[發明專利]基于集合經驗模態的短期無功負荷預測方法及裝置

在審

• 申請號: 202011075471.0
• 申請日: 2020-10-09
• 公開（公告）號: CN112163710A
• 公開（公告）日: 2021-01-01
• 發明（設計）人: 石英;杜家寶;謝長君;吳明宇;蘇濤
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N20/00
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 劉琳;潘杰

1.一種基于集合經驗模態的短期無功負荷預測方法，其特征在于：所述方法包括如下步驟：

1)通過EEMD分解算法將輸入的無功負荷數據分解為若干本征模態分量IMF；

2)將所述本征模態分量IMF中的低頻對象使用隨機森林回歸機器學習預測算法，獲得低頻對象預測值；

3)將所述本征模態分量IMF中的高頻對象使用BPNN神經網絡機器學習預測算法，獲得高頻對象預測值；

4)對所述低頻對象預測值和高頻對象預測值進行疊加重構，得到無功負荷預測值。

2.根據權利要求1所述的基于集合經驗模態的短期無功負荷預測方法，其特征在于：所述無功負荷數據的復雜信號分解為有限個頻率由高到低的本征模態函數的線性組合，分解出來的各IMF分量包含了原信號的不同時間尺度的局部特征信號。

3.根據權利要求2所述的基于集合經驗模態的短期無功負荷預測方法，其特征在于：所述步驟1)中EEMD分解算法的具體步驟包括：

11)將白噪聲加入原始信號；

12)將加入白噪聲的信號進行EMD分解，得到各階的IMF分量；

13)重復步驟11)和12)N次，每次加入強度相同序列不等的白噪聲，N為大于0的自然數；

14)利用白噪聲頻譜的均值為0，將每次得到的IMF集合求均值得到最終的IMF分量；

15)對所得各頻段對象進行高低頻分類。

4.根據權利要求3所述的基于集合經驗模態的短期無功負荷預測方法，其特征在于：所述步驟1)的信號分解效果以下式衡量：

其中，A_IMFx表示每個特征分量絕對值的平均值；A_original表示原始數據絕對值的平均值；根據式(1)計算無功負荷各IMF分量的幅值占比P_IMFx。

5.根據權利要求1所述的基于集合經驗模態的短期無功負荷預測方法，其特征在于：所述步驟2)中隨機森林回歸機器學習預測算法RFR采用bagging算法，從訓練集中抽取n個測試樣本，基于均方誤差最小化原則對回歸樹RT進行集成得到RFR，得均方誤差的最小值：

其中，BRT_j(x_i)表示第j棵回歸樹RT的IMF預測值，x_i和y_i分別為第i個特征輸入向量和實際無功負荷的值，i，j均為自然數，n為數據長度；

將每個RT的無功負荷低頻特征預測結果進行加權求和，最終得到無功負荷低頻特征的預測結果。

6.根據權利要求1所述的基于集合經驗模態的短期無功負荷預測方法，其特征在于：所述步驟3)中BPNN神經網絡機器學習預測算法的具體步驟包括：

31)前向傳播計算各神經元的輸出值；

32)反向回饋計算各神經元期望輸出與實際輸出的誤差；

33)通過優化算法更新各神經元的權值，從而減小誤差。

34)將無功負荷高頻特征分量序列帶入BPNN神經元進行前向計算，得到BPNN的輸出，通過均方差MSE公式反向計算得到每個神經元的誤差V_MSE為：

其中，V_actual代表高頻特征分量真實值，V_predict表示BPNN輸出的高頻特征分量預測值，n表示數據長度；

在得到神經元的輸出值以后，通過Adam優化算法不斷優化神經元的權重以縮小誤差，經過若干次循環迭代后，BPNN的預測值逐漸逼近訓練集真實值，最終得到BPNN神經網絡機器學習預測算法。

7.一種裝置，其特征在于，包括：

至少一個處理器；以及，

與所述至少一個處理器通信連接的存儲器；其中，

所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行如權利要求1至6中任一所述的方法。

8.一種計算機可讀存儲介質，存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法。