[发明专利]基于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：首先获取造纸企业总有效负荷数据；利用VMD分解算法对预处理后的数据序列进行分解；利用滞后自相关选择模型的输入变量；利用PSO‑BPNN对分解序列进行建模；利用训练样本对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，并对预测效果进行分析。本发明方法建立的基于VMD‑PSO‑BPNN的短期电力负荷预测模型，具有收敛快，预测结果无滞后的特点。

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VMD-PSO-BPNN的短期电力负荷预测模型建立方法。

背景技术

制浆造纸过程存在大量间歇用电设备，通过优化这些间歇用电设备的开机、停机计划，可有效实现用电削峰填谷，降低成产成本。目前制浆造纸企业对电力需求侧的预测主要通过历史经验购电，这导致所购的常出现过剩或者不足的问题。因此，如何对企业用电负荷进行预测，进而实现优化排产和合理购电是提高造纸企业经济效益增强稳定生产的一个重要途径。

近三年来，主要的研究方向之一是采用拆分重构的方法对电力负荷进行预测。由于造纸企业的用电无周期性，且负荷波动频率高，利用VMD可以将高频率的波形拆分成几个不同且频率较低的波形的特点。而且相比于EMD(经典模态分解)，VMD算法是一种更为精确的数学算法，而且对噪声和采样频率都很敏感，因此十分适合于造纸企业用电负荷的拆分。

神经网络模型根据不同的实际情况来选择适合解决相应问题的结构参数。但是当需要解决的问题相对比较复杂时，用基本的人工神经网络(ANN)一般达不到实际应用的需求，基于优化算法进行神经网络优化的结合算法是解决上述问题的方法之一。

BPNN(BP神经网络)是一种针对非线性、非周期、无规律、无结构性或半结构性数据建模最常用、效果最佳的模型，结合数据挖掘建立具有时间序列特征的BPNN来建立造纸企业用电负荷预测模型是十分实用的。

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，防止以上问题的发生是十分合适的。

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VMD-PSO-BPNN的短期电力负荷预测模型建立方法，利用VMD分解算法把造纸企业用电负荷进行分解，利用滞后自相关法选择预测模型的输入，最后利用PSO对BPNN的权值和阈值进行优化，建立电力负荷预测模型，预测并对预测效果进行评价，从而能够精确预测造纸企业用电负荷。

本发明的目的可以通过采取如下技术方案达到：

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，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。

进一步地，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：