基于VMD-IPSO-LS...VM的短期电力负荷预测研究_陆磊.pdf

基于 的短期电力负荷预测研究陆磊，张铭飞，朱浩钰（华北水利水电大学电力学院，河南 郑州 ；国网常德供电公司，湖南 常德 ；菏泽黄河河务局供水局，山东 菏泽 ）摘要：针对不规律的、波动性大的复杂原始负荷数据导致预测精度不高等问题，设计了一种使用变分模态分解（）与改进粒子群算法（）来优化最小二乘支持向量机（）的短期负荷预测模型。针对原始负荷数据存在的波动性大等缺陷，首先使用 法将其分解为多个各异的模态分量，然后将分解后的各组数据分别输入改进的动态自适应惯性权重粒子群算法优化后的 模型，最后将得到的多个各异的模态分量分别经模型预测出的结果进行相加得到最后取得的预测结果。经江苏省某市真实负荷数据仿真，验证了该预测模型的有效性及优越性。关键词：短期电力负荷预测；变分模态分解；改进粒子群算法；最小二乘支持向量机；预测精度中图分类号：，（，；，；，）：，（）（）（），：；收稿日期：引言随着经济和社会的发展，全国各地区的用电量不断攀升。短期电力负荷预测的准确性对于社会经济发展、人民安居乐业具有重要意义。同时，短期电力负荷预测也是电力企业调度部门合理进行发电计划的重要依据。近年来，随着智能算法的不断发展和应用，人工神经网络、随机森林、支持向量机等机器学习模型的方法得到了当今学者的广泛关注。本文所设计的负荷预测模型，首先引入 对 的几个重要参数进行寻优，其中 算法在进化前期主要对搜索空间进行探索，并在进化后期主要对较优区域进行开发，克服了标准粒子群算法针对高维复杂的寻优过程中容易出现的局部收敛、早熟等问题。此外，针对 预测电力负荷中存在的原始负荷数据非线性、非平稳性、时序性等问题，本文采用了 方法对其提前进行抗噪干扰处理。算法原理 变分模态分解变分模态分解（）是一种自适应、完全非递归的模态变分和信号处理的方法。可以将不规律的、非平稳的复杂原始负荷数据一次性分解为多个特征各异的模态分量。对原始负荷数据进行分解，使其分解为多个不同的模态分量，该过程满足约束条件：（）（）（）（）（）式中，为分解后得到的第个模态分量；为得到的模态分量的中心；（）为狄拉克分布；（）为原始负荷序列。将二次惩罚因子和拉格朗日乘子引入式（），把约束问题转化为非约束问题求解：电力自动化电工技术（，）（）（）（）（）（），（）（）（）使用交替方向乘子法解决式（）变分问题，交替更新、和以寻求拉式方程“鞍点”：（）（）（）（）（）（）（）（）（）式中，和分别为所对应的模态分量的维纳滤波和频率中心。最小二乘支持向量机最小二乘支持向量机（）是传统支持向量机的改进模型，它使用最小二乘线性方程作为其损失函数，将标准 的不等式约束转化为等式约束。在其优化过程中把二范数作为目标函数，将二次的问题转变为求解线性方程组，因此简化了 乘子的求解，有效降低了算法空间层面的复杂性，提高了算法的收敛速度及准确度。回归函数模型一般式为：（）（）（）式中，为特征空间的权重向量；（）为 的核函数；为偏差量。按照结构风险最小化原则，获得式（）中和参数的精确值，可转换 优化问题为：（，）（）（）式中，为回归误差向量；为正则化参数。引入 乘子对式（）进行优化，可得：（，）（，）（）（）通过 条件推导求解：（）（）（）消除式（）中和，得到 负荷预测模型：（）（，）（）式（）中，（，）为核函数，本文取径向基函数为核函数，其表达式为：（，）（）（）式中，为核函数的宽度因子。粒子群算法及其改进 粒子群算法粒子群算法（）是从随机解出发，通过追随搜索到的最优值来寻找全局最优的进化算法。算法中，每个粒子在多维空间寻优过程中，通过与适应度评价函数（）不断进行比较，来调整自己的位置并向粒子历史最佳位置和全局历史最佳位置逼近。每个粒子不断调整速度和位置的表达式为：（）式中，为粒子飞行时的速度；为粒子的自身位置；为粒子历史最佳位置；为全局历史最佳位置；为进化代数；、为，之间的随机数；、为学习因子；为惯性权重。与此同时，为了避免粒子太早陷入局部优化，和应满足约束条件：，（）式中，为粒子最大速度 与最大搜索空间 的比例系数。改进的动态自适应惯性权重 算法在 算法中，粒子的速度更新由决定。采用较大的惯性系数，尽管可以提高算法在前期的全局搜索能力，却致使后期局部搜索能力削弱；而采用较小的惯性系数，尽管可以大大增强算法的局部搜索能力，但空间搜索能力减弱了很多。为此，本文使用动态自适应惯性权重因子的思想对 算法进行改进。联合进化离散度（）和 函数，得出非线性动态自适应惯性权重因子的计算式：（）（）（）（）式中，、分别为最大、最小惯性权重；为最大进化代数；（）为种群进化离散度；为阻尼因子，取值为，。模型的构建 优化 模型 有两个非常重要的参数，即核函数的宽度因子和正则化参数，这两个参数对 模型的负荷预测结果有很大的影响。相比于 ，电工技术电力自动化将后者模型中参数选择的问题转化为多维空间的全局搜索问题，实现参数自动的选择优化。利用改进的动态自适应惯性权重 算法对 模型中的核宽度参数和正则化参数进行优化，作为 模型的最优参数，并选取 函数作为 模型核函数，建立预测模型。优化 模型流程如图所示，具体步骤如下。（）初始化 算法和 模型的参数。算法主要参数为：惯性权重参数，学习因子和为，最大迭代次数 为 ，初始种群数为，最大速度与最大搜索空间比例因子，阻尼因子。（）计算每个粒子的适应值，粒子的适应值以预测值与真实值的平均误差为准。（）更新粒子历史最佳位置和全局历史最佳位置。随着粒子速度和粒子位置的不断更新变化，随即产生各个粒子新位置的适应值。将产生的新的适应值分别与粒子自身的和种群的比较，若前者位置更优，则进行替换，否则保持不变。根据计算公式相应动态调整惯性权重因子。（）判断是否满足设定迭代终止条件，若满足则输出最优参数值。（）将得到的最优参数值，即核宽度参数和正则化参数代入 模型。（）使用 模型进行负荷预测。图基于 的负荷预测流程 的实现考虑到原始负荷数据的复杂性以及波动性，对原始负荷数据进行 分解，如图所示，具体步骤如下。（）原始负荷数据分解的个数对分解的结果影响很大，因此使用中心频率法确定数据分解个数显得尤为必要。（）使用算法将原始负荷数据分解为个不同的模态分量。（）分别将个模态分量代入 预测模型进行预测。（）将各个模态分类得出的结果进行重构整合，得到最终的预测结果。图 预测模型流程算例分析使用江苏某市真实原始负荷数据，数据时间为 年月日至月 日，采样时间间隔为 ，每天 条电力负荷数据，共计 条，如图所示。将 年月日到月 日的原始电力负荷数据作为训练集来训练预测模型，得到训练预测模型后，将 年月 日电力负荷数据输入预测模型，预测输出 年月 日全天 个时间点的负荷数据。本文算法均采用 环境实现。用 、预 测 模 型 作 为 本 文 提 出 的 模型的对比方法。图 历史负荷数据 数据预处理及评价指标原始的电力负荷数据在个月区间内变化复杂并且数值也较大，因此若直接使用原始数据进行负荷预测，则必然会给预测模型和优化算法带来非常大的计算压力，也会出现忽视其他相关数据因素致使预测结果不准确的情况。为此，对 分解后的序列分别进行归一化处理，使其变化范围均在，归一化公式为：（）式中，为归一化后的数据；为分解后的序列数据；和 分别为负荷的最小值和最大值。为 了 评 估 各 模 型 的 精 度 差 异，选 取 根 均 方 差（）、平均绝对误差（）和平均绝对百分比误差（）三个评价指标进行分析，指标越小，则模型预电力自动化电工技术 测结果越精准。（）（）（）（）式中，为预测总次数；为第个时间点电力负荷预测值；为第个时间点电力负荷真实值。负荷预测分析为了取得不同的几组模态函数分量，首先采用 算法对原始负荷数据进行分解处理。如图所示，当发现分解后的模态函数数量大于时，中心频率非常接近，故将值设定为。电力负荷数据经 分解后得到的各模态分量如图所示，可以看出分解后各模态分量较分解前更为规律，频率相对稳定，没有明显的频谱混叠现象。图 不同值对应的中心频率图电力负荷数据的变分模态分解结果将使用分解后得到的个模态分量分别输入 预测模型中，惯性权重参数，学习因子和为，最大迭代次数 为 ，初始种群数为，最大速度与最大搜索空间比例因子，阻尼因子。使用 优化 模型，将分解后各模态分量分别带入 模型，得到的个不同的预测结果相加整合得到本文预测模型最终的预测值。为验证本文所设计模型的性能优越性，将其与多个预测模型进行对比实验。各模型预测结果对比如图所示，可以看出，对比模型以及本文提出的模型都能对负荷进行较为有效的预测，整体的预测曲线与真实曲线也能基本吻合，但相比其余模型，本文所提模型的预测结果更接近真实值，具有较高的预测精度。图真实负荷值与预测负荷值为使运行结果更直观，进一步验证本文所提模型的优越性，先 后 使 用 根 均 方 差（）、平 均 绝 对 误 差（）和平均绝对百分比误差（）对各模型进行对比分析，得出各模型精度，见表。比较结果表明，在预测性能表现上，是几个预测模型中最优秀的，其预测负荷值更接近真实负荷值。表 各模型精度比较预测模型 结语针对不规律的、波动性大的复杂原始负荷数据导致预测难度大、难以准确进行负荷预测等问题，本文设计了 的短期负荷预测模型。首先用算法将复杂、非平稳的原始数据分解成各异的模态分量，然后使用 算法对 模型进行优化来提高模型预测精准度，最后将各模态分量分别进行预测，重构整合成最终的预测结果。以江苏省某市真实数据为原始负荷数据，通过不同预测模型预测对比，得出本文所提模型在多个方面有了很大提升，充分说明了本文模型的优越性。参考文献 高金兰，王天基于 的短期负荷预测吉林大学学报（信息科学版），（）：，（）：杨邓，杨俊杰，胡晨阳，等基于改进 的短期电力负荷预测 电子测量技术，（）：，（下转第 页）电工技术电力自动化实证分析以图所示的 配电系统为背景进行实证分析。该系统的负荷为 ，因强雷击导致下午时 分左右发生多处故障。图 案例配电网的拓扑结构各故障点抢修占时预计：点需，点需，点需，点需，点需，点需，点需，点需。失电负荷的重 要 性 区 分 见 表（一、二、三级的对应权重分别为、）。参数配置：惯性权重系数取；学习因子、取；迭代次数取；种群规模取。表失电节点的负荷等级区划负荷等级失电节点一，二，三，首先进行两种情形的故障点恢复价值计算：以故障形成时刻的瞬时负荷值为计算基础，即认为故障修复时段内负荷量是恒定的，即不考虑负荷时变性；由基础数据结合式（）的积分操作，得到故障修复时段内的尽可能反映实际运行状态的负荷总量，即虑及负荷的时变特性。两种情形下的计算结果比对见表。其次按图、图流程，经过多次循环往复式求解，得到情形、情形下的最优故障抢修顺序：、。最后以正常无故障运行态为校核对象，进行两类情形的效果比对（按先情形、后情形的顺序描述）：损失总表 首个阶段计算各故障点恢复价值计算故障处恢复价值 情形情形 故障处恢复价值 情形情形 电量分别为 、；电压合格率分别下滑 、；网损分别上升 、。结论：配电网故障时不可避免会产生电量损失、电压合格率下降、网络损耗上升等不利事件，但只要在故障抢修、电网恢复中充分考虑负荷时变，就能将各项不利因素的影响降至最低程度。结语智能电网环境下配电网运行面临复杂挑战。针对多故障并发情形，本文设计基于负荷时变考量的多阶段协同优化的故障抢修恢复策略，提出将二进制粒子群算法与节点分层、环网编码吸纳辐射状约束等技术进行融合，以提升迭代计算效率。算例表明，对负荷时变的考虑非常切合实际运行态势，有利于全局意义上制定最优的抢修位次和恢复策略。参考文献 冯杰，陈骏宇，陈明军，等基于图论的含分布式电源配电网故障恢复算法中国电力，（）：王雨婷，张筱慧，唐巍，等考虑光伏及负荷时变性的配电网故障恢复电网技术，（）：杨丽君，吕雪姣，李丹，等含分布式电源的配电网多故障抢修与恢复协调优化策略电力系统自动化，（）：孙辰，刘东，凌万水，等配电自动化远程终端的可信研究电网技术，（）：卢志刚，刘照拯，张晶，等含分布式电源的配电网灾后分阶段抢修策略 电工电能新技术，（）：孟军，汪沨，刘蓓，等分布