[发明专利]基于EMD-VMD-PSO-BPNN的短期电力负荷预测模型建立方法

说明书

本发明公开了一种基于EMD‑VMD‑PSO‑BPNN的短期电力负荷预测模型建立方法，该短期电力负荷预测模型应用于造纸企业的电力负荷预测，包括下述步骤：首先获取造纸企业数据质量合格的总有效负荷的数据；采用EMD‑VMD组合算法对总有效负荷进行序列分解；采用近似熵对分解的序列进行重构；利用滞后自相关方法选择模型输入；采用PSO‑BPNN对重构序列进行建模；采用训练样本对PSO‑BPNN模型进行训练，建立预测模型，并进行造纸企业用电负荷预测，最后对预测效果进行分析。本发明基于EMD‑VMD‑PSO‑BPNN算法建立短期电力负荷预测模型，具有模型收敛快，预测结果精度高、无滞后诸多特点。

技术领域

本发明涉及造纸企业智能用电技术领域，具体涉及一种基于EMD-VMD-PSO-BPNN的造纸企业短期电力负荷预测模型建立方法。

背景技术

造纸过程中需要大量动力设备，这也是电能成为造纸过程最主要能源构成的原因。由于这些能源设备中，存在大量间歇性设备，合理的制定排产计划，不仅可以有效提高设备利用效率，降低能耗，还可以通过错峰用电，实现智能与购电，减少购电，降低生产成本。通过对生产过程的用电负荷进行预测，同时，建立精确度高的短期电力负荷预测模型，有助于对用电异常进行分析，精准的预测可以提前知道用电异常情况，减少或者避免用电异常带来的非计划停机对生产的影响。

目前，电力负荷预测已广泛用于电网、新能源(如风能、太阳能等)、建筑等行业。其中主要的预测模型的研究对象都是具有周期性或者有准确影响因素的负荷。但温度等环境因素对造纸企业的电力负荷的影响不大，电力负荷不具有周期性，且目前还未有研究表明影响造纸企业的关键因素是什么，因此通过周期性和关键影响因素建立预测模型的方法不适合造纸企业。基于算法的研究，短期电力负荷预测可分为分解预测算法和未分解预测算法，其中有大量研究表明分解算法在精确度和预测滞后等方面优于未分解算法。因此提出EMD-VMD算法对用电负荷进行序列分解后再分别建立预测模型。

PSO(粒子群优化算法)是一类概率型的全局优化算法。非确定算法的优点在于算法能有更多机会求解全局最优解。由于BPNN预测存在过拟合以及陷入局部最优等问题，因此采用PSO算法优化BPNN的权值和阈值，解决BPNN的上述技术问题，建立精准的造纸企业短期电力负荷预测模型。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于EMD-VMD-PSO-BPNN的短期电力负荷预测模型建立方法。

本发明的目的可以通过采取如下技术方案达到：

一种基于EMD-VMD-PSO-BPNN的短期电力负荷预测模型建立方法，该短期电力负荷预测模型应用于造纸企业的电力负荷预测，所述的建立方法包括以下步骤：

S1、获取造纸企业数据质量合格的用电数据；

S2、利用EMD-VMD分解算法，对预处理后的负荷序列进行序列分解；

S3、利用近似熵法对分解序列进行序列重构；

S4、利用滞后自相关方法对每个重构序列选取输入变量；

S5、设置BPNN网络的隐藏层神经元数，以及BPNN网络的权值和阈值，把分解序列的训练集输入初始的BPNN网络中，把拟合结果和实际结果之间残差作为适应度值，利用PSO算法更新权值和阈值的大小，寻找最优的拟合结果，把最优拟合结果对应BPNN网络进行输出，利用训练好的BPNN网络对重构序列进行预测，把所有重构序列的预测结果进行叠加，得到短期电力负荷预测模型。

进一步地，所述的步骤S2包括：

S201、采用EMD算法对用电数据进行拆分，将性能不好的信号分解为一组性能较好的本征模函数，提取最后一个分解序列，并将其他分解序列进行叠加；