[发明专利]基于IEEMD-BPNN的电力系统短期负荷预测方法

说明书

本发明属于电力系统负荷预测技术领域，特别涉及一种基于改进总体经验模态分解(IEEMD)与反向传播神经网络(BPNN)的电力系统短期负荷预测方法。步骤1：使用改进的EEMD(IEEMD)对非稳态、非线性的历史电力负荷数据进行分解，得到一系列平稳的本征模态函数(IMF)分量及一个趋势余量。步骤2：剔除步骤1中所得的第一阶IMF分量(IMF1)。步骤3：使用BPNN分别对步骤1和步骤2所得的各阶IMF分量及趋势余量进行预测。步骤4：使用BPNN对步骤3所得的各阶IMF分量及趋势余量进行非线性组合，得到电力负荷最终预测结果。

技术领域

本发明属于电力系统负荷预测技术领域，特别涉及一种基于改进总体经验模态分解(Improved Ensemble Empirical Mode Decomposition,IEEMD)与反向传播神经网络(Back Propagation Neural Network,BPNN)的电力系统短期负荷预测方法。

背景技术

短期负荷预测通常指预测某个电力系统未来几个小时、一天到几天的负荷变化，时间间隔为15分钟、30分钟或1小时，是电力系统运行、控制和规划不可缺少的一部分。由于电力系统负荷经常受到系统运行特性、天气、社会活动等不稳定因素的影响，呈现出极强的非稳态、非线性特征，要对其进行准确预测存在很大的难度。

经验模态分解(Empirical Mode Decomposition,EMD)是一种用于非平稳、非线性信号分析的新方法。该方法既吸取了小波变换的多变分析优势，又避免了小波变换中需要选取小波基的困难，且具有良好的局部适应性。但是，EMD分解自身也存在一些不足，例如当数据不是纯的白噪声，EMD分解会出现模态混叠现象。针对传统EMD方法的不足，提出了一种噪声辅助数据分析方法—EEMD方法。该方法能够有效克服传统EMD方法的模态混叠现象，但存在端点效应问题，容易使得信号分解结果的两端失真，不利于后续分析处理。

发明内容

为了解决以上技术问题，本发明提供一种基于改进EEMD(Improved EnsembleEmpirical Mode Decomposition,IEEMD)与BPNN的电力系统短期负荷预测方法，该方法可以降低电力系统短期负荷序列的非平稳性，利用IEEMD方法在非平稳、非线性信号分析方面的优点和BPNN适用于非线性组合预测的特性，从而准确对其进行预测，该预测方法包括如下步骤：

步骤1：使用改进的EEMD(IEEMD)对非稳态、非线性的历史电力负荷数据进行分解，得到一系列平稳的本征模态函数(Intrinsic Mode Function,IMF)分量及一个趋势余量。

步骤2：剔除步骤1中所得的第一阶IMF分量(IMF1)。

步骤3：使用BPNN分别对步骤1和步骤2所得的各阶IMF分量及趋势余量进行预测。

步骤4：使用BPNN对步骤3所得的各阶IMF分量及趋势余量进行非线性组合，得到电力负荷最终预测结果。

具体解释为：

步骤1：使用改进的EEMD对非稳态、非线性的历史电力负荷数据进行分解。

这其中，改进的EEMD方法包含如下步骤：

子步骤11：以原始信号左端处理过程为例。将待处理信号左端端点t0设置为待匹配波ω的起点，将t0后n点t1设置为ω的终点。此处，n为一天时间内的采样点数。1440为一天的总分钟数，T为采样时间(min)。