[发明专利]一种基于二层分解技术的短期冲击负荷预测方法

权利要求书

1.一种基于二层分解技术的短期冲击负荷预测方法，其特征在于，包括以下步骤：

S1：获取冲击负荷历史数据并对数据进行平均化预处理；

S2：将预处理后的冲击负荷历史数据通过可变模式分解为若干离散模态分量，所述离散模态分量记为IMF_n，其中n为离散模态分量的序号；

S3：利用奇异谱分析对离散模态分量中频率最高的分量进行二次分解得到若干子序列；

S4：构建基于鲸鱼算法优化的极限学习机神经网络预测模型；

S5：将步骤S2中除频率最高分量外的模态分量和步骤S3中的二次分解得到子序列输入至基于鲸鱼算法优化的极限学习机神经网络预测模型；

S6：将基于鲸鱼算法优化的极限学习机神经网络预测模型输出预测值叠加得到实际预测结果。

2.根据权利要求1所述的一种基于二层分解技术的短期冲击负荷预测方法，其特征在于，所述平均化预处理具体为：将冲击负荷历史数据中包括的数据点每连续M个数据点计算平均值，并将求取的平均值作为对应M个数据点的代表值，其中M为正整数。

3.根据权利要求1所述的一种基于二层分解技术的短期冲击负荷预测方法，其特征在于，将预处理后的冲击负荷历史数据通过可变模式分解为若干离散模态分量具体过程为：

S21：将预处理后的冲击负荷历史数据信号通过希尔伯特变换，得到每个模态函数u_k(t)的解析信号和单变频谱其中，t表示第t时刻，k表示第k个离散模态，j表示虚数单位，σ(t)表示第k个模态在第t时刻的中心频率；

S22：将每个离散模态函数的单变频谱及解析信号以混合-预估中心频率为基准调制到基频带其中w_k表示第k个离散模态的角频率；

S23:将每一个模态函数的解析信号梯度的平方进行L2范数化，估计出每个离散模态的信号带宽，分别计算每个离散模态在受约束条件下的分量。

4.根据权利要求3所述的一种基于二层分解技术的短期冲击负荷预测方法，其特征在于，所述计算每个离散模态在受约束条件下的分量具体为：

S231：将每个离散模态在约束条件下的目标函数表示为：

其中，{u_k}＝{u₁，...，u_K}，{w_k}＝{w₁,...,w_K}；k＝1,2,3…K，表示对t求偏导，f(t)表示输入的预处理后的冲击负荷历史数据信号；

S232：将离散模态在约束条件下的目标函数引入二次惩罚项和拉格朗日算子转化为非约束的拉格朗日表达式，所述拉格朗日表达式为：

S233：初始化参数和n，其中，{u_k}＝{u₁，...，u_K}表示k个模态函数，表示k模态函数的初值，{w_k}＝{w₁,...,w_K}表示第k个中心频率，表示这k个中心频率的初值，是拉格朗日乘法算子的初值，n为迭代次数；

S234：采用交替乘子方向法更新参数u_k，w_k，λ，更新公式具体为：

若则停止更新迭代，获得一个离散模态分量，其中e为预设的判别精度。

S235：重复步骤S233-S234获取全部离散模态分量。