EMD-SMO算法在电力短期负荷预测中应用.pdfVIP

EMD—SMO算法在电力短期负荷预测中的应用 翟永杰，周倩，韩璞 (华北电力大学控制理论与控制工程学院，河北保定071003) (研祥智能科技股份有限公司) 摘要：利用集平稳化和层次化处理能力于一体的EMD方法处理非线性非平稳信号的有效 性，对负荷预测数据进行平稳化处理，分离出12组IMF数据；结合对负荷数据具有很好 预测能力的改进SMO算法进行建模，对IMF数据进行分别预测和组合预测，提出了一种 EMD-SMO算法。实验结果表明，该方法无论在预测精度还是收敛速度上都比单纯的SMO 算法有了很大改进，取得了很好的预测效果。 关键词： 经验模态分解；序列最小优化；负荷预测 0引言 短期负荷预测一般是指预测未来几天、几小时甚至更短时间的负荷情况，是电力系统部门安 排机组启停、制定购电计划和长远发展规划的基础。随着电力市场改革的深入，负荷预测的作用 愈来愈重要。负荷预测精度越高，越有利于提高发电设备的利用率和经济调度的有效性u】。 20世纪90年代，由贝尔实验室的Vapnik等提出了一种新型的机器学习算法一支持向量机 Vector (SupportMachine，SVM)算法。该方法基于结构风险最小化原则，因此具有更好的泛化 Minimal 分解成一系列子问题来解决；1998年，Huang提出了一种新的信号处理方法一经验模态分解方法 Mode (Empirical Mode 尺度的波动或趋势逐级分解成若干个本征模式分量(IntrinsicFunction，IMF)，对信号作 了平稳化处理，减少了信号间的特征信息的干扰或耦合。该方法吸取了小波变换的多分辨优势， 同时克服小波变换中需选取小波基的困难，从信号本身的尺度特征出发对信号分解，具有自适应、 正交性、完备性和瞬时频率等特点。 本文在对SMO算法进行改进的基础上尝试将EMD和SMO算法相结合，对电力短期负荷进行预 测。首先运用EMI)将非平稳的负荷时间序列分解成具有不同特征尺度的平稳分量，然后用改进的 SMO算法对每个IMF分量进行负荷预测。最后，所有分量的预测值通过SMO组合得到最终的预测 结果。 1 经验模态分解算法 经验模态分解算法嘲(EMD)和相应的Hilbert变换是由Huang等发展的一种新的数据分析 方法。 该方法从本质上讲是对一个信号进行平稳化处理，其结果是将信号中不同尺度的波动或趋 势逐级分解开来，产生一系列具有不同特征尺度的数据序列，每一个序列代表一个本征模式函 数IMF。Huang认为，在进行EMD分解时，所获得的IMF必须满足下列2个条件： (1)信号的极值点(极大值或极小值)数目和过零点数目相等或最多相差一个： 174 (2)由局部极大值构成的上包络线和由局部极小值构成的。下包络线的平均值为零。 EMD算法的具体计算步骤阳1可表示如下： (1)计算出信号s0)所有的局部极值点。 (2)求所有的极大值点构成的上包络线和所有的极小值点构成的下包络线，分别记为“o(，) 和心(f)。 m==————————．————．———— (3)记上、下包络线的均值为。一Uo(t)+Vo(t)2 (1) J(f)一删。(f) 并记信号与上、下包络线的均值的差为‰(f)2 (2) s(‘)，重复步骤(1)～(3)，直到得到一个IMF，记为cl(n。 记为c2(，)，此时余项，2(f)2 r1(f)一c2(n。重复上述步骤，直到得到的余项名(，)是一个单调 信号或名【f)的值小于预先给定的阈值，分解结束。 为： 』L s(f)=∑ct(f)