[发明专利]基于IEEMD-BPNN的电力系统短期负荷预测方法

摘要

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。

主权项

1.基于IEEMD-BPNN的电力系统短期负荷预测方法，包括如下步骤：步骤1：使用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；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；其中，步骤1使用IEEMD对非稳态、非线性的历史电力负荷数据进行分解的方法包含如下步骤：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；子步骤12：计算ω与原信号其余子波段ωi之间的波形相似度ρ，并以最大ρ值所对应的子波段ωmatch作为与ω最相似的子波段，ρ的计算公式如下：其中，cov(ω,ωi)为两波段的协方差，σ(ω),σ(ωi)分别为ω与ωi的方差；子步骤13：建立ω与ωmatch之间的数据相关性，公式如下：Y＝a+bX其中，X、Y分别为ω和ωmatch的幅值向量，a、b为相关性系数；子步骤14：以ωmatch左端端点t′0为待延拓波形ωmatch-left的起点，以t′0前n点t′1为ωmatch-left的终点，求出延拓波形ωextension，计算公式如下：子步骤15：使用EEMD对延拓后的信号进行分解后，移除所得IMF分量和趋势余量两端的延拓数据，即可得到原信号的IEEMD分解结果。