[发明专利]基于VDM和Stacking模型融合的短期负荷预测方法及系统

权利要求书

1.一种基于VDM和Stacking模型融合的短期负荷预测方法，其特征在于：包括以下步骤：

采集负荷序列数据，并输入到事先训练好的预测模型，进行负荷预测并输出预测结果；

其中，预测模型的训练步骤如下：

采用VMD算法将获取到的原始负荷序列分解为不同的固有模态分量IMF；

计算每个IMF负荷分量序列的ApEn值；

把每一个ApEn值作为一个随机分量，基于Stacking的思想，XGBoost和长短期记忆神经网络来构建模态分量IMF的预测模型；

通过将上述预测模型对各模态分量IMF的预测结果叠加得到最终预测结果，再进行加权融合。

2.根据权利要求1所述的基于VDM和Stacking模型融合的短期负荷预测方法，其特征在于：所述采用VMD算法将获取到的原始负荷序列分解为不同的固有模态分量IMF，具体包括：

假设：

u_k(t)是模态函数的输入信号，{u_k}代表模态集合{u₁，u₂，......,u_k}，ω_k是与输入信号的第k个模态相对应的中心频率，{ω_k}代表模态分量对应的中心频率{ω₁,ω₂,...,ω_k}，f(t)是输入信号，δ(t)是单位脉冲函数；

通过引入拉格朗日乘数λ和二次惩罚因子ψ，公式(1)可改写为：

对方程进行求解时采用乘法的交替方向法，得到一组模态分量及其各自的中心频率，通过频域的解中估算每种模态，并表示为：

其中n是迭代次数，和分别代表f(t)，u_i(t)和λ(t)傅里叶变换后的形式；

在公式(3)中，它具有维纳滤波器结构的特征，可直接更新傅立叶域中的模态；此外，通过提取傅立叶逆变换的实部在时域中获得这些模态；

运用公式(4)，计算出这些模态的中心频率这表明新的中心频率位于其各自模态功率谱的重心处。

3.根据权利要求1所述的基于VDM和Stacking模型融合的短期负荷预测方法，其特征在于：所述计算每个IMF负荷分量序列的ApEn值，具体包括以下步骤：

(1)通过IMF序列构造一组q维向量：

(2)上述构造的向量中任意两组间的距离计算式为：

(3)上述构造的向量中任意两组间的相关程度计算式为：

其中H{·}是Heaciside函数，ε是相似公差；

(4)向量序列a的平均自相关程度计算式为：

(5)ApEn S_a求解为：

S_a＝δ(q,ε)-δ(q+1,ε) (9)。