基于emd-ismo的电力负荷预测方法.docxVIP

基于emd-ismo的电力负荷预测方法 序列最小优化方法 然而，由于影响负荷的随机因素很多，很难准确理解这一规律。短期负荷预测技术在实际应用中仍存在许多问题，短期负荷预测的理论和实践需要进一步发展。 上世纪90年代, 贝尔实验室的Vapnik等人提出了基于结构风险最小化原则的新型机器学习算法—支持向量机 (Support Vector Machine, SVM) 算法。由于该算法具有很好的泛化能力, 此后被广泛应用于模式识别、函数回归等多个方面;1998年, Platt提出了序列最小优化 (Sequential Minimal Optimization, SMO) 算法。该方法把SVM的二次规划问题分解成了一系列子问题以便更有效解决, 同时能够保证算法的收敛性;1998年, Huang提出了一种新的信号处理方法—经验模态分解方法 (Empirical Mode Decomposition, EMD) 。该方法的目的是把性能不好的信号 (或数据) 根据不同频率的波动分解成多组性能较好的子级信号, 即本征模式分量 (Intrinsic Mode Function, IMF) 。从而减少了信号间的耦合, 为下一步信号的分析应用奠定了基础。 本文在对SMO算法进行改进的基础上尝试将EMD和ISMO算法相结合, 对电力短期负荷进行预测。首先运用EMD算法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IMF, 然后用改进的SMO算法对每个分量进行负荷预测。最后, 所有分量的预测值通过ISMO算法组合得到最终的预测结果。 1 emd算法描述 经验模态分解算法 EMD方法本质是对信号进行平稳化处理, 即把不同尺度的波动或趋势逐一从信号中分解出来, 分解出的每一个数据序列代表一个本征模式函数IMF。在EMD分解过程中, 得到的IMF必须满足两个条件: (1) 信号的极值点数与过零点数相等或相差一个; (2) 上包络线 (由局部极大值构成) 和下包络线 (由局部极小值构成) 平均值为零。 EMD算法的具体计算步骤 (1) 计算出信号s (t) 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 (3) 记上、下包络线的均值为 并记信号与上、下包络线的均值的差为 (4) 判断h (5) 记r 这样, 最终可得到n个IMFs, 2 基于约束回归的向量回归模型 当支持向量机用于回归建模时, 通常我们把它称为支持向量回归机 给定训练样本集{ (x 其中, φ (x) 表示内积, b为偏置项。 引进结构风险函数: 式中, w 这样既控制了训练误差, 又控制了模型复杂度, 因此可以获得一个小的期望风险, 以提高模型的泛化能力。 而后, 引入ε不灵敏损失函数作为损失函数: 同时为了度量ε不敏感带外的训练样本的偏离程度, 可以引入非负的松驰变量ζ 这样, 支持向量回归优化的目标函数为: 它的约束条件是: 引入拉格朗日乘子 由此求得: 偏差b可以利用KKT条件计算。 将式 (9) 带入 (4) 式即可得到回归函数f (x) 表达式: 其中, K (x 3 基于步长阈值的算法优化 SMO算法最早是针对分类问题提出的, 后来Gary提出将SMO算法用于SVR, 该算法能有效地解决回归中二次规划问题, 使该算法成为解决支持向量回归的有效算法之一。SMO算法的本质是每个循环只优化两个样本参数, 通过挑选拉格朗日乘子的方法对支持向量回归问题进行优化, 直到所有乘子均符合KKT条件, 目标函数便达到最小。这样可以通过解析法直接计算而不需要采用迭代算法计算, 从而大大地减少了计算复杂度, 提高了计算速度。 SMO算法主要解决两个方面的问题 因此, 通过对SMO算法原理及实现步骤分析可知, 对于传统SMO算法我们可以通过优化步长和进入步长阈值的策略, 来使运算速度和性能得到进一步的提高。 1) 优化步长。内层循环中的最大优化步长由|E 2) 引入步长阈值。阈值, 也就是衡量调整步长的标准。在内层循环中, 当乘子的调整小于引入阈值时便停止调整。为了避免阈值选取过大造成的调整不全面以及过小引起的调整时间过长, 引入的阈值采用相对阈值和绝对阈值相结合的方法, 使阈值选择适用于维护Lagrange乘子选取调整过程中精度和时间的平衡。 改进后的SMO算法简称为ISMO算法。 4 拉限损失负荷的还原及标准化 电力负荷预测是受多种因素影响的复杂非线性系统, 具有明显的周期波动性和趋势性, 其影响因素主要有气象因素 (包括日最高和最低温度、日照、降雨量) 、日类型因素 (包括工作日、非工作日、节假日、非节假日等) 以及经济因素、宏观政策因素等。EMD算法在处理非线性问题方面有很强的实效性, 因此将EMD算法引入电力系统