[发明专利]基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法

摘要

本发明公开了一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法，包括下述步骤：S1，针对负荷数据的非平稳性，采用互补集合经验模态分解(CEEMD)将原始负荷的时间序列分解成若干固有模态函数(IMFs)；互补集合经验模态分解(CEEMD)向原始时间序列中加入正负成对的白噪声，这样既能保证拥有与集合经验模态分解(EEMD)一样的分解效果，又能减少因添加白噪声造成的序列重构误差；本发明采用分解技术将序列分解为若干个模态分量，并结合优化算法优化预测模型的参数，最后叠加各分量的预测结果作为最终预测值，与其它模型相比，该组合模型在短期冲击负荷预测中能取得更高的预测精度。

主权项

1.一种基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法，其特征在于，包括下述步骤：S1，针对负荷数据的非平稳性，采用互补集合经验模态分解(CEEMD)将原始负荷的时间序列分解成若干固有模态函数(IMFs)；互补集合经验模态分解(CEEMD)向原始时间序列中加入正负成对的白噪声，这样既能保证拥有与集合经验模态分解(EEMD)一样的分解效果，又能减少因添加白噪声造成的序列重构误差；其中，互补集合经验模态分解(CEEMD)的处理步骤如下：S1.1，向原始时间序列中加入正负成对的白噪声，并生成两种由附加噪声和时间序列混合而成的序列M1和M2，该两种序列M1和M2由下述公式(3)获得：其中NE是添加的白噪声，X是时间序列，则M1是时间序列和正噪声的总和，M2是时间序列和负噪声的总和；S1.2，通过经验模态分解(EMD)将M1和M2分别分解为各自互补的含有正负白噪声的若干固有模态函数(IMFs)的成对分量；S1.3，将每对含正负白噪声的分量整合在一起作为最终的固有模态函数(IMF)分量；S2，利用纵横交叉算法优化极限学习机的参数，并对所有的固有模态函数(IMF)分量分别建立纵横交叉算法优化极限学习机(CSO‑ELM)的预测模型；S2.1，极限学习机；设有N个由输入xi和输出yi组成的互不相同的样本(xi,yi)，xi＝[xi1,xi2,…xin]T∈Rn,yi＝[yi1,yi2,…yim]T∈Rm，i∈[1,N],则一个具有L个隐层节点的前馈神经网络的输出可以由下述公式(4)表示：xi∈Rn,αi∈Rn,βi∈Rm，    (4)其中αi＝[αi1,αi2,…αin]T是连接输入层到第i个隐含层节点的输入权值，bi是第i个隐含层节点的偏差，输入权值和偏差均随机生成；βi＝[βi1,βi2,…βim]T是第i个隐藏层节点到输出层的输出权值；αi*xi表示向量αi和xi的内积；G(x)为激励函数；若该前馈神经网络能以零误差逼近该N个样本，则存在一组数据αi、bi及βi，满足下述公式(5)：其中上述公式(5)可简化为下述公式(6)：Hβ＝Y，    (6)其中H为网络的隐含层输入矩阵，结合输出样本Y，便能通过下述公式(7)确定隐含层输出矩阵β：β＝H‑1Y；    (7)S2.2，纵横交叉算法；纵横交叉算法(CSO)由横向交叉和纵向交叉两种核心算子组成；每次迭代过程中，该两种算子交替进行，交叉后产生的子代与其父代竞争，择优保留；S2.2.1，横向交叉操作；横向交叉是种群中两个互不相同的粒子在相同维之间的一种运算机制；设父代粒子X(i)和X(j)的第d维进行横向交叉，它们根据下述公式(8)和(9)产生子代：MShc(i,d)＝r1×X(i,d)+(1‑r1)×X(j,d)+c1×(X(i,d)‑X(j,d))，    (8)MShc(j,d)＝r2×X(j,d)+(1‑r2)×X(i,d)+c2×(X(j,d)‑X(i,d))，    (9)i,j∈N(1,M),d∈N(1,D)，其中r1、r2∈[0，1]之间的随机数；c1、c2∈[‑1，1]之间的随机数；M为粒子规模；D为变量维数；X(i,d)、X(j,d)表示父代粒子X(i)和X(j)的第d维；MShc(i,d)、MShc(j,d)分别表示X(i,d)和X(j,d)通过横向交叉产生的第d维子代；S2.2.2，纵向交叉操作；纵向交叉是同一粒子不同维之间进行的一种运算机制，每次纵向交叉操作只产生一个子代；假定粒子X(i)的第d1维和第d2维进行纵向交叉，根据下述公式(10)产生子代：MSvc(i,d1)＝r·X(i,d1)+(1‑r)·X(i,d2)，    (10)i∈N(1,M)，d1,d2∈N(1,D)，r∈[0，1]，其中MSvc(i,d1)表示父代粒子X(i)的第d1维和第d2维通过纵向交叉产生的子代；实际上，粒子维度层面出现早熟的几率较少，因此纵向交叉概率pv要小于横向交叉概率ph，而且每次迭代只对其中一个粒子进行更新，其效果相当于使该粒子的收敛方向发生小几率的改变，从而跳出局部最优；S2.3，纵横交叉算法(CSO)优化极限学习机(ELM)参数步骤；极限学习机(ELM)由于容易过早收敛，往往需要大量的隐含层节点才能达到理想的预测精度；纵横交叉算法(CSO)全局搜索能力强，收敛速度快，能有效解决以上问题；其中，纵横交叉算法(CSO)优化极限学习机(ELM)参数的具体步骤如下：S2.3.1，初始化种群；种群中的个体粒子由极限学习机(ELM)输入权值和隐含层偏置构成，粒子的长度即维数D＝b(a+1)，其中a,b分别为输入层和隐含层节点数；其中θ_m为种群中的第m(1≤m≤popsize)个粒子；为[‑X_max,X_max]中的随机数，X_max一般取1；S2.3.2，利用已分解的历史负荷数据作为纵横交叉算法优化极限学习机(CSO‑ELM)预测模型的训练样本，计算出初始种群中每个粒子的适应度Fitness，Fitness表达式(12)如下：其中yj为实际负荷值，Tj为预测值；S2.3.3，利用纵横交叉算法(CSO)求出种群中适应度最小的最优解即最优粒子，种群最优粒子中的参数即为极限学习机(ELM)预测模型的最优输入权值和偏差；结合训练样本的输入值，通过Sigmoid激活函数，即求出隐含层输入矩阵H；S2.3.4，结合训练样本的输出矩阵Y和隐含层输入矩阵H，根据上述公式(10)求出隐含层输出矩阵β；S3，将预测样本的输入值代入所有分解序列中已优化权值和偏置的极限学习机(ELM)预测模型，叠加各序列模型的输出值，从而得到最终的负荷预测结果。