基于因散经验模式分解的电力负荷混合预测方法

基于因散经验模式分解的电力负荷混合预测方法 基于因散经验模式分解的电力负荷混合预 测方法 第32卷第8期 2008年4月 电网技术Vo1.32No.8 PowerSystemTechnologyApr. 2008 中图分类号:TM715文献标识码:A学科代码:470.4054文章编 号:1000.3673(2008)08—0058—05 基于因散经验模式分解的电力负荷混合预测方法 李媛媛,牛东晓,乞建勋,刘达 (华北电力大学工商管理学院,北京市昌平区102206) ANovelHybridPowerLoadForecastingMethodBasedon EnsembleEmpiricalModeDecomposition LIYuan—yuan,NIUDong—xiao,QIJian—xun,LIUDa (SchoolofBusinessAdministration,NorthChinaElectricPowerUniversity,ChangpingDis trict,BeUing102206,China) ABSTRACT.Tosolvetheproblemthatatpresentcommon— usedloadanalyzingmethodsmostlyrelyonsubjective experiencesandinclassicalempiricalmodedecompositionthe modemixingfrequentlyappears,anensembleempiricalmode decomposition(EEMD)basedhybridpowerloadforecasting methodisproposed.Atfirst,byuseoftheimprovedalgorithm ofempiricalmodedecomposition(EMD),i.e.,theEEMD,the powerloadseriesisdecomposed,thiswaytheobjectiveseries canbedecomposedtoseveralindependentintrinsicmodes adaptively,thereforethedisadvantageofrelyingonsubjective experiencescanbeovercome.Then,basedonfine—to—coarse, theseintrinsicmodesarereconstructedasthreecomponents, i.e.,thehighfrequencycomponent,lowfrequencycomponent andtrendcomponent.Onthebasisofanalyzingthefeaturesof thesecomponents,whichareforecastedbysupportvector machines,auto—regressiveandmovingaverage(ARMA)and linearregressionmodelrespectively.Finally,thesuperposition offorecastingresultsofthethreecomponentsistakenasthe ultimateforecastingvalue.Thehourlyloadforecastingresults ofacertainpowernetworkshowthattheproposedmethodcan improveforecastingaccuracyeffectively. KEYWoRDS:ensembleempiricalmodedecomposition: powerload;forecasting;intrinsicmode;reconstruction 摘要:针对目前常用负荷 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 方法多依赖主观经验,而经典 经验模式分解有时出现混频现象的问题,提出了一种基于因 散经验模式分解的电力负荷混合预测方法.首先,采用经验 模式分解的改进算法——因散经验模式分解将负荷序列分 解,这样可以自适应地将目标序列分解为若干个独立的内在 基金项目:国家自然科学基金资助项目(70671039);高等学校博 士学科点专项科研基金资助项目(20040079008). ProjectSupposedbyN~ionalNaturalScienceFoundationof china(7067l039);ProjectSupposedbySpecialScientificandResearch FundsforDoctoralSpecialityofInstitutionofHigherLearning. 模式,因此能够克服依赖主观经验的缺点.然后,将这些内 在模式基于fine—to—coarse重构为高频,低频和趋势3个分 量.在对各分量特性进行分析的基础上,分别采用支持向量 机,自回归移动平均和线性回归模型对其进行预测.最后, 将3个分量的预测结果叠加作为最终的预测值.利用上述方 法对某电网进行24点负荷预测,结果 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明该方法可以有效 地提高负荷预测精度. 关键词:因散经验模式分解;电力负荷;预测;内在模式; 重构 0引言 负荷预测对于电力系统的正常运行至关重要, 准确的负荷预测有助于合理安排机组启停机计划, 保持电网的安全稳定性?之J.长期以来,国内外学者 对负荷预测的理论和方法进行了广泛研究,新的理 论和方法不断应用于负荷预报中,如时间序列法, 智能算法,混沌理论及数据挖掘技术等,负荷预测 精度在不断提高4j. 近年来,许多文献在短期负荷预测建模中都考 虑了天气等因素.这些方法在理论上可有效地提高 负荷预测精度,但是在实际推广应用中却存在着一 定难度.这一方面是由于有些地区对于天气资料的 积累有限,难以实现预测建模;另一方面是由于使 用的天气数据也是预报信息,一旦天气预报失误, 将造成更大的误差.从另一个角度考虑,不管是由 于外界因素影响而产生的波动信息,还是负荷自身 的周期性信息,都以不同的变化规律蕴含在负荷序 列中.因此,先对负荷序列进行处理,解析出反映 负荷不同变化信息的分量,然后针对不同分量再建 立适当的预测模型,是一条提高预测准确率的可行 途径.依据上述思路,相关文献采用不同方法进行 第32卷第8期电网技术59 了尝试,预测效果也得到了不同程度的改善_4J.目 前比较常用的基于傅立叶变换的负荷分析方法用 于平稳信号效果较好[4'8】,小波分析方法则需要预先 确定基函数和分解尺度. 经验模式分解(empiricalmodedecomposition, EMD)方法作为一种新的目标数据分析方法,尤其 适用于非线性和非平稳性数据,在电力系统已得到 应用,但较少用于负荷预测领域".利用EMD方 法对负荷序列进行分解,可得到有限的几个独立 的,近乎周期性的内在模式函数(intrinsicmode function,LMF)及余项,各分量均能突出原始负荷 序列的不同局部特征信息.EMD方法是依据信号 本身的局部特征信息进行自适应分解,不需要预先 设定参数,因此克服了依赖预测人员主观经验的问 题??J.但是,EMD有时会出现混频现象,影响 分解效果,不利于解析序列分量的真实物理意义. 因散经验模式分解(EnsembleEMD,EEMD)通过噪 声辅助对负荷序列进行分析,可以减弱混频现象的 影响,进一步改善分析效果?J. 基于上述分析,本文提出一种基于EEMD的电 力负荷混合预测方法.首先,利用EEMD将负荷序 列分解为若干独立的IMF及余项;然后,基于 fine—to—coarse方法,将这些IMF和余项重构为高频, 低频和趋势3个分量,则各分量序列的规律性显着 且所包含的特征信息集中.在此基础上,分析挖掘 各分量所反映的原始负荷序列的内在特性,分别采 用支持向量机(supportvectormachines,SVM),自 回归移动平均(auto—regressiveandmovingaverage, ARMA)和线性回归模型对3个分量进行预测.如此 有针对性地建立预测模型不仅能保证较高的预测 精度,同时又可提高建模效率.最后,将3个分量的预测结果叠加输出作为最终的预测结果. 1建模原理和方法 1.1因散经验模式分解 文献[12】对经典EMD的算法进行了介绍.虽然 EMD能够在很多领域用于从非线性和非平稳性序 列中解析信号,但是EMD有时会出现混频现象. 混频现象是指一个IMF包含了较宽的全异尺度的 信号,或者相近尺度的信号存在于不同的IMF分量 里,这种现象是由信号的间断性所引起的.同时, 问断性还会使IMF的物理意义缺失.为此,N.E. Huang曾于1999年提出利用间歇试验方法来解决 该问题.但这种方法存在需要主观选择尺度的问 题,这将无法发挥EMD的自适应优势.而且,只 有能够清晰划分数据序列中的时间尺度,该方法才 能很好地发挥作用?HJ. 为改善上述问题,Z.Wu和N.E.Huang在2005 年提出了EEMD方法.该方法是一种新的噪声辅助 数据分析方法,其核心思想是认为每个观察到的数 据都融合了实际的时问序列信息和噪声,因此,即 使同一过程数据被不同的人收集得到,也具有不同 的噪声水平,但是其整体均值接近于真实的时间序 列?.所以,为了解析出数据的实际信号,将多组 具有有限振幅的白噪声序列添加到原始序列上,然 后分别对它们进行EMD分解,则将相应IMF分量 的均值认为是真实分量.EEMD方法的步骤如下: (1)添加白噪声序列到目标数据序列. (2)将添加了白噪声的数据分解成多个IMF. (3)重复叠代步骤(1)和(2),但是每次是 添加不同的白噪声序列;然后将分解得到的相应的 IMF均值作为最终结果. 添加的白噪声序列可以在时间一频率以及时问 一 尺度空间上提供一致的参考结构,从而可以在同 一 个IMF中比较辨识信号的不同尺度,最后再通过 整体求平均将白噪声序列剔除.因此,这种方法可 以显着减少混频模式出现的机会,有效改善经典 EMD方法的分解效果. 文献[141验证,添加的白噪声对原始序列的影 响遵循统计规律en=,,??,其中:N是添加噪声 序列的数目;,是添加噪声序列的振幅;en为最终 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 离差,即输入信号与相应IMF合成后结果的偏 离.同时,文献[14】还指出,添加噪声的振幅大小 不是非常重要,只要它是有限而不是无限小,能够 包括所有可能性即可.因此EEMD的应用可以不依 赖任何主观介入,仍具有自适应的特点.通常,选 择添加100组标准离差为0.1或0.2的白噪声序列 到目标数据序列?. 1_2重构 设对时间序列x(t)进行EMD分解,共得到 个IMF,第i个IMF表示为C(f),余项表示为,.(). 本文基于fine—to—coarse方法,将EEMD解析出的 个IMF及余项进行重构[】,具体步骤如下: (1)计算从C到C的叠加和序列si:.ck的 平均值. (2)用f检验判别S.中均值距离零点最远的 序列. (3)如果判别出S的均值距离零点最显着, 6O李媛媛等:基于因散经验模式分解的电力负荷混合预测方法Vo1.32N0.8 则将C到C叠加进行局部重构并作为低频分量, 其他IMF叠加重构为高频分量,同时,余项r(f)作 为趋势分量. 1.3基于EEMD的电力负荷混合预测方法 本文提出的负荷预测算法 流程 快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计 如图1所示.具 体步骤如下: (1)通过EEMD,将负荷序列(f)(f=1,2,…,n) 分解为若干个具有不同振幅和频率的,独立的IMF 及余项,它们按从高频到低频顺序排列. (2)利用重构算法将分解得到的IMF重构为 高频,低频和趋势分量,他们分别反映原始负荷序 列不同的内在特性.通常,将高频分量辨识为由正 常供需平衡所导致的负荷周期波动特性;低频分量 则反映在外界影响下负荷的随机波动,气象变化, 突发事件等的影响表现在低频分量中的每次急速 上升或下降;趋势分量代表负荷的基荷部分,若负 荷序列时间段范围较长,则应该是在长期均值附近 的缓慢变化,故它描述负荷变化的长期稳定趋势. (3)对上述重构分量进行分析,根据每个分 量的特征选择适合其变化规律的预测模型.趋势预 测可以选择符合曲线特征的回归函数,周期波动预 测可以采用非线性预测技术,如支持向量机或人工 神经网络等.受环境因素影响产生的负荷波动具有 一 定的随机性,可以采用时间序列预测方法,在条 件允许的情况下,也可以将专家经验或影响因素引 入建模过程. (4)最后,将3个分量的预测结果叠加,得 到原始负荷序列的预测结果(+,). 负荷序列(f)1…2.)m—m叫 fEEMD分解重构预测 塞圆 i匝 星叵 毳E: 图1基于EEMD的电力负荷混合预测方法流程 Fig.1FlowchartofthehybridmethodologybasedOR EEMDforpowerloadforecasting 2应用实例与分析 2.1数据 本文选取某电网2006年7月到9月的日24点 (共1488个点)的负荷历史数据进行分析.从图2 不难看出,负荷除了具有不同尺度的周期波动,还 会出现异常的随机波动,但整体保持一个稳定的趋 25 言20 运15 10 05 80012o0 t/h 图2历史负荷数据 Fig.2Historyloaddata 势.所以,复杂的负荷特性造成了精确预测的困难. 2.2分解 对上述数据进行EEMD分解,添加100组白噪 声序列到原始负荷序列,每组白噪声序列的标准离 差均设为0.2,共产生6个IMF及余项,如图3所 示,它们展示了变化的频率和振幅. 霎!! l一二二=二=二= l= 羞5 差————删脚 羞5r荨 \v,,?,,,\/\,\,,\/,_——^,厂,,^,,,—^ 0 宝一5L—————————.—————————————————————— ————.—————一 耋喜= 暑5 0}/,一 5L————————————————————————————————— ———————————————_-一 羞20F 零.二=二=二==]=了 图3经EEMD分解得到的1MF和余项 Fig.3TheIMFsandresidueforthe hourlyloadseriesthroughEEMD 2.3重构 按1.2节方法计算Si(f=1,2,…,6)均值的t检 验值如图4所示,t检验值在i=5处距离0点最显着. 所以,IMF1~IMF4叠加代表高频分量,而IMF5和 IMF6叠加描述低频变量,余项则为趋势分量.以 2006年9月4日一10目的日24点负荷为例,图5 显示了3个分量.由图5可见,原始负荷序列在周 一 和周末的波动幅度明显低于其他几个工作日,而 低频分量在相应时段的向下突变部分很好地反映 了这一信息,同时高频分量也更加集中地刻画出原 始负荷序列的周期性,这两个分量很好地描述了原 始负荷序列不同的内在波动特征.趋势分量则描述 了负荷变化的长期稳定趋势.图5中趋势分量近似 一 条直线,这是由于该处所选数据时间跨度较短, 仅为一周,故可以将它理解为负荷的基荷.如果时 第32卷第8期电网技术61 趔4 篓z 0 /一\.123f456 图4S均值的t检验值 Fig.4T-testvalueofthemeanofSi ?錾 萋8如 U4080l2Ul60 t/h 图5负荷序列的3个重构分量 Fig.5Thethreecomponentsofthedataseries 间范围较长,趋势分量应该是长期均值附近的缓慢变 化,对多组中长期负荷序列的测试也验证了这一点. 2.4预测 各分量的预测过程如下: (1)高频分量预测. 对于反映负荷周期特性的高频分量,采用对非 线性时间序列具有较好描述性能的支持向量机对 其进行预测,输入变量为前一天最大负荷,前一天 最小负荷,前一天同一时点负荷,前两天同一时点 负荷,前一周同一时点负荷.模型核函数选择径向 基函数,扩展函数设为0.1,迭代停止误差设为 0.004. 支持向量机是由V.Vapnik等人于1995年提出 的,该算法通过非线性映射函数将输入向量映射到 高维特征空间中,并运用结构风险最小化原则构造 最优决策函数,将回归分析问题转化为优化问题进 行求解.由于SVM同时最小化经验风险和结构风 险,其往往具有比多层感知器等传统人工神经网络 更优越的预测性能l1引. (2)低频分量预测. 对反映负荷在环境影响下随机波动特性的低 频分量,选择ARMA模型对其进行预测,由参考 文献【17]提供的方法识别模型阶数,确定建立 ARMA(3,1)模型. 时间序列模型能较好地描述随机过程,可以综 合各种环境因素对负荷变化的影响.其中ARMA 模型是AR模型和MA模型的结合,其预测速度快, 且能得到较高的预测精度『】7】. (3)趋势分量预测. 对于趋势分量,由于其变化比较稳定,从时间 上看呈现线性增长趋势,所以选择线性回归模型对 其进行预测. 将上述3个分量的预测结果叠加作为最终的预 测结果. 2.5误差测量和结果分析 本文选取绝对平均百分比误差和百分比误 差e作为判断预测效果的根据,其计算公式为 : 喜}j×..%c,,z鲁IA(f)I— :— A(i)-— F(i)×100%f2)=一×I/I A(i) 式中A(i)和F(i)分别为实际负荷值和预测负荷值. 为检验本文提出方法的有效性,用本文方法与 SVM和ARMA模型对目标电网9月24日--30目 的24点负荷进行预测,并比较三者的精度,结果 见表1和表2.可见,本文方法比其他两种方法的 表12006年9月24日—_30日预测误差比较 Tab.1Comparisonofforecastingerror fromSep.24,2006toSep.30,2006 表22006年9月27日24点负荷预测误差比较 Tab.2Comparisonofthe24-hourforecastingerrorof Sep.27,2006 62李嫒嫒等:基于因散经验模式分解的电力负荷混合预测方法,,b1.32No.8 预测误差明显要小,本文方法的相对误差总平均值 为2.17%,小于SVM的2.73%和ARMA的2.81%. 3结论 本文通过EEMD将负荷序列分解为若干个IMF 和余项,再基于fme.to.coarse方法将它们重构为高 频,低频和趋势3个分量,这种方法可以挖掘出负 荷序列的内在特性,有助于理解负荷的构成.得到 的各分量序列规律性显着,包含特征信息集中.针 对它们的不同特性分别建立预测模型,可以在保证 预测精度的同时提高建模效率.在数据条件满足时, 可以在建模过程中加入对影响因素的考虑,以进一 步提高精度.EEMD作为一种较新的分析方法,对 其进行优化改进将是下一步的研究重点. 参考文献 [1】牛东晓,曹树华,赵磊,等.电力负荷预测技术及其应用【M】.北 京:中国电力出版社,1998. [2】康重庆,夏清,张伯明.电力系统负荷预测研究综述与发展方向 的探讨lJJ.电力系统自动化,2004,28(7):1.11. KangChongqing,XiaQing,ZhangBoming.Reviewofpowersystem loadforecastinganddevelopment[J].AutomationofElectricPower Systems,2004,28(7):1—1l(inChinese). [3]牛东脘,谷志红,邢棉,等.基于数据挖掘的SVM短期负荷预测 方法研究[J].中国电机 工程 路基工程安全技术交底工程项目施工成本控制工程量增项单年度零星工程技术标正投影法基本原理 ,2006,26(18):6-12. NiuDongxiao,GuZhihong,XingMian,eta1.Studyonforecasting approachtoshort—termloadofSVMbasedondatamining [JJ.ProceedingsofCSEE,2006,26(18):6-12(inChinese). [4】杨正瓴,张广涛,陈红新,等.短期负荷预测"负荷趋势加混沌" 法的参数优化fJJ.电阐技术,2005,29(4):27.30. YangZhengling,ZhangGuangtaotChenHongxin.eta1.Parameter optimizationinsynthesizingIoadtrendandchaoticcomponentsto shorttermloadforecasting[J].PowerSystemTechnology,2005, 29(4):27-30(inChinese). [5]YaoSJ,SongYH,ZhangLZ.Wavelettransformandneuralnetworks forshort—termelectricalloadforecasting[J].EnergyConversionand Management,2000,41(18):1975—1988. [6]谢宏,陈志业,牛东晓,等.基于小波分解与气象因素影响的电 力系统日负荷预测模型研究fJj.中国电机工程,2001,21(5): 6.1O. XieHong,ChenZhiye,NiuDongxiao,eta1.Theresearchofdaily loadforecastingmodelbasedonwaveletdecomposingandclimatic influence[J].ProceedingsoftheCSEE,2001,21(5):6.10(in Chinese). [7】郜能灵,侯志俭,李涛,等.基于小波分析的电力系统短期负荷 预测方法fJ】.中国电机工程,2003,23(1):4550. TaiNengling,HouZhOian,LiTao,eta1.Newprinciplebasedon wavelettransformforpowersystemshort—termloadforecasting [J】.ProceedingsoftheCSEE,2003,23(1):45.50(inChinese). [8】穆钢,侯凯元,杨右虹,等.负荷预报中负荷规律性评价方法的 研究fJJ.中国电机工程,2001,21(10):96.101. MuGang,HouKaiyuan,YangYouhong,eta1.Studiesoilload regularityevaluatingmethodforloadforecasting[J】.Proceedingsof theCSEE,2001,21(1O):96?101(inChinese). [9]李天云,高磊,聂永辉,等.基于经验模式分解处理局部放电数 据的自适应直接阚值算法fJ1.中国电机工程,2006,26(15): 29—34. LiTianyun,GaoLei,NieYonghui,eta1.Anewadaptive direct-thresholdalgorithmtoparticaldischargedataprocessingbased onempiricalmodedecomposition[J].ProceedingsoftheCSEE, 2006,26(15):29-34(inChinese). [1o]郝志华,马孝江.局域波法和独立成分分析在转子系统故障诊断 上的应用[J】.中国电机工程,2005,25(3):84,88. HaoZhihua,MaXiaojiang.Localwavemethod&independent componentanalysisanditsapplicationforrotorsysteminfault diagnosis[J】.ProceedingsoftheCSEE,2005,25(3):84-88(in Chinese). [11】于德介,陈淼峰,程军圣,等.一种基于经验模式分解与支持向 量机的转子故障诊断方法[J].中国电机工程,2006,26(16): 162-167. YuDejie,ChenMiaofeng,ChengJunsheng,eta1.Afaultdiagnosis approachforrotorsystemsbasedonempiricalmodedecomposition methodandsupportvectormachines[J].ProceedingsoftheCSEE, 2006,26(16):162167(inChinese). [12]HuangNE,ShenZ,LongSR.Theempiricalmodedecomposition andtheHilbertspectrumfornonlinearandnonstationarytimeseries analysis[J].ProcessoftheRoyalSocietyofLondon,1998,A454: 903.995. [13】WuZ,HuangNE.Astudyofthecharacteristicsofwhitenoiseusing theempiricalmodedecompositionmethod[J】.ProcessoftheRoyal SocietyofLondon,2003,A460:1597—1611. [14]WuZ,HuangNE.Ensembleempiricalmodedecomposition:a noise—assisteddataanalysismethod[J].CentreforOcean-Land- AtmosphereStudies,TechnicalReport,2005?f193):51. [15]ZhangXun,LaiKK.Anewapproachforcrudeo|1priceanalysis basedonEmpiricalModeDecomposition[J].EnergyEconomics, 2008,3Of3):905—918. [16]ChenBo—Juen,ChangMing—Wei,LinChih—Jen.Loadforecasting usingsupportvectormachines:astUdyonEUNITEcompetition 2001[J].1EEETransonPowerSystems,2004,19(4):18211830. f17J狳国祥.统计预测与决策fMJ.上海:上海财经大学出版社,2001. 收稿日期:2007.九19. 作者简介: 李嫒嫒(1979一),女,博士研究生,主要研究方向为电力负荷预测 及电力市场,E.mail:liyuanyuan1998@126.com: 牛东晓(1962一),男,教授,博士生导师,主要研究方向为电力负 荷预测,电力市场及综合评价理论方法. (责任编辑王金芝)