(安徽电气工程职业技术学院,安徽 合肥 230051)
短期负荷预测方法一直处于探索、变化、改进中,历经了经典预测方法到现代预测方法。近年来,一种新的具有自适应地时频分析方法,即希尔伯特-黄变换(hilbert-huang transform, HHT)被应用于短期负荷预测中[1-3],但单一的预测方法有一定的局限性,需不断完善,提高预测精度。
HHT是一种新的时频分析方法,它的优点是:根据信号的瞬时变化特征,自适应地时频分解信号,具有优良的时频聚集性和极高的时频分辨率,非常适合分析类似于短期负荷数据这样的非平稳、非线性信号。
本文提出一种基于HHT的短期负荷组合预测方法。利用经验模态分解(empirical mode decomposition,EMD)算法将给定的负荷数据分解为若干本征模态函数(intrinsic mode function,IMF)和的形式;并用Hilbert变换每个IMF分量,得到其瞬时频率和幅值,选择相匹配的AWLS-SVM模型预测,最后将各预测结果相加。应用此方法预测了某地区的电力负荷,结果证明该方法有效。
用Hilbert变换构造解析信号,并求出瞬时频率;对于不满足IMF条件的复杂信号,采用EMD方法将其分解为若干IMF之和的形式
(1)
式中:ci为第i个IMF分量;分解后的残余信号用rn表示。
对EMD分解后的每个固有模态函数序列进行Hilbert变换,可得
(2)
由此构成一个复序列
zi(t)=ci(t)+jci(t)=ai(t)ejφi(t)
(3)
式中:ai(t)是幅值函数;φi(t)是相位函数。
(4)
(5)
由式(5)可得瞬时频率为
根据各IMF的频率特性选取合适的预测模型。
最小二乘支持向量机[5](least squares-support vector machine, LS-SVM)是在标准支持向量机的基础上进行改进的,它把支持向量机的二次规划问题转变为解线性方程组问题,使计算大大简化。
笔者在其他文章中[6-7]提出的自适应加权最小二乘支持向量机(adaptive weighed least squares-support vector machine, AWLS-SVM)不仅继承了LS-SVM的优点,并用自适应参数优化法优化参数,通过赋予样本不同权重的方式,突出了样本贡献不同的特点,提高了该方法的鲁棒性。本文应用AWLS-SVM对电力负荷序列IMF分量进行预测。
负荷序列的EMD分解如图1、图2所示。对每个IMF分量做 Hilbert 变换,求得各分量的瞬时频率,如表 1 所示。从表1可以看出,每个IMF 分量体现了不同的“频率分量”,能更为清楚地表现负荷序列频域特征,具有良好的时频聚集性。
图1 某月30天负荷数据
图2 负荷的IMF分量
表1 各IMF分量瞬时频率 Hz
1)预处理历史负荷数据。
2)EMD算法对历史负荷数据进行分解,并用差分法改善模态混叠现象[8]。
3)对于分解后的IMF分量,用Hilbert变换求其瞬时频率,并根据其频率特点建立与之相适应的AWLS-SVM模型预测。
4)把各分量的预测结果相加,实现预测日的负荷值。
用本方法来预测某天24 h的负荷,预测结果见表2,实际负荷和预测负荷曲线图见图3。选择相对百分误差E为性能指标,其定义为
式中:l(t)是预测负荷值;y(t)是实际负荷值。
表2 一般工作日24 h预测结果
图3 实际负荷和预测负荷曲线图
表3 本文与其他方法预测精度比较 %
本文研究了HHT变换和AWLS-SVM相组合的方法在电力系统短期负荷预测中的应用。首先应用EMD算法将历史负荷序列分解为不同频率的IMF分量,并建立与之相适应的AWLS-SVM模型,在应用AWLS-SVM过程中,通过多层动态自适应优化算法自动选择较优的模型参数,并根据样本的重要程度进行加权。实际算例表明,本文方法具有较高的预测精度,证明了该模型的有效性。