徐建軍, 王碩昌
(東北石油大學(xué) 電氣信息工程學(xué)院, 黑龍江 大慶 163318)
分形理論可有效處理許多復(fù)雜的非線性模型, 并且對比其他傳統(tǒng)模型, 例如灰色預(yù)測模型、 ARIMA(Autoregressive Integrated Moving Average)模型、 BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)模型、 模糊預(yù)測模型、 插值預(yù)測模型、 回歸預(yù)測模型等, 其不需要訓(xùn)練, 也不存在結(jié)果不收斂的現(xiàn)象。李昂儒等[1]利用分形插值函數(shù)獲取相鄰樣本的局部信息, 再使用多個評價指標(biāo)維度對預(yù)測效果進(jìn)行估計。關(guān)學(xué)忠等[2]通過經(jīng)驗?zāi)B(tài)分解(EMD: Empirical Mode Decomposition)對原始分解, 再通過分形插值函數(shù)分別進(jìn)行預(yù)測, 最后將預(yù)測結(jié)果同BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比, 證明了EMD-分形預(yù)測模型的預(yù)測精度更高。肖瑤[3]提出了一種應(yīng)用于離散電力采樣數(shù)據(jù)的分形特征值計算方法, 并且通過對盒維數(shù)逆運算實現(xiàn)了對負(fù)荷的預(yù)測。趙飛[4]通過計算電力系統(tǒng)短期負(fù)荷的分維數(shù)和Kolmogorov熵, 證明了相同空間狀態(tài)下的電力系統(tǒng)負(fù)荷具有分形的特征, 并且通過線性回歸方法進(jìn)行局部擬合預(yù)測未來幾天內(nèi)電力系統(tǒng)負(fù)荷。高金蘭等[5-6]設(shè)計了一種基于VMD-IWOA-LSSVM(Variational Mode Decomposition-Improved Whale Optimization Algorithm-Least Square Supprt Vector Machine)的短期負(fù)荷預(yù)測模型, 通過變分模態(tài)分解對原始負(fù)荷數(shù)據(jù)進(jìn)行分解, 再輸入到通過鯨魚算法優(yōu)化后的最小二乘支持向量機(jī)模型中, 提高了負(fù)荷預(yù)測的精度。
分形函數(shù)系統(tǒng)是以分形理論為基礎(chǔ), 通過映射函數(shù)尋求吸引子曲線達(dá)到預(yù)測的目的。李小燕[7]通過分形插值函數(shù)選取相似日對實測日進(jìn)行氣象預(yù)測, 在選取參考日的數(shù)據(jù)對實測日的預(yù)測數(shù)據(jù)進(jìn)行回歸, 進(jìn)一步提高了預(yù)測精度。李萌[8]通過設(shè)置調(diào)整參數(shù)和不斷更新迭代初始點對分形插值函數(shù)進(jìn)行修正, 使其能對中長期電力負(fù)荷進(jìn)行預(yù)測。關(guān)學(xué)忠等[9]利用分型理論中的拼貼定理和分形插值函數(shù)對各個分解序列進(jìn)行合理預(yù)測。李如琦等[10]通過灰色關(guān)聯(lián)法選取相似日的數(shù)據(jù), 通過數(shù)據(jù)的特點對數(shù)據(jù)進(jìn)行分段, 在利用分形插值函數(shù)對分段數(shù)據(jù)進(jìn)行預(yù)測和擬合。劉映等[11]通過改進(jìn)垂直因子的分形插值函數(shù)對樣本數(shù)據(jù)進(jìn)行小波分析, 通過小波分析確定分形插值點, 這種分析方法有效提高了預(yù)測精度。目前所有的根據(jù)分形理論預(yù)測負(fù)荷的方法都存在分形曲線復(fù)雜、 噪音數(shù)據(jù)過多、 擬合過度的問題。為解決上述問題, 筆者建立了一種基于VMD(Variational Mode Decomposition)-分形理論的短期電力負(fù)荷預(yù)測模型, 通過對原始負(fù)荷序列進(jìn)行分解, 降低噪聲序列的影響, 使分形預(yù)測曲線更為平滑, 預(yù)測結(jié)果準(zhǔn)確性更高。
分形插值函數(shù)是通過其本身數(shù)據(jù)所含有的規(guī)律進(jìn)行插值[12], 生成迭代函數(shù)系統(tǒng)(IFS: Iterative Function System),該系統(tǒng)滿足壓縮映射定理和拼貼定理[13]。
對一個給定的數(shù)據(jù)集{(xi,yi)∈R2,i=0,1,2,…,N}, 其在R2內(nèi)有以下的放射變換IFS{R2:ωi,i=1,2,…,N},ωi是下式的仿射變換。
(1)
其中ai、ci、ei、fi為待求參數(shù),di為自由參數(shù), 通常表示插值曲面的光滑程度。則放射變換的函數(shù)端點必須滿足
(2)
迭代函數(shù)系統(tǒng)IFS通過仿射變換生成的分形插值函數(shù)(FIS: Fractal Interpolation System)端點條件經(jīng)過整理后可得
(3)
筆者提出了一種新的預(yù)測模型, 該模型通過變分模態(tài)分解(VMD)對基準(zhǔn)日的負(fù)荷數(shù)據(jù)進(jìn)行分解, 分解成趨勢項、 擾動項(IMF1)、 噪音項(IMF2,IMF3,IMF4)。通過對趨勢項和擾動項的數(shù)據(jù)曲線進(jìn)行重標(biāo)極差法分析, 確定是否具有分形的特征。通過趨勢項和擾動項的曲線特征計算垂直尺度因子, 建立迭代函數(shù)系統(tǒng)(IFS: Iterative Function System)分別對趨勢項、 擾動項(IMF1)、 噪音項(IMF2,IMF3,IMF4)進(jìn)行迭代計算, 再相加, 最終得到預(yù)測結(jié)果。筆者選取美國大西洋電力公司(Atlantic Electric Power Company)提供的負(fù)荷數(shù)據(jù)。
VMD-分形理論的算法實現(xiàn)過程如圖1所示。
圖1 基于VMD-分形理論短期負(fù)荷預(yù)測模型Fig.1 Short-term load forecasting model based on VMD-fractal theory
VMD的目的是將原始復(fù)雜的電力負(fù)荷信號曲線分解為K個調(diào)幅調(diào)頻子信號, 通過維納濾波去噪, 初始化有限帶寬參數(shù)α和中心角頻率, 獲得K個估計的中心角頻率ωK, 利用交替方向乘子法更新各模態(tài)參數(shù)以及中心頻率, 并將各個模態(tài)解調(diào)到相應(yīng)基頻帶, 最終達(dá)到各個模態(tài)估計帶寬之和最小的目的[14-15]。
原始負(fù)荷序列分解過程如下。
1) 對每個模態(tài)函數(shù)uk(t), 采用Hilbert進(jìn)行變換計算相應(yīng)的解析信號, 其單側(cè)頻譜如下
(4)
其中*為卷積運算符,δ(t)為狄拉克函數(shù), {uk},{ωk}分別為對應(yīng)的第k個子信號對應(yīng)的模態(tài)分量和中心頻率。
2) 模態(tài)函數(shù)uk(t)和所對應(yīng)的中心頻率ωk的指數(shù)項e-jωkt混疊, 將頻譜調(diào)整到要對應(yīng)的基頻帶頻譜
(5)
3) 由強(qiáng)調(diào)信號的高斯平滑法估計帶寬, 求解約束函數(shù)條件的變分函數(shù)
(6)
其中f為原始信號, {uk}={u1,…,uk}, {ωk}={ω1,…,ωk}。
4) 采用二次懲罰因子α和拉格朗日算子λ(t),表達(dá)式如下
(7)
5) 采用交替算子法解決上述問題, 二次優(yōu)化問題的解為
(8)
6) 同上述過程, 中心頻率的更新公式為
(9)
將2021年9月3日作為基準(zhǔn)日進(jìn)行電力負(fù)荷的VMD分解, 如圖2所示。
圖2 VMD負(fù)荷分解結(jié)果Fig.2 The result of VMD load sequence decomposition
為減少分形迭代函數(shù)的波動性, 增加負(fù)荷預(yù)測的精度, 要對各個模態(tài)量進(jìn)行判斷其是否具有迭代的價值。由圖2可知, 趨勢項和擾動項(IMF1)不具備周期性特征而且上下波動幅值很大, 具有整體的特征且周期性特征不明顯。所以采用分形迭代的方式對趨勢項和擾動項(IMF1)進(jìn)行進(jìn)一步的預(yù)測, 而噪聲項(IMF2、IMF3、IMF4)具有明顯的周期性特征且幅值較小, 預(yù)期迭代效果不好, 所以作為噪聲序列和趨勢項和擾動項預(yù)測的結(jié)果相加。對趨勢項和擾動項進(jìn)行重標(biāo)極差法檢驗, 驗證是否有分形的特征。
重標(biāo)極差法是對時間序列的預(yù)測性進(jìn)行分析, 其一般步驟如下。
對時間序列{xt,t=0,1,2,…,N}, 設(shè)EN為時間序列的均值,X(t,N)為該序列的累積離差,R(N)為該序列的極差,S(N)為標(biāo)準(zhǔn)差, 則有
(10)
(11)
(12)
則R(N)/S(N)為重標(biāo)極差, 即為
(R/S)N=cNH
(13)
其中H為Hurst指數(shù),c為正常數(shù), 與參數(shù)N無關(guān)。時間序列中的Hurst指數(shù)H和分形維數(shù)D滿足:H+D=2。
圖3、 圖4中的曲線斜率分別代表了趨勢項的Hurst指數(shù)和擾動項的Hurst指數(shù)。趨勢項的Hurst指數(shù)為0.923 416, 擾動項(IMF1)的Hurst指數(shù)為0.934 246, 0.5 圖3 趨勢項的R/S分析 圖4 擾動項的R/S分析 Fig.3 R/S analysis of trend term Fig.4 R/S analysis of disturbance term 通過研究趨勢項和擾動項(IMF1)曲線特征, 取趨勢項曲線導(dǎo)數(shù)為0的點作為插值點, 擾動項(IMF1)的插值點和趨勢項相互對應(yīng)。筆者借鑒了文獻(xiàn)[16]和文獻(xiàn)[17]的方法, 根據(jù)趨勢項和擾動項(IMF1)的插值區(qū)間計算出壓縮尺度因子, 計算方法如下。 1) 將趨勢項和擾動項(IMF1)根據(jù)曲線波動趨勢找到極值點, 將極值點作為插值點并且劃分插值區(qū)間。 2) 將所有插值區(qū)間所在序列的第1個數(shù)據(jù)和最后序列的最后一個數(shù)據(jù), 組成一個數(shù)據(jù)量為N+1的插值點集。 3) 通過每個插值區(qū)間的第1個點和最后一個點做一條直線, 令d為插值區(qū)間序列中剩余點到直線距離的最大值。 4) 對每個插值區(qū)間所在序列都進(jìn)行上述操作, 得到的集合為{ui}。通過 (14) 計算垂直尺度因子。 5) 求出每個插值區(qū)間所在序列的dq, 垂直壓縮因子就是所有dq的算術(shù)平均值。通過上述步驟求得壓縮尺度因子分別為0.68和0.73。建立迭代函數(shù)系統(tǒng)(IFS), 如圖5、 圖6所示。 圖5 趨勢項預(yù)測數(shù)據(jù)曲線 圖6 擾動項(IMF1)預(yù)測數(shù)據(jù)曲線 Fig.5 Trend item forecast data curve prediction data curve Fig.6 Perturbation(IMF1) term 圖7是VMD-分形預(yù)測模型、 分形預(yù)測模型、 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型[18-19]的對比圖。通過圖7可清晰地看到VMD-分形預(yù)測模型比分形預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測效果好。表1是2021年9月4日的預(yù)測結(jié)果, 從表1中可以看出VMD-分形預(yù)測模型的相對誤差較分形預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的相對誤差小。其中經(jīng)過計算VMD-分形預(yù)測模型的MAPE(Mean Absolute Percentage Error)為2.244 55%, 分形預(yù)測模型的MAPE為5.246 5%, BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的MAPE為6.083 7。VMD-分形預(yù)測模型的MAPE比分形預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型降低了5%左右, 證明了VMD-分形預(yù)測模型比分形預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測效果更好。 圖7 3種預(yù)測模型和實際值的比較Fig.7 Comparison of three prediction models and actual values 表1 3種模型預(yù)測值 筆者針對傳統(tǒng)的分形預(yù)測模型進(jìn)行改進(jìn), 通過變分模態(tài)分解對復(fù)雜的負(fù)荷數(shù)據(jù)處理, 并且加入了根據(jù)插值區(qū)間計算尺度因子的方法, 提出了一種新的VMD-分形預(yù)測模型。通過與傳統(tǒng)分形預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行對比, 結(jié)果表明VMD-分形預(yù)測模型預(yù)測精度更高, 預(yù)測曲線更貼合實際負(fù)荷曲線。綜上所述, VMD-分形預(yù)測模型在短期電力負(fù)荷預(yù)測中較傳統(tǒng)分形預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型更具有優(yōu)勢。3 實驗結(jié)果
4 結(jié) 語