近的子序列合成新的子序列,新子序列如圖7所示,。
從圖7中可以看出,,NEW1的波動(dòng)頻率較高,因此它有著非常大的隨機(jī)性,很容易受隨機(jī)因素的影響,。選擇多個(gè)輸入和一個(gè)輸出的RBF網(wǎng)絡(luò),,輸入變量可選為:待測(cè)點(diǎn)前3個(gè)小時(shí)的負(fù)荷值、前一天的負(fù)荷值,、前兩天的負(fù)荷值,、前一周同一時(shí)間的負(fù)荷值、預(yù)測(cè)當(dāng)日的平均溫度,、天氣及日類型,。NEW2幾乎是以日為周期波動(dòng),隨機(jī)因素對(duì)序列的影響不大,,同樣選擇多個(gè)輸入一個(gè)輸出的RBF網(wǎng)絡(luò),,輸入變量可選為:待測(cè)點(diǎn)前3個(gè)小時(shí)的負(fù)荷值、前一天的負(fù)荷值,、前兩天的負(fù)荷值同一時(shí)間的負(fù)荷值,。NEW3變化相對(duì)穩(wěn)定,周期性不明顯,,選擇一個(gè)多個(gè)輸入多個(gè)輸出網(wǎng)絡(luò),,輸出即為要預(yù)測(cè)的24小時(shí)負(fù)荷值,輸入變量可選為:預(yù)測(cè)日前一天及前一周24小時(shí)的負(fù)荷值,、預(yù)測(cè)當(dāng)日的平均溫度,、天氣及日類型。
基于上述分析,,為每個(gè)新合成的子序列建立RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,并將每個(gè)預(yù)測(cè)模型輸出的值相加,,得到最終預(yù)測(cè)值,。
為驗(yàn)證EEMD-SE-GARBF預(yù)測(cè)模型的有效性,在同樣的計(jì)算條件下分別使用RBF預(yù)測(cè)模型和GARBF預(yù)測(cè)模型對(duì)相同的用電負(fù)荷時(shí)間序列進(jìn)行預(yù)測(cè),,結(jié)果如圖8所示,。
為了評(píng)判各預(yù)測(cè)模型的精確性,本文采用相對(duì)誤差(RE)和平均絕對(duì)百分比誤差(MAPE)指標(biāo)來(lái)描述預(yù)測(cè)精度,,結(jié)果如圖9和表2所示,。
通過(guò)分析可知,GARBF預(yù)測(cè)模型MAPE比RBF預(yù)測(cè)模型降低了3.94%,,說(shuō)明使用遺傳算法對(duì)網(wǎng)絡(luò)參數(shù)的優(yōu)化使得預(yù)測(cè)精度有所提高,。從圖9中可以看出,本文中使用的EEMD-SE-GARBF組合預(yù)測(cè)模型相較于其他兩種模型具有相對(duì)平穩(wěn)且較小的相對(duì)誤差,,并且MAPE僅為2.41%,,在預(yù)測(cè)精度上很明顯要高于GARBF預(yù)測(cè)模型和RBF預(yù)測(cè)模型,說(shuō)明在處理具有較強(qiáng)波動(dòng)性的用電負(fù)荷時(shí)間序列中,對(duì)原始數(shù)據(jù)進(jìn)行的平穩(wěn)化預(yù)處理可以有效提高預(yù)測(cè)的精度,。
5 結(jié)論
本文提出了一種基于EEMD-SE和GARBF神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)方法,,利用EEMD分解法自適應(yīng)地對(duì)負(fù)荷序列進(jìn)行分解,結(jié)合樣本熵對(duì)復(fù)雜度相似的子序列進(jìn)行合并,,并且針對(duì)RBF神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)問(wèn)題,,利用遺傳算法優(yōu)化網(wǎng)絡(luò)參數(shù)。結(jié)果表明,,所提出的EEMD-SE-GARBF組合預(yù)測(cè)模型可以很好地應(yīng)用于短期電力負(fù)荷預(yù)測(cè),,具有廣泛的應(yīng)用價(jià)值。
參考文獻(xiàn)
[1] 康重慶,,夏青,,劉梅.電力系統(tǒng)負(fù)荷預(yù)測(cè)[M].北京:中國(guó)電力出版社,2007.
[2] 李振華,,許延春,,李龍飛,等.基于BP神經(jīng)網(wǎng)絡(luò)的導(dǎo)水裂隙帶高度預(yù)測(cè)[J].采礦與安全工程學(xué)報(bào),,2015,,32(6):905-910.
[3] 李龍,魏靖,,黎燦兵.基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷模型預(yù)測(cè)[J].電工技術(shù)學(xué)報(bào),,2015,30(8):225-230.
[4] 楊茂,,陳郁林.基于EMD分解和集對(duì)分析的風(fēng)電功率實(shí)時(shí)預(yù)測(cè)[J].電工技術(shù)學(xué)報(bào),,2016,31(21):86-93.
[5] 王賀,,胡志堅(jiān),,陳珍,等.基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率組合預(yù)測(cè)[J].電工技術(shù)學(xué)報(bào),,2013,,28(4):137-144.
[6] 茆美琴,龔文劍,,張榴晨,,等.基于EEMD-SVM方法的光伏電站短期出力預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2013,,33(34):17-24.
[7] 張學(xué)清,,梁軍,張熙.基于樣本熵和極端學(xué)習(xí)機(jī)的超短期風(fēng)電功率組合預(yù)測(cè)模型[J].中國(guó)電機(jī)工程學(xué)報(bào),,2013,,33(25):33-40.
[8] 彭顯剛,胡松峰,呂大勇.基于RBF神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)方法綜述[J].電力系統(tǒng)保護(hù)與控制,,2011,,39(17):144-148.
[9] 王育飛,付玉超,,孫路.基于混沌-RBF神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率超短期預(yù)測(cè)模型[J].電網(wǎng)技術(shù),,2018,42(4):1110-1116.
作者信息:
高 強(qiáng)1,,2,,李易隆1,2,,李大華1,,2,白梓璇1,,2
(1.天津理工大學(xué) 電氣電子工程學(xué)院 天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室,,天津300384;
2.機(jī)電工程國(guó)家級(jí)實(shí)驗(yàn)教學(xué)示范中心,,天津300384)