[发明专利]一种电力负荷超短期预测方法、系统、设备及存储介质有效
申请号: | 202011638086.2 | 申请日: | 2020-12-31 |
公开(公告)号: | CN112766076B | 公开(公告)日: | 2023-05-12 |
发明(设计)人: | 丁云飞;叶子军 | 申请(专利权)人: | 上海电机学院 |
主分类号: | G06F18/214 | 分类号: | G06F18/214;G06F18/10;G06F18/213;G06Q10/04;G06Q50/06 |
代理公司: | 上海科盛知识产权代理有限公司 31225 | 代理人: | 翁惠瑜 |
地址: | 200240 *** | 国省代码: | 上海;31 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 电力 负荷 短期 预测 方法 系统 设备 存储 介质 | ||
1.一种电力负荷超短期预测方法,其特征在于,具体为:
S1:采集电力负荷时序信号S(t),对S(t)进行MEEMD分解,剔除S(t)中的异常信号,获得S′(t);
S2:对S′(t)进行EMD分解,获得余项和若干个第一IMF分量;
S3:计算余项和若干个第一IMF分量对应的主成分贡献率;
S4:将余项和若干个第一IMF分量以及对应的主成分贡献率代入训练好的极限学习机,获得若干个预测负荷分量;
S5:将若干个预测负荷分量进行叠加获得S(t)的预测总负荷;
所述的极限学习机为KELM模型,所述的训练过程具体为:
设置初始化参数,该参数包括迭代次数、停止条件、核参数γ以及隐含层与输出层的连接权重β;
采用训练集对KELM进行迭代求解,直至β不再发生变化;
其中,所述的KELM的求解核函数K(xi,xj)的计算公式为:
其中,Dis*p(x,y)为闵科夫斯基距离,计算公式为:
其中,(xj,yj)为KELM的输入,Ci为主成分的方差贡献率,d为维数,p为范数。
2.根据权利要求1所述的一种电力负荷超短期预测方法,其特征在于,步骤S1的具体过程为:
S101:在电力负荷时序信号S(t)中添加一组均值为零的白噪声信号S+(t)和S-(t);
S102:将S+(t)和S-(t)进行EMD分解,对应获得第二IMF分量I+(t)和I-(t);
S103:将I+(t)和I-(t)进行集成平均,获得集成平均值IP(t),判断IP(t)是否大于设定阈值,若是则重复步骤S101,否则在S(t)中剔除已经获得的P-1个集成平均值,获得S′(t)。
3.根据权利要求1所述的一种电力负荷超短期预测方法,其特征在于,所述的主成分贡献率为方差贡献率;
步骤S3具体为:
S301:将余项和若干个第一IMF分量作为样本,组成一个特征矩阵;
S302:将特征矩阵变换为相关矩阵:
S303:根据相关矩阵求解若干个主成分对应的特征值;
S304:根据特征值求解各个主成分的方差贡献率。
4.一种电力负荷超短期预测系统,其特征在于,包括:
信号采集模块,用于采集电力负荷时序信号S(t);
信号过滤模块,用于对S(t)进行MEEMD分解,剔除S(t)中的异常信号,获得S′(t);
负荷预测模块,包括负荷分量预测单元和负荷总量预测单元;
所述的负荷分量预测单元对S′(t)进行EMD分解,获得余项和若干个第一IMF分量,计算余项和若干个第一IMF分量对应的主成分贡献率,将余项和若干个第一IMF分量以及对应的主成分贡献率代入训练好的极限学习机,对应获得若干个预测负荷分量;
所述的负荷总量预测单元将若干个预测负荷分量进行叠加获得S(t)的预测总负荷;
所述的极限学习机为KELM模型,所述的系统还包括模型训练模块,所述的模型训练模块用于训练KELM模型;
所述的训练过程具体为:
设置初始化参数,该参数包括迭代次数、停止条件、核参数γ以及隐含层与输出层的连接权重β;
采用训练集对KELM进行迭代求解,直至β不再发生变化;
其中,所述的KELM的求解核函数K(xi,xj)的计算公式为:
其中,Dis*p(x,y)为闵科夫斯基距离,计算公式为:
其中,(xj,yj)为KELM的输入,Ci为主成分的方差贡献率,d为维数,p为范数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海电机学院,未经上海电机学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011638086.2/1.html,转载请声明来源钻瓜专利网。