[发明专利]基于VMD-PSO-BPNN的短期电力负荷预测模型建立方法

权利要求书

1.一种基于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，其特征在于，所述的建立方法包括以下步骤：

S1、获取造纸企业数据的用电数据；

S2、利用VMD分解算法，对预处理后的负荷序列进行序列分解；

S3、利用滞后自相关法对每个分解序列选取输入变量；

S4、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网络对分解序列进行预测，把所有分解序列的预测结果进行叠加，得到短期电力负荷预测模型。

2.根据权利要求1所述的基于VMD-PSO-BPNN的短期电力负荷预测模型建立方法，其特征在于，所述的步骤S2中通过搜寻约束分变模型最优解来实现信号自适应分解，将原始负荷序列分解成一系列具有稀疏特性的模态分量，即将原始序列分解为不同频率的序列，具体包括：

S201、对于每个模态u(t)，通过希尔伯特变换计算与之相关的解析信号，计算公式如下：

式中，H(t)为模态解析信号，δ(t)是狄拉克分布，t是采样时间点，j为虚数，*表示卷积；

S202、对各模态解析信号预估计的中心频率ω_k进行混合，将每个模态的频谱调制到相应的基频带，其公式如下：

S203、计算式(2)中基频带的梯度平方L²范数，估计出各模态分量的带宽，对应的约束变分模型为：

式中，f(t)＝∑_ku(t)；

S204、采用二次惩罚函数项和拉格朗日乘子算子得到一个无约束问题，最后求解该问题的公式为：

式中，{u_k}＝{u₁,u₂,···,u_k}代表分解得到的k个IMF分量，{ω_k}＝{ω₁,ω₂,···,ω_k}表示各分量的中心频率，∑_K表示各模态分量求和，λ(t)为拉格朗日乘数，α是数据保真约束的平衡参数，f(t)为原始信号。

3.根据权利要求1所述的基于VMD-PSO-BPNN的短期电力负荷预测模型建立方法，其特征在于，所述的步骤S3中，通过滞后自相关方法找出过去用电负荷对当前用电负荷的影响，使用自相关函数作为选择信息特征子集的指导，即通过自相关的滞后阶次来选取输入变量，当滞后自相关系数的绝对值大于0.8时，用这一滞后时刻对应的有效功率作为模型的输入，其表达式为：

式中，是给定时间序列中所有X的平均值，X＝{X_t:t∈T}，为时间序列数据集，r_k为测量时间t和t-k时间序列的线性相关性。