[发明专利]基于VMD-PSO-LSSVM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-LSSVM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、随机初始化LSSVM的核参数和惩罚参数，利用重构序列的训练集对LSSVM预测模型进行训练，在PSO算法对LSSVM的参数进行寻优的过程中，利用均方根误差作为PSO的适应度值，在迭代的过程中，选择最小的适应度值，并把选择出来最优的适应度值对应的LSSVM参数赋予LSSVM，然后把训练好的LSSVM模型对重构序列测试集进行预测，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-LSSVM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-LSSVM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。

4.根据权利要求1所述的基于VMD-PSO-LSSVM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S4包括：

S401、对微粒的群体规模、位置和速度进行初始化；

S402、通过评价函数求取每个微粒的适应值；

S403、对当前每个微粒求取的适应值和它经历过的最好的局部位置pbest相比较，选取两者之间更为合适的作为当前最好的局部位置pbest；

S404、对当前每个微粒求取的适应值和全局所经历最好的全局位置gbest相比较，选取两者之间更为合适的作为当前最好的全局位置gbest；

S405、更新微粒的速度和位置；

S406、判断是否达到最大迭代次数，如未达到，返回步骤S402；

S407、达到最大迭代次数，把优化的正则化参数c和核参数σ赋给LSSVM模型；

S408、利用测试集的输入变量数据，通过优化后的LSSVM模型进行预测，并输出预测负荷曲线。