基于EEMD与动态神经网络的短期负荷预测

《基于EEMD与动态神经网络的短期负荷预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、东北电力大学学报第29卷第6期JournalOfNortheastDianiiUniversityVo1．29．No．62009年12月NaturalScienceEd-ti0nDec．，2009文章编号：1005—2992(2009)06—0020—07基于EEMD与动态神经网络的短期负荷预测刘岱，庞松岭2，骆伟(1．海口供电局，海南海口570001；2．海南电网公司，海南海口570203，3．大连东软信息学院。辽宁大连116023)摘要：提出了采用EEMD与动态神经网络络相结合的混合模型进行电力系统短期负荷预测的方法。首先运用EEMD将

2、非平稳的负荷序列分解，然后根据分解后各分量的特点构造不同的动态神经网络对各分量分别进行预测，最后对各分量预测结果采用BP网络进行重构得到最终预测结果。仿真结果表明基于该方法的电力系统短期负荷预测具有较高的精度。关键词：短期负荷预测；经验模态分解；动态神经网络；重构中图分类号：TM734文献标识码：A0前言经验模态分解(EMD)是近年来出现的一种处理非线性、非平稳信号的新方法。EMD方法不需要预先设定基函数，可根据信号自身的特征进行分解，具有自适应性，得到的本征模态分量突出了数据的局部特征。但是，EMD有时会出现模态混叠现象，影响分解效果，不

3、利于解析序列分量的真实物理意义，降低了预测模型对各分量的适应性，进而影响到预测精度。总体平均经验模态分解(EnsembleEMD，EEMD)通过噪声辅助对负荷序列进行分析，可以减弱模态混叠现象的影响，进一步改善分析效果⋯。电力系统的负荷变化决定了负荷的动态特性本质，动态神经网络通过存储内部状态而具有直接描述动态系统的能力，从而使神经网络能够适应外部的时变特性]，这与负荷的动态性质是一致的，因此采用动态神经网络的负荷预测将会得到更好的预测结果。本文提出了基于EEMD与动态神经网络的短期负荷预测模型，首先EEMD按照负荷序列自身特征分解成若干平

4、稳序列和具有一定趋势的分量，然后利用动态神经网络进行相应的分量预测，最后将得到的预测分量经BP神经网络重构得到最终结果。方法解决了模态混叠现象，使分解效果更能反映真实物理意义，仿真结果表明，方法具有较高的预测精度和较强的适应性。1经验模态分解的基本理论1．1经验模态分解(EMD)本质上EMD是对信号进行平稳化处理的过程，它基于信号的局部特征尺度，将任意信号中不同尺度的波形或趋势逐级分解出来，产生一系列具有不同特征尺度的数据序列，并将每个序列作为一个本征模态函数(IntrinsicModeFunctionIMF)。收稿日期：2009—10—2

5、0作者简介：刘岱(1981一)女，汉族，硕士，海口供电局，主要研究方向为配电系统及其自动化第6期刘岱等：基于EEMD与动态神经网络的短期负荷预测21经验模态分解过程如下：对任意信号s(t)，首先确定出s(t)上的所有极值点，然后将所有极大值点和所有极小值点分别用一条曲线连接起来，使两条曲线间包含所有的信号数据。将这两条曲线分别作为s(￡)的上、下包络线。若上、下包络线的平均值记作m，s(t)与m的差记作h，则s(t)一m=h(1)将h视为新的s(f)，重复以上操作，直到当h满足一定的条件(如h足够小)时，记c1=h(2)将c，视为一个IMF

6、，再作s(t)一c】=r(3)将r视为新的s(t)，重复以上过程，依次得到第二个IMF、c：，第三个IMF、c，，⋯。当C或r满足给定的终止条件(分解出的IMF或残余函数r足够小或r成为单调函数)时过程终止，得分解式s(f)=∑+r(4)i=1其中，r称为残余函数，代表信号的平均趋势。由于信号的间断性，EMD会出现模态混叠现象，模态混叠现象是指一个IMF包含了较宽的全异尺度的信号，或者相近尺度的信号存在于不同的IMF分量中。这就使IMF的物理意义有所缺失，也造成了预测模型对负荷分量适应性的下降。1．2总体平均经验模式分解为改善模态混叠现象，

7、z．Wu和N．E．Huang在2005年提出了EEMD方法；该方法是一种新的噪声辅助数据分析方法，其核心思想是认为每个观察到的数据都融合了实际的时间序列信息和噪声，因此，即使同一过程数据被不同的人收集得到，也具有不同的噪声水平，但是其整体均值接近于真实的时间序列。所以，为了解析出数据的实际信号，将多组具有有限振幅的白噪声序列添加到原始序列上，然后分别对它们进行EMD分解，将相应IMF分量的均值作为真实分量。EEMD方法的步骤如下：(1)加白噪声序列到目标数据序列；(2)添加了白噪声的数据分解成多个IMF；(3)复叠代步骤(1)和(2)，但是

8、每次添加不同的白噪声序列；然后将分解得到的相应的IMF均值作为最终结果。添加的白噪声序列可以在时间一频率以及时间一尺度空间上提供一致的参考结构，从而可以在同一个IMF中比较辨识信