没有合适的资源?快使用搜索试试~ 我知道了~
基于CEEMD‐SSA‐LSSVM短期电力负荷预测模型.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 86 浏览量
2023-02-23
20:33:41
上传
评论
收藏 1.22MB DOCX 举报
温馨提示
试读
11页
基于CEEMD‐SSA‐LSSVM短期电力负荷预测模型.docx
资源推荐
资源详情
资源评论
摘要
针对电力负荷序列随机性强、不平稳、随时间变化具有非线性等特点,提出一种基于互补式集合经
验 模 态 分 解(complementary ensemble empirical mode decomposition,CEEMD)和麻雀
搜索算法(sparrow search algorithm,SSA)的最小二乘支持向量机 (least square support
vector machine,LSSVM)的组合模型。首先,该方法利用 CEEMD 将原始电力负荷序列分解为
一系列不同频率尺度的固有分量和剩余分量,减少了不同频率的信号之间的相互影响。然后,针对
各个分量不同的特点,采用新型麻雀搜索算法优化核函数相关参数并建立各自对应的预测模型,最
后将不同分量预测得到的结果叠加。这种组合方式加入了 CEEMD 的分解和麻雀搜索算法,能有效
地提高 预测精 度。麻 雀搜索 算法较 之其他 组 合模 型 中的优 化算法 有较强 的鲁棒 性。与 LSSVM、
CEEMD-LSSVM 和 SSA-LSSVM 模 型进 行了对 比分析 ,结果 表明 所提出 的组合 模型预 测精 度高,
具有良好的追踪性和泛化性。
Abstract
In view of the strong randomness, instability and non-linear characteristics of power
load series with time variation, a new combined model based on complementary
ensemble empirical mode decomposition (CEEMD) and sparrow search algorithm
(SSA) least square support vector machine (LSSVM) is proposed. Firstly, the original
load sequence is decomposed into a series of intrinsic components and residual
components with different frequency scales by CEMMD, which reduces the
interaction between signals with different frequencies. Then, according to the
different characteristics of each component, the sparrow search algorithm is used to
optimize the relevant parameters of the kernel function, and the corresponding
prediction models are established. Finally, the prediction results of different
components are superimposed. This combination method adds the decomposition of
CEEMD and sparrow search algorithm to improve the prediction accuracy effectively.
Sparrow search algorithm has stronger robustness than other optimization
algorithms in combination model. Compared with LSSVM, CEEMD-LSSVM and SSA-
LSSVM models, the results show that the combination model proposed in this paper
has high prediction accuracy, good traceability and generalization.
译
关键词
电力负荷; 最小二乘支持向量机; 麻雀搜索算法; 组合模型
Keywords
power load; the least square support vector machine; sparrow search
algorithm; combinatorial model
译
现代社会对电力能源的需求在不断地增加,为了制订更加理想的电力能源供应计划,电力负荷预测
是目前常用的方法。其中,短期电力负荷预测是必不可少的。文献[1]介绍了粒子群算法寻优,
但粒子群算法早熟导致参数不是全局最优。文献[2]介绍了遗传算法,遗传算法寻优编程复杂、
寻优速度慢。文献[3]采用了极限学习机(extreme learning machine,ELM)神经网络进行
短期电力负荷预测,但存在现实应用性有待提高的问题。文献[4-8]利用支持向量机进行短期电
力负荷预测,优点是在解决小样本、非线性的问题时有很好的精度,但是也存在计算速度慢、复杂
性强的问题,文献[9-12]介绍了反向传播(back propagation,BP)神经网络有着较为良好的
非线性映射能力、高度的自适应自学能力、良好的泛化能力。对 BP 神经网络的改进是现在的研究
热点,例如文献[13]介绍了 BP 神经网络的调整自适应学习速率,文献[14]介绍了改进网络结
构,文献[15,16]中引入优化算法等。
人们通过研究如鲸鱼、蚂蚁、鱼群和麻雀等生物的生活习性等,提出了许多智能优化算法,其中 Xue
等
[ 17]
提出的麻雀搜索算法是较为新型的智能优化算法。麻雀搜索算法较之其他的优化算法拥有更
加良好的寻优能力和收敛速度。
1 CEEMD 基本理论
应用经验模态分解(empirical mode decomposition, EMD)方法对信号进行分解可获得固有
的模态函数,但会存在模态混叠问题。针对这种模态混叠问题,刘达等
[ 7]
提出了一种互补式集合
经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方式,
这种分解加入了白噪声的辅助来进行缓和,在进行分解的同时也使得平滑信号脉冲产生干扰,当经
过足够多的全体均值后,相应的噪声会被消除,全体均值就可以被认为是最终结果。该分解方式使
得整体的计算效率也得到了提高,在重新构建信号时可以消除残余辅助噪声,计算流程如下:
1)在原始信号中加入 n 组不相同的白噪声 L,得到
[M1M2]=[111−1][SL]M1M2=111-1SL
(1)
式中:S 为原始序列;M1为添加正噪声后的信号;M2为添加负噪声后的信号。共 2n 组 IMF分量。
2)对每个分量使用 EMD 进行分解,并且将第 i 个信号的第 j 个 IMF分量记为 IMFij。
3)把得到的每个分量取均值得到最终结果为
IMFj=12n∑i=12nIMFijIMFj=12n∑i=12nIMFij
(2)
2 SSA 算法原理
麻雀搜索算法(sparrow search algorithm,SSA)是目前比较新型的优化算法,它能够解决一
些特定的优化算法问题。该算法的提出是基于麻雀捕食和反捕食的行为。首先,由 n 只麻雀构成的
群体 X表示为如下形式
[ 6]
:
X=⎡⎣⎢⎢⎢⎢⎢x11x12⋮x1nx21x22⋮x2n⋯⋯⋮⋯xd1xd2⋮xdn⎤⎦⎥⎥⎥⎥⎥X=x11x12⋯x1dx21x22⋯x2d⋮⋮⋮⋮xn1xn2⋯xnd
(3)
式中:d 为需要优化问题变量的维度;n 为种群的数量;xn为种群个体。那么,所有麻雀的适应度
值 Fx可以表示为如下形式:
Fx=⎡⎣⎢⎢⎢⎢f([x11x21⋯xd1])f([x12x22⋯xd2])⋯⋯f([x1nx2n⋯xdn])⎤⎦⎥⎥⎥⎥Fx=fx11x12⋯x1dfx21x22⋯x2d⋯⋯
fxn1xn2⋯xnd
(4)
式中:f (·)为适应度值。
整体的种群数量会随着适应度值的变化而进行调整,会越来越适应环境变化。而在这个群体中的部
分个体有比较高的适应度值,会在搜寻的过程中优先获取猎物。在每次的迭代更新后,发现者的位
置更新为
Xt+1i,j=⎧⎩⎨Xi,j⋅exp(−iα⋅itermax),R2<STXi,j+Q⋅B,R2≥STXi,jt+1=Xi,j⋅exp-iα⋅itermax,R2<STXi,j+Q⋅B
,R2≥ST
(5)
式中:Xi,j表示第 i 只麻雀在第 j 维中的位置信息,j=1,2,...,d;t 为当前迭代次数;itermax
是一个常数,表示最大的迭代次数;α∈(0,1],是一个随机数;R2(R2∈[0,1])和 ST(ST∈[0.5,1])分
别表示预警值和安全值;Q 为正态分布的随机数矩阵;B表示一个 1×d的矩阵,该矩阵内每个元素
均为 1。
当 R2<ST 时,整个种群中捕食的环境趋于稳定,不存在其他的捕食者,而种群中的发现者则可以
进行搜索行动,接下来整个种群中的行动将会受到发现者指挥,而发现者则会根据自己判断来决定
种群接下来的捕食范围。
种群中会逐渐加入新个体,这些新加入者和发现者的身份是可以互相动态调整的,简单来说就是当
有一只麻雀转换为发现者,另一只麻雀则会转换为加入者。如果某些加入者能量过低,会导致其自
身觅食位置差,进而会飞往其他地方觅食以获得能量。整个种群在进行捕食时,一部分群体会搜索
新食物,同时也会更新自己的位置。整个群体中的加入者的位置更新如下:
Xt+1i,j=⎧⎩⎨⎪⎪Q⋅exp(Xworst−Xti,ji2),i>n2Xt+1p+∣∣Xi,j−Xt+1p∣∣⋅A+⋅B,i≤n2Xi,jt+1=Q⋅expXworst-Xi,jti2,
i>n2Xpt+1+Xi,j-Xpt+1⋅A+⋅B,i≤n2
(6)
式中:Xp为目前发现者所占据的最优位置;Xworst为当前全局最差的位置;A为一个 1×d 的矩阵,
该矩阵内每个元素赋值为 1 或-1,并且 A+=AT(AAT)−1。
在 模 拟 试 验 中 发 现 种 群 中 的 有 些 麻 雀 会 感 知 到 危 险 , 即 警 戒 者 , 这 一 部 分 麻 雀 占 到 总 体 的
10%~20%。加入者一般能寻找到提供优秀食物的发现者,并且在这些优秀食物中觅食,但是这
些加入者也会监控发现者并进行食物争夺。警戒者位置的数学表达式为如下形式:
Xt+1i,j=⎧⎩⎨⎪⎪Xtbest+β⋅∣∣Xti,j−Xtbest∣∣,fi>fgXti,j+K⋅(∣∣Xti,j−Xtworst∣∣(fi−fw)+ε),fi=fgXi,jt+1=Xbestt+β⋅Xi,
jt-Xbestt,fi>fgXi,jt+K⋅Xi,jt-Xworsttfi-fw+ε,fi=fg
(7)
式中:Xbest 为当前的全局最优位置;β作为步长控制参数,是服从均值为 0、方差为 1 的正态分
布的随机数;K∈[−1,1],为一个随机数;fi 为当前麻雀个体的适应度值;fg 和 fw分别是当前全局
最佳和全局最差的适应度值;ε为常数,用以避免出现分母为零的现象。
当 fi>fg,表示此时的麻雀正处于种群的边缘,极易受到捕食者的攻击。Xbest表示这个位置的麻雀
拥有种群中最好的位置,同时也是十分安全的。当 fi=fg时,表明处于种群中间的麻雀意识到了危
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3661
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功