基于EEMD与动态神经网络的短期负荷预测.pdfVIP

东 北 电 力 大 学 学 报 第29卷第6期 JournalOfNortheastDianiiUniversity Vo1．29．No．6 2009年 12月 NaturalScienceEd-ti0n Dec．，2009 文章编号：1005—2992(2009)06—0020—07 基于 EEMD与动态神经网络的短期负荷预测 刘 岱 ，庞松岭2，骆 伟 (1．海口供电局，海南海口570001；2．海南电网公司，海南 海口570203，3．大连东软信息学院。辽宁大连 116023) 摘 要：提出了采用EEMD与动态神经网络络相结合的混合模型进行电力系统短期负荷预测的方 法。首先运用 EEMD将非平稳的负荷序列分解，然后根据分解后各分量的特点构造不同的动态神经网 络对各分量分别进行预测，最后对各分量预测结果采用BP网络进行重构得到最终预测结果。仿真结果 表明基于该方法的电力系统短期负荷预测具有较高的精度。 关 键 词：短期负荷预测 ；经验模态分解；动态神经网络；重构 中图分类号：TM734 文献标识码：A 0 前 言 经验模态分解(EMD)是近年来出现的一种处理非线性、非平稳信号的新方法。EMD方法不需要预 先设定基函数，可根据信号自身的特征进行分解，具有 自适应性，得到的本征模态分量突出了数据的局 部特征。但是，EMD有时会出现模态混叠现象，影响分解效果，不利于解析序列分量的真实物理意义， 降低了预测模型对各分量的适应性，进而影响到预测精度。总体平均经验模态分解 (EnsembleEMD， EEMD)通过噪声辅助对负荷序列进行分析，可以减弱模态混叠现象的影响，进一步改善分析效果…。 电力系统的负荷变化决定了负荷的动态特性本质，动态神经网络通过存储内部状态而具有直接描 述动态系统的能力，从而使神经网络能够适应外部的时变特性 ]，这与负荷的动态性质是一致的，因此 采用动态神经网络的负荷预测将会得到更好的预测结果。 本文提出了基于EEMD与动态神经网络的短期负荷预测模型，首先EEMD按照负荷序列 自身特征 分解成若干平稳序列和具有一定趋势的分量，然后利用动态神经网络进行相应的分量预测，最后将得到 的预测分量经BP神经网络重构得到最终结果。方法解决了模态混叠现象，使分解效果更能反映真实 物理意义，仿真结果表明，方法具有较高的预测精度和较强的适应性。 1 经验模态分解的基本理论 1．1 经验模态分解 (EMD) 本质上EMD是对信号进行平稳化处理的过程 ，它基于信号的局部特征尺度，将任意信号中不同 尺度的波形或趋势逐级分解出来，产生一系列具有不同特征尺度的数据序列，并将每个序列作为一个本 征模态函数 (IntrinsicModeFunctionIMF)。 收稿 日期：2009—10—20 作者简介：刘 岱(1981一)女，汉族，硕士，海 口供电局，主要研究方向为配电系统及其 自动化 第6期 刘 岱等：基于EEMD与动态神经网络的短期负荷预测 21 经验模态分解过程如下：对任意信号s(t)，首先确定出s(t)上的所有极值点，然后将所有极大值点 和所有极小值点分别用一条曲线连接起来，使两条曲线间包含所有的信号数据。将这两条曲线分别作为 s(￡)的上、下包络线。若上、下包络线的平均值记作m，s(t)与m的差记作h，则 s(t)一m =h (1) 将 h视为新的s(f)，重复 以上操作，直到当h满足一定的条件(如h足够小)时，记 c1=h (2) 将 c，视为一个 IMF，再作 s(t)一c】=r (3)