基于CEEMD‐SSA‐LSSVM短期电力负荷预测模型
现代社会对电力能源的需求在不断地增加,为了制订更加理想的电力能源供应计划,电力负荷预测是目前常用的方法。其中,短期电力负荷预测是必不可少的。文献[
人们通过研究如鲸鱼、蚂蚁、鱼群和麻雀等生物的生活习性等,提出了许多智能优化算法,其中Xue等[
1 CEEMD基本理论
应用经验模态分解(empirical mode decomposition, EMD)方法对信号进行分解可获得固有的模态函数,但会存在模态混叠问题。针对这种模态混叠问题,刘达等[
1)在原始信号中加入n组不相同的白噪声L,得到
(1) |
式中:S为原始序列;为添加正噪声后的信号;为添加负噪声后的信号。共2n组分量。
2)对每个分量使用EMD进行分解,并且将第i个信号的第j个分量记为。
3)把得到的每个分量取均值得到最终结果为
(2) |
2 SSA算法原理
麻雀搜索算法(sparrow search algorithm,SSA)是目前比较新型的优化算法,它能够解决一些特定的优化算法问题。该算法的提出是基于麻雀捕食和反捕食的行为。首先,由n只麻雀构成的群体表示为如下形式[
(3) |
式中:d为需要优化问题变量的维度;n为种群的数量;为种群个体。那么,所有麻雀的适应度值可以表示为如下形式:
(4) |
式中:f (·)为适应度值。
整体的种群数量会随着适应度值的变化而进行调整,会越来越适应环境变化。而在这个群体中的部分个体有比较高的适应度值,会在搜寻的过程中优先获取猎物。在每次的迭代更新后,发现者的位置更新为
(5) |
式中:表示第i只麻雀在第j维中的位置信息,j=1,2,...,d;t为当前迭代次数;是一个常数,表示最大的迭代次数;,是一个随机数;和分别表示预警值和安全值;为正态分布的随机数矩阵;表示一个的矩阵,该矩阵内每个元素均为1。
当<ST时,整个种群中捕食的环境趋于稳定,不存在其他的捕食者,而种群中的发现者则可以进行搜索行动,接下来整个种群中的行动将会受到发现者指挥,而发现者则会根据自己判断来决定种群接下来的捕食范围。
种群中会逐渐加入新个体,这些新加入者和发现者的身份是可以互相动态调整的,简单来说就是当有一只麻雀转换为发现者,另一只麻雀则会转换为加入者。如果某些加入者能量过低,会导致其自身觅食位置差,进而会飞往其他地方觅食以获得能量。整个种群在进行捕食时,一部分群体会搜索新食物,同时也会更新自己的位置。整个群体中的加入者的位置更新如下:
(6) |
式中:为目前发现者所占据的最优位置;为当前全局最差的位置;为一个1×d的矩阵,该矩阵内每个元素赋值为1或-1,并且。
在模拟试验中发现种群中的有些麻雀会感知到危险,即警戒者,这一部分麻雀占到总体的10%~20%。加入者一般能寻找到提供优秀食物的发现者,并且在这些优秀食物中觅食,但是这些加入者也会监控发现者并进行食物争夺。警戒者位置的数学表达式为如下形式:
(7) |
式中:为当前的全局最优位置;作为步长控制参数,是服从均值为0、方差为1的正态分布的随机数;,为一个随机数;为当前麻雀个体的适应度值;和分别是当前全局最佳和全局最差的适应度值;为常数,用以避免出现分母为零的现象。
当,表示此时的麻雀正处于种群的边缘,极易受到捕食者的攻击。表示这个位置的麻雀拥有种群中最好的位置,同时也是十分安全的。当时,表明处于种群中间的麻雀意识到了危险,需要靠近其他麻雀,以尽量减小它们被捕食的风险。K表示麻雀移动的方向,同时它也是步长控制参数。
算法流程:
Step 1:设置种群的更新迭代次数,初始化后调整加入者和捕食者分别所占的比例;
Step 2:计算适应度值,并排序;
Step 6:快速地确定麻雀的最新位置和最优适应度值;
Step 7:判断是否达到了前面预定的要求,如果达到就结束,否则继续重复Step 2~6。
3 SSA算法函数优化测试
分别选取粒子群优化(particle swarm optimization, PSO)算法、遗传算法(genetic algorithm, GA)和SSA算法进行试验,每种算法分别运行100次后比较其平均最优适应度和平均适应度曲线。所选函数如下:
(8) |
(9) |
式中:dim表示维度;e为自然常数。
由图
图1 迭代100次曲线
函数 | 算法 | 平均最优适应度值 |
---|---|---|
PSO | 7.297 7×104 | |
GA | 1.203 3×106 | |
SSA | 0.005 8 | |
PSO | 11.067 2 | |
GA | 17.245 1 | |
SSA | 1.898 9×10-6 |
4 最小二乘支持向量机基本理论
最小二乘支持向量机(least square support vector machine, LSSVM)作为支持向量机(support vector machine, SVM)的延伸,其具体原理如下:给定一组样本数据,其中m为样本集大小;为输入向量,;为样本中相应的输出值,。利用非线性函数将样本映射到更高维空间,然后进行线性回归,其回归函数为
(10) |
式中:为权值向量;为偏置值向量。采用LSSVM进行目标函数优化:
(11) |
约束条件:
(12) |
式(
(13) |
式中:为拉格朗日乘数。根据罗需-库恩-塔克(Karush Kuhn Tucker, KKT)条件有
(14) |
根据以上4个条件可以列出一个关于和的线性方程组,消去和,可得:
(15) |
式中:;;;为核函数;为单位向量。
根据Mercer条件可以确定核函数:
(16) |
则LSSVM的函数估计为
(17) |
式中:核函数选取径向基核函数(radial basis function, RBF),该函数具有极强的泛化能力,且核函数具有唯一性。
RBF表述如下:
(18) |
式中:核参数和惩罚因子C的选取将关系到LSSVM的抗干扰能力及泛化能力。本文采用麻雀搜索算法对以上2个参数进行优化。
5 基于CEEMD-SSA-LSSVM的预测模型
5.1 数据预处理
为了提高电力负荷预测精度,需要对电力负荷数据进行归一化处理[
(19) |
式中:u为初始电力负荷值;为最大电力负荷值;为最小电力负荷值;为归一化后的电力负荷值。
5.2 误差评价指标
为了对误差进行综合分析,本文采用了均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE):
(20) |
(21) |
(22) |
式中:为实际值;为预测值。
6 实例仿真
6.1 4种预测模型仿真与评价
以河南省某县2019年2月的20 d电力负荷数据为例,时间间隔15 min,共1 920个采样点。预测24 h的电力负荷。原始电力负荷序列数据处理先经过CEEMD分解得到10个固定模态分量和1个剩余分量。原始信号和分解结果如
图4 CEEMD对负荷分解结果
Fig.4 The result of load decomposition with CEEMD
图5 4种预测模型的误差对比
Fig.5 Error comparison of four prediction models
图6 4种算法预测效果对比
Fig.6 Comparison of prediction results of four algorithms
预测模型 | RMSE/MW | MAE/MW | MAPE/% |
---|---|---|---|
LSSVM | 3.175 7 | 2.553 50 | 2.144 80 |
CEEMD‐LSSVM | 1.381 7 | 1.109 70 | 0.985 03 |
SSA‐LSSVM | 1.535 5 | 1.123 50 | 0.962 16 |
CEEMD‐SSA‐LSSVM | 1.178 5 | 0.917 79 | 0.806 60 |
6.2 3种预测模型仿真与评价
为了证明麻雀搜索算法拥有更强的寻优能力,采用遗传算法和粒子群算法构建CEEMD-GA-LSSVM和CEEMD-PSO-LSSVM这两个组合预测模型,并分别与模型CEEMD-SSA-LSSVM进行对比,如
图7 组合预测模型的误差对比
Fig.7 Error comparison of combinatorial prediction models
由对比可知组合模型CEEMD-SSA-LSSVM在这3种预测模型中的预测精度最高。分析
预测模型 | RMSE/MW | MAE/MW | MAPE/% |
---|---|---|---|
CEEMD‐GA‐LSSVM | 1.171 0 | 0.935 37 | 0.823 99 |
CEEMD‐PSO‐LSSVM | 1.177 7 | 0.920 81 | 0.816 10 |
CEEMD‐SSA‐LSSVM | 1.178 5 | 0.917 79 | 0.806 60 |
图8 6种预测模型预测效果对比
Fig.8 Comparison of six prediction algorithms
7 结论
本文将一种基于互补式集合经验模态分解和麻雀搜索算法的最小二乘支持向量机的组合模型CEEMD-SSA-LSSVM应用到短期电力负荷预测中,得到以下结论:
1)原始电力负荷信号随机性强,会出现间歇性、无周期性的电力负荷信号,会大幅度干扰预测结果。采用CEEMD在原始信号中加入一组噪声信号来改变信号的极值点分布。CEEMD进行信号分解后,可以使用相对较少的集成平均次数,在保证最小剩余噪声干扰的情况下,能够节省计算时间且提高数据处理效率。原始电力负荷信号在经过CEEMD处理后会得到一系列的高频分量和低频分量,信号不再杂乱混叠。将处理后的信号代入预测模型可以大幅度提高预测精度。
2)新型的麻雀搜索算法通过函数测试对比证明拥有更优的适应度值,而且比传统的遗传算法和粒子群算法在对LSSVM的核参数和惩罚因子C寻优中能发挥更好的性能。
- 我用了一个很复杂的图,帮你们解释下“23版最新北大核心目录有效期问题”。
- 重磅!CSSCI来源期刊(2023-2024版)最新期刊目录看点分析!全网首发!
- CSSCI官方早就公布了最新南核目录,有心的人已经拿到并且投入使用!附南核目录新增期刊!
- 北大核心期刊目录换届,我们应该熟知的10个知识点。
- 注意,最新期刊论文格式标准已发布,论文写作规则发生重大变化!文字版GB/T 7713.2—2022 学术论文编写规则
- 盘点那些评职称超管用的资源,1,3和5已经“绝种”了
- 职称话题| 为什么党校更认可省市级党报?是否有什么说据?还有哪些机构认可党报?
- 《农业经济》论文投稿解析,难度指数四颗星,附好发选题!
- 期刊知识:学位论文完成后是否可以拆分成期刊论文发表?
- 号外!出书的人注意啦:近期专著书号有空缺!!