亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于VMD-IWOA-KELM 的短期電力負荷預測研究

        2023-11-27 11:59:30孟德乾袁建平吳月超
        科技創(chuàng)新與應用 2023年33期
        關鍵詞:模態(tài)優(yōu)化方法

        孟德乾,袁建平,吳月超

        (華東勘測設計研究院有限公司,杭州 310000)

        負荷預測是電力系統(tǒng)運行和管理中的關鍵環(huán)節(jié)。隨著我國電網(wǎng)運行規(guī)模的持續(xù)擴大和能源改革的加速推進,負荷預測日益受到重視。準確的負荷預測可以為電力系統(tǒng)的規(guī)劃和運營提供有效的決策依據(jù),為保障電網(wǎng)的穩(wěn)定運行和優(yōu)化供需結構作出貢獻。在過去的幾十年中,負荷預測已經(jīng)取得了長足的進展,但仍面臨一系列挑戰(zhàn),如難以預測的天氣因素、不確定的用戶行為以及傳統(tǒng)方法的局限性等[1],使負荷預測難以取得較高的預測精度。

        目前,國內(nèi)外許多專家和學者在預測理論和方法方面做了大量的研究工作。從預測周期的長短來看,負荷預測包括長期負荷預測,通常為幾個月至幾年;中期負荷預測,通常為幾周至幾個月;短期負荷預測,通常為一小時至幾周。由于電網(wǎng)對日前調(diào)度的深入研究和廣泛應用,短期負荷預測具有相對較大的應用市場。為此,許多專家學者針對短期負荷預測提出了多種預測方法,主要可以分為物理統(tǒng)計模型、人工智能預測模型和混合預測模型。對于物理統(tǒng)計預測模型,文獻[2]提出了一種基于卡爾曼濾波器的改進方法,該方法將擴展卡爾曼濾波器和無跡卡爾曼濾波器分別用于低、高頻濾波,并證明了該方法在捕獲負荷分量不同特征方面的有效性。文獻[3]提出了一種基于自動回歸的時變模型用于預測短期內(nèi)的電力需求,該模型可以根據(jù)預先設定的時間間隔內(nèi)更新模型參數(shù),以提升模型的預測性能。雖然物理統(tǒng)計方法相對簡單,易于實現(xiàn),但其預測置信度仍然十分有限。

        隨著人工智能模型的快速發(fā)展和對短期負荷預測精度要求的提高,近年來基于人工智能的方法成為研究的重點。文獻[4]利用改進的長短期記憶網(wǎng)絡對電力負荷進行短期預測,基于美國Homestead 地區(qū)的電力負荷數(shù)據(jù)進行仿真分析,驗證了該方法的優(yōu)越性。文獻[5]利用注意力機制優(yōu)化長短期記憶網(wǎng)絡實現(xiàn)了短期電力負荷預測,并通過實驗證明了該方法的有效性。上述基于人工智能的方法都顯著提高了預測精度,但在參數(shù)設置、提升訓練速度等方面存在一定困難。因此,有研究學者考慮將優(yōu)化算法與人工智能模型相結合,提出了混合預測模型來解決此問題。文獻[6]提出了一種基于改進粒子群算法優(yōu)化門控循環(huán)神經(jīng)網(wǎng)絡的預測模型,解決了傳統(tǒng)神經(jīng)網(wǎng)絡復雜度高、訓練速度慢的問題。上述混合方法在一定程度提升了現(xiàn)有模型的預測精度,但都是針對模型自身存在問題的改進,具有較強的局限性。

        考慮到負荷數(shù)據(jù)序列本身具有波動性大、非平穩(wěn)性強的特點,不易進行精準預測[7-8]。為了克服上述模型預測能力的局限性,進一步提升各模型的預測精度,有學者從原始數(shù)據(jù)特性分析入手,提出了多技術協(xié)同的預測方法,即利用數(shù)據(jù)分解技術、優(yōu)化算法等方法提升所構建預測模型的預測精度。文獻[9]提出了基于二次混合模態(tài)分解和飛蛾撲火算法優(yōu)化長短期記憶神經(jīng)網(wǎng)絡的負荷預測方法,并利用某實際配電網(wǎng)節(jié)點負荷序列驗證了該方法的泛化能力和預測精度。

        基于上述分析,本文提出了一種基于變分模態(tài)分解和改進鯨魚優(yōu)化算法優(yōu)化的核極限學習機的短期電力負荷預測模型。首先,采用VMD 信號處理算法對原始負荷時間序列數(shù)據(jù)進行分解處理,將電力負荷數(shù)據(jù)分解為頻率由高到低的多個本征模態(tài)函數(shù),不同頻率的本征模態(tài)函數(shù)分量代表了電力負荷不同的部分特征。其次,建立KELM 預測模型對各個IMF 分別進行預測,負荷時間序列的預測結果由對各IMF 子序列的預測結果疊加得到,其中KELM 參數(shù)由IWOA 算法進行優(yōu)化。最后,通過算例分析驗證了文中所提方法的有效性。

        1 相關理論和方法

        1.1 變分模態(tài)分解

        變分模態(tài)分解(VMD)是一種基于數(shù)學理論的自適應信號處理方法,可以將復雜的信號分解成一系列簡單的、可控的本征模態(tài)分量,并自適應地確定本征模態(tài)分量的個數(shù)和頻率范圍,以便更準確地擬合一段時間內(nèi)的信號[10]。

        VMD 分解的本質(zhì)是求解變分問題,主要包括變分問題的構造及求解,其構造的變分約束模型如式(1)所示,求解過程見文獻[10]

        式中:uk(t)、ωk分別表示此模態(tài)和模態(tài)集合的頻率中心。δ(t)、f(t)分別表示為脈沖函數(shù)和分解后的信號。

        1.2 核極限學習機

        極限學習機(ELM)是一種單隱層前饋網(wǎng)絡[11],由于其輸入層的網(wǎng)絡權重矩陣和隱藏層偏置是隨機產(chǎn)生的,因此會使得每次預測的結果會有一定的波動。為此,在ELM 的基礎上引入了正則化方案和核函數(shù)提出了核極限學習機(KELM)。ELM 模型的數(shù)學表達式如下

        式中:H+表示矩陣H 的Moore-Penrose 廣義逆矩陣。由于ELM 同時考慮了最小訓練誤差和最小輸出權值范數(shù),因此可以獲得較好的網(wǎng)絡泛化性能。為此,在優(yōu)化階段采用正則化系數(shù)C,此時輸出權重β 則變?yōu)?/p>

        式中:I 表示一個維數(shù)為N的單位矩陣。對于隱層特征映射h(·)未知的情況,核極限學習機的核矩陣可以定義為

        根據(jù)式(6)和式(7),KELM 的輸出函數(shù)可以描述如下為

        本文的核函數(shù)采用高斯核函數(shù),其定義如下為

        式中:σ2表示內(nèi)核參數(shù)。

        1.3 鯨魚優(yōu)化算法及其改進

        1.3.1 鯨魚優(yōu)化算法

        鯨魚優(yōu)化算法(WOA)是一種基于座頭鯨氣泡網(wǎng)進食行為的優(yōu)化算法[12]。WOA 主要由包圍獵物、螺旋泡網(wǎng)攻擊策略和搜索獵物三部分組成,具體闡述如下。

        1)包圍獵物。座頭鯨在狩獵時要包圍獵物,其數(shù)學表達式為

        式中:t和t+1 分別表示當前迭代和下次迭代,X*(t)代表鯨魚目前搜尋到的最優(yōu)位置向量,X(t)為鯨魚當前的位置向量,系數(shù)向量A 和C 由式(11)得出

        式中:r1和r2是(0,1)范圍內(nèi)的隨機數(shù),a 表示從2 到0線性減小的向量,t為目前迭代的次數(shù),Tmax為最大迭代次數(shù)。

        2)螺旋泡網(wǎng)攻擊策略。根據(jù)座頭鯨的狩獵行為,它是以螺旋運動游向獵物,故狩獵行為的數(shù)學模型如下為

        式中:Dp表示鯨魚和獵物之間的距離,X*(t)為鯨魚目前搜尋到的最優(yōu)位置向量,常數(shù)b是為了確定對數(shù)螺旋的形式,l是(-1,1)范圍內(nèi)的隨機值。

        隨后,鯨魚的位置會沿著螺旋型路徑進行更新,或者以同樣的概率縮小圓圈,其數(shù)學模型為

        式中:變量p為[0,1]范圍內(nèi)的隨機值。

        3)搜索獵物。在搜索獵物時,搜索過程如下:式中:Xrand表示一個隨機位置向量。

        1.3.2 改進鯨魚優(yōu)化算法

        為了增強WOA 算法的全局搜索能力,本文引入Sine 混沌映射對WOA 算法進行改進得到改進鯨魚優(yōu)化算法(IWOA)。

        初始化種群的質(zhì)量對算法的性能具有較大的影響,采用Sine 混沌映射對鯨魚種群進行初始化,使得種群分布在整個空間更加均勻,其表達式為

        2 基于VMD-IWOA-KELM 模型的短期負荷預測

        考慮到原始的負荷數(shù)據(jù)會受到天氣、不確定的用戶行為、采集誤差等因素的影響,呈現(xiàn)出隨機性和非平穩(wěn)性的特點。利用VMD 數(shù)據(jù)分解技術可以使得時序數(shù)據(jù)平穩(wěn)化,便于預測,因此,文中提出了基于VMD-IWOA-KELM 模型的短期負荷預測方法,實現(xiàn)方法如圖1 所示。具體實現(xiàn)步驟如下。

        圖1 VMD-IWOA-KELM 模型預測流程圖

        Step 1:收集原始負荷數(shù)據(jù)

        Step 2:利用VMD 將收集到的負荷數(shù)據(jù)分解成一系列IMFs。

        Step 3:用KELM 模型分別預測所有子序列,其中KELM 模型中的正則化系數(shù)C和核函數(shù)g用IWOA 進行優(yōu)化。

        Step 4:使用訓練好的VMD-IWOA-KELM 預測所有子序列。

        Step 5:將各分量的預測結果匯總,得到原始負荷數(shù)據(jù)的最終預測值。

        3 算例驗證

        3.1 實驗數(shù)據(jù)

        數(shù)據(jù)選取英國Cardiff 地區(qū)2019 年6 月份負荷數(shù)據(jù),其采樣間隔為30 min,每天共48 個負荷點,其中6月份包含1 440 個負荷點。本文選用后200 個負荷點作為測試集對各模型的預測精度進行測試,其余1 000余個負荷點作為訓練集對各預測模型進行訓練。

        3.2 數(shù)據(jù)預處理及評價指標

        原始的電力負荷數(shù)據(jù)具有波動性的特點且波動范圍較大,直接預測可能會對預測精度造成影響且數(shù)值較大也會給預測模型的計算帶來壓力。為此,對VMD分解后的子序列分別進行歸一化處理。

        為了對各模型的預測效果進行定量評價采用均方根誤差(Root Mean Square Error,RMSE)、平均絕對誤差(Mean Absolute Error,MAE)和平均絕對百分比誤差(Mean Absolute Percentage E rror,MAPE)來評價3種預測模型的預測誤差[7],其計算方法如下

        式中:N為試驗數(shù)據(jù)個數(shù),Y為收集到的負荷數(shù)據(jù),Y*為預測得到的負荷數(shù)據(jù)。

        3.3 試驗結果分析

        對Cardiff 地區(qū)六月負荷數(shù)據(jù)分別使用KELM、VMD-KELM 和VMD-IWOA-KELM 模型進行預測,得到的預測結果如圖2 和表1 所示。

        圖2 預測結果對比圖

        從圖2 中可以看出,對于Cardiff 地區(qū)六月負荷數(shù)據(jù),所提的VMD-IWOA-KELM 模型具有較好的擬合效果,預測出的結果能夠很好地接近實際值。

        通過觀察表1 可以發(fā)現(xiàn),相比于單一預測模型KELM 和基礎預測模型VMD-KELM,所提出的VMDIWOA-KELM 負荷預測模型的各項指標均為最優(yōu),其中均方根誤差為47.126 8 kWh,相比于VMD 模型精度提升了43.29%,相比于VMD-KELM 模型精度提升了23.86%。此外所提模型平均絕對百分比誤差僅為2.747%,證明該方法具有較高的預測精度。

        由上述試驗結果,通過對比試驗結果中的KELM模型和VMD-KELM 模型可以看出數(shù)據(jù)預處理技術對短期負荷預測的精度有明顯的提升作用,同時也證明了VMD 的有效性。通過對比試驗結果中的VMDKELM 模型和所提VMD-IWOA-KELM 模型可以得出通過優(yōu)化算法優(yōu)化模型中的參數(shù)與可以明顯提升短期負荷預測的預測精度。

        4 結論

        為了精確預測短期電力負荷,本文將變分模態(tài)分解、改進鯨魚優(yōu)化算法和核極限學習機相結合,對采集到的原始負荷數(shù)據(jù)用VMD 進行數(shù)據(jù)預處理,然后利用IWOA 優(yōu)化KELM 模型中的正則化系數(shù)和核參數(shù),建立了基于VMD-IWOA-KELM 的混合預測模型應用于短期電力負荷預測。實驗結果表明,該方法具有較好的預測精度和優(yōu)秀的泛化能力,具有一定的工程參考價值。

        猜你喜歡
        模態(tài)優(yōu)化方法
        超限高層建筑結構設計與優(yōu)化思考
        民用建筑防煙排煙設計優(yōu)化探討
        關于優(yōu)化消防安全告知承諾的一些思考
        一道優(yōu)化題的幾何解法
        可能是方法不對
        用對方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        國內(nèi)多模態(tài)教學研究回顧與展望
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        捕魚
        基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
        日本在线无乱码中文字幕| av大片在线无码免费| 亚洲国产精品悠悠久久琪琪| 久久久人妻一区精品久久久| 国产av综合网站不卡| 久久9精品区-无套内射无码| 99国产精品99久久久久久| 亚洲综合精品在线观看中文字幕 | 日韩精品专区av无码| 久久精品中文字幕一区| 无码吃奶揉捏奶头高潮视频| 精品一区二区三区亚洲综合| 在线亚洲高清揄拍自拍一品区| 真人二十三式性视频(动)| 亚洲高清国产品国语在线观看| 精品极品视频在线观看| 国产色在线 | 日韩| 美女裸体自慰在线观看| 亚洲美女性生活一级片| 国产av一区二区三区在线播放| 在线涩涩免费观看国产精品| 国产成人精品自在线无码| 国产国语一级免费黄片| 成人欧美一区二区三区黑人| 免费精品一区二区三区第35| 精品亚洲少妇一区二区三区 | 日韩精品视频久久一区二区| 久久久久亚洲av片无码v| 国产资源精品一区二区免费| 亚洲一区二区日韩精品| 久久婷婷五月综合色欧美| 真人男女做爰无遮挡免费视频| 美女叉开双腿让男人插| 不卡的高清av一区二区三区| 亚洲精品第一国产综合亚av| 国内精品国产三级国产av另类| 精品国产一区二区三区a| 巨大巨粗巨长 黑人长吊| 亚洲综合国产精品一区二区99| 日本一区二区高清视频| 99精品国产成人一区二区 |