[發明專利]基于VMD-PSO-BPNN的短期電力負荷預測模型建立方法

在審

• 申請號: 201910060863.0
• 申請日: 2019-01-23
• 公開（公告）號: CN109919421A
• 公開（公告）日: 2019-06-21
• 發明（設計）人: 洪蒙納;李繼庚;滿奕;胡雨沙
• 申請（專利權）人: 華南理工大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種基于VMD?PSO?BPNN的短期電力負荷預測模型建立方法，該短期電力負荷預測模型應用于造紙企業的電力負荷預測，包括下述步驟：首先獲取造紙企業總有效負荷數據；利用VMD分解算法對預處理后的數據序列進行分解；利用滯后自相關選擇模型的輸入變量；利用PSO?BPNN對分解序列進行建模；利用訓練樣本對PSO?BPNN模型進行訓練，建立預測模型，并進行造紙企業用電負荷預測，并對預測效果進行分析。本發明方法建立的基于VMD?PSO?BPNN的短期電力負荷預測模型，具有收斂快，預測結果無滯后的特點。

技術領域

本發明涉及造紙企業智能用電技術領域，具體涉及一種基于VMD-PSO-BPNN的短期電力負荷預測模型建立方法。

背景技術

制漿造紙過程存在大量間歇用電設備，通過優化這些間歇用電設備的開機、停機計劃，可有效實現用電削峰填谷，降低成產成本。目前制漿造紙企業對電力需求側的預測主要通過歷史經驗購電，這導致所購的常出現過剩或者不足的問題。因此，如何對企業用電負荷進行預測，進而實現優化排產和合理購電是提高造紙企業經濟效益增強穩定生產的一個重要途徑。

近三年來，主要的研究方向之一是采用拆分重構的方法對電力負荷進行預測。由于造紙企業的用電無周期性，且負荷波動頻率高，利用VMD可以將高頻率的波形拆分成幾個不同且頻率較低的波形的特點。而且相比于EMD(經典模態分解)，VMD算法是一種更為精確的數學算法，而且對噪聲和采樣頻率都很敏感，因此十分適合于造紙企業用電負荷的拆分。

神經網絡模型根據不同的實際情況來選擇適合解決相應問題的結構參數。但是當需要解決的問題相對比較復雜時，用基本的人工神經網絡(ANN)一般達不到實際應用的需求，基于優化算法進行神經網絡優化的結合算法是解決上述問題的方法之一。

BPNN(BP神經網絡)是一種針對非線性、非周期、無規律、無結構性或半結構性數據建模最常用、效果最佳的模型，結合數據挖掘建立具有時間序列特征的BPNN來建立造紙企業用電負荷預測模型是十分實用的。

PSO(粒子群優化算法)是一類概率型的全局優化算法。非確定算法的優點在于算法能有更多機會求解全局最優解。由于BPNN預測存在過擬合以及陷入局部最優等問題，因此采用PSO算法優化BPNN的權值和閾值，防止以上問題的發生是十分合適的。

發明內容

本發明的目的是為了解決現有技術中的上述缺陷，提供一種基于VMD-PSO-BPNN的短期電力負荷預測模型建立方法，利用VMD分解算法把造紙企業用電負荷進行分解，利用滯后自相關法選擇預測模型的輸入，最后利用PSO對BPNN的權值和閾值進行優化，建立電力負荷預測模型，預測并對預測效果進行評價，從而能夠精確預測造紙企業用電負荷。

本發明的目的可以通過采取如下技術方案達到：

一種基于VMD-PSO-BPNN的短期電力負荷預測模型建立方法，該短期電力負荷預測模型應用于造紙企業的電力負荷預測，所述的建立方法包括以下步驟：

S1、獲取造紙企業數據的用電數據；

S2、利用VMD分解算法，對預處理后的負荷序列進行序列分解；

S3、利用滯后自相關法對每個分解序列選取輸入變量；

S4、設置BPNN網絡的隱藏層神經元數，以及BPNN網絡的權值和閾值，把分解序列的訓練集輸入初始的BPNN網絡中，把擬合結果和實際結果之間殘差作為適應度值，利用PSO算法更新權值和閾值的大小，尋找最優的擬合結果，把最優擬合結果對應BPNN網絡進行輸出，利用訓練好的BPNN網絡對分解序列進行預測，把所有分解序列的預測結果進行疊加，得到短期電力負荷預測模型。

進一步地，所述的步驟S2中通過搜尋約束分變模型最優解來實現信號自適應分解，將原始負荷序列分解成一系列具有稀疏特性的模態分量，即將原始序列分解為不同頻率的序列，具體包括：