基于辛几何模态分解的短期电力负荷预测方法及系统与流程

阅读：评论：0

1.本发明涉及电力负荷处理技术领域，尤其涉及一种基于辛几何模态分解的短期电力负荷预测方法及系统。

背景技术：

2.负荷预测分为短期、中期及长期三大类，短则几分钟，长的可达几个月甚至几年。中长期负荷预测常用于新站投运、电网增容改建、设备大修计划、水库优化调度计划、燃料供应计划等。而短期负荷预测在确定最优机组组合、减少旋转备用容量、避免安全事故中起着至关重要的作用，是保障电网经济运行的关键组成部分。随着电力市场的发展，对电力负荷进行准确的短期预测，可以有效保障电网安全运行，降低发电成本，满足用户需求，提高社会经济效益。
3.过去，电力负荷预测主要应用于调度部门制定发电、供电的计划安排或控制策略，研究主要集中在发电侧，很少涉及单一用户侧的研究，而随着智能电网的到来和分布式可再生能源的逐步发展，用户侧发电在现代电网结构中扮演着越来越重要的角，如何有效地提高可再生能源的消纳和用户侧家庭能源管理系统的效率变得越来越重要，对用户侧用电行为进行分析，能更有效地促进需求侧管理，合理抑制负荷峰值，提高电网资产的利用率，以迎接大数据和智能化时代的到来，另一方面，电力负荷预测方法对于区域负荷和个人负荷具有一定的普适性，而个体用户负荷相比区域性负荷通常具有更强的随机特征，需要使用对于高频随机特征处理能力更强的模型才能够得到较好的效果，能够对于个体用户负荷进行预测的模型通常对于更为平滑规律的区域性负荷预测也能得到较为理想的结果。
4.由于电力系统负荷具有一定的周期特性，同时影响的因素复杂(天气、经济、节假日、观测误差等)，电力系统负荷呈现出较强的随机性和非周期成分，为短期预测带来较大难度。
5.目前，短期负荷预测方法可分为传统统计学预测法和机器学习预测法，统计学包括广义自回归条件异方差、时间序列等，通过学习不同时刻的负荷递归关系实现负荷预测，但这些方法，对于非线性序列预测效果并不佳。随着机器学习的广泛应用，不少研究者将其应用到负荷预测当中。如神经网络、极限学习机、长短时记忆网络、回声状态网络（echo state network，esn）等，负荷序列与负荷预测模型的输入特征具有一定的时序相关性，预测模型若能学习到这种隐藏关系，将提升短期负荷的预测精度。
6.但是，esn参数仅凭经验选取，具有极大不确定性，而且预测精度较差，同时，基本的sma算法在优化高维复杂函数和最优解不在原点的函数时容易出现优化结果不稳定、收敛速度慢以及陷入局部最优等问题，另外，单一的预测方法很难处理用户侧电力负荷的随机性和非周期成分，存在模态混叠问题，影响电力负荷的预测精度。

技术实现要素：

7.本发明提供了一种基于辛几何模态分解的短期电力负荷预测方法及系统，解决了
电力负荷的预测精度较差的技术问题。
8.有鉴于此，本发明第一方面提供了一种基于辛几何模态分解的短期电力负荷预测方法，包括以下步骤：s1、获取用户侧历史电力负荷，构建历史电力负荷时间序列；s2、采用辛几何模态对所述历史电力负荷时间序列进行分解，得到相应的多个负荷分量；s3、将所有负荷分量划分为训练数据集和测试数据集；s4、构建回声状态网络，通过维度竞争黏菌算法对所述回声状态网络进行优化，得到初始电力负荷预测模型；s5、将所述训练数据集中的负荷分量逐一输入至所述初始电力负荷预测模型进行训练，得到各个负荷分量对应的电力负荷预测子模型；s6、将所述测试数据集输入到所述电力负荷预测子模型进行预测，得到相应的负荷预测值；s7、将所有负荷预测值进行叠加处理，得到最终的用户侧电力负荷预测结果。
9.优选地，步骤s2具体包括：s201、设历史电力负荷时间序列为，其中为数据长度，采用时间序列延迟拓扑等价的方法对电力负荷时间序列进行重构，得到轨迹矩阵为：式中，为嵌入维数，为延迟时间，；s202、对轨迹矩阵x进行自相关分析，得到协方差对称矩阵为：式中，t为转置符号；s203、对协方差对称矩阵构造hamilton矩阵为：s204、对hamilton矩阵进行平方得到另一hamilton矩阵为：s205、通过下式构造辛正交矩阵，对hamilton矩阵进行辛正交变换：式中，为实矩阵，为上三角矩阵，上三角矩阵的矩阵元素，其中，i、j分别为矩阵的行数和列数，矩阵、以及的特征值之间的关系表示为：
；为householder 矩阵，，其中，，；s206、利用qr分解计算上三角矩阵的特征值，记为，由上三角矩阵的特征值计算矩阵的特征值为：对矩阵的特征值进行向量化处理，得到相应的特征向量，记为；s207、通过矩阵的特征向量和轨迹矩阵x计算获得转换系数矩阵为：利用特征向量矩阵和转换系数矩阵计算得到重构矩阵：：表示初始单分量矩阵，，，其中，重构矩阵z为矩阵，由个初始单分量矩阵为组成；s208、对于任一初始单分量矩阵，定义矩阵的各元素为，其中，令，以及，其中，表示单分量矩阵的行和列的最小值，表示单分量矩阵的行和列的最大值，其中当时，取，当，取，其中，表示对角平均化转换矩阵计算元素值，对角平均化转换矩阵表示如下：式中，表示对角平均化转换矩阵计算元素值，和分别表示对角平均化转换矩阵计算元素值的第行和第列，表示对角平均化转换矩阵第k个元素值；
s209、由对角平均化转换矩阵将初始单分量矩阵转换为一维时间序列的单分量信号，记为，表示数据长度，1≤i≤d，依次对所有初始单分量矩阵进行对角平均化得到个一维时间序列，对个一维时间序列进行叠加，得到单分量总信号矩阵为：其中，单分量总信号矩阵y为一个矩阵；s210、将初始单分量按顺序组成一组维矢向量为，维矢向量为，表示从初始单分量中第个点开始连续的个的值；s211、定义矢量和间的距离为两者对应元素中差值最大的一个，即：式中，表示从初始单分量中第j个点开始连续的个的值，；，；s212、将与预设的阈值进行比对，其中，预设的阈值为0.1~0.25，其中，为单分量信号的标准差，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：，求其对维矢向量的平均值得：s213、将维数加1，依序号排列的顺序构成一组新的+1维矢向量为，+1维矢向量为，表示从第个点开始连续的+1个的值；s214、定义矢量和间的距离为两者对应元素中差值最大的一个，即：式中，表示从第j个点开始连续的+1个的值，；，；s215、将与预设的阈值进行比对，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：
求其对+1维矢向量的平均值得：则样本熵值的计算公式如下：s216、将样本熵值差的初始单分量加和处理，得到新的分量，即：式中，表示辛几何模态分解得到的分量，a表示第a个分量序列。
10.优选地，步骤s4具体包括：s401、建立回声状态网络为：s401、建立回声状态网络为：s401、建立回声状态网络为：其中，为输入维数，为内部神经元个数，l为输出维数，u(v)、x(v)、y(v)分别为回声状态网络的输入向量、状态向量及输出向量；s402、根据所述回声状态网络的输入向量、状态向量及输出向量，通过下式对所述回声状态网络进行训练得到：回声状态网络进行训练得到：式中，f()为内部神经元激活函数sigmoid，f
out
（）为输出层函数，w为内部状态到内部状态的连接权值矩阵，为随机生成的输入层到储备池
×
阶连接权重矩阵，为随机生成的输出层反馈到储备池的
×
1阶连接权重矩阵，为储备池到输出层的l
×
(++l)阶输出权重矩阵；s403、通过维度竞争黏菌算法对所述回声状态网络进行优化，具体为：1）设置维度竞争黏菌算法黏菌个体总数u，最大迭代次数，比例参数z，递减参数，随机数，决定黏菌位置更新方式的参数，黏菌个体维数d，维度竞争概率pv，高斯变异概率；2）随机生成一组解作为初始参数来拟合维度竞争黏菌算法优化回声状态网络：
其中，i=1,2,...,u；为储备池神经元规模，为谱半径，为稀疏度，为输入单元尺度，为输入单元位移，为输出单元尺度，为输出单元位移；3）通过初始参数虚拟探索目标空间，在目标空间t+1次迭代中，黏菌个体位置更新方式如下：方式如下：式中，和为搜索范围的上下边界，为之间的随机数，z为决定随机分布的黏菌个体占黏菌总体的比例参数，为当前发现的食物气味浓度最高位置，即最优解位置；为黏菌当前位置；和分别为从体中随机选取的两个个体的位置；为当前迭代次数；为系数，其值在之间随机振荡并随迭代次数的增加逐渐趋于0，其中，，为最大迭代次数；为从1到0的递减参数，为之间的随机数，为决定黏菌位置更新方式的参数，，表示第个黏菌个体的适应度值，表示当前迭代次数下黏菌的最优适应度值；适应度值计算公式如下：式中，、分别是用户侧短期电力负荷预测实际值和用户侧短期电力负荷预测预测输出值；g为训练样本数；黏菌自适应权值的表达式为：式中，为之间的随机数，表示适应度值按升序排列后的个体位置索引，表示中排名前一半的种，表示当前迭代过程获得的最优适应度值，表示当前迭代过程获得的最差适应度值；4）对黏菌个体所有的维进行不重复两两随机配对，共d/2对，对任意一对维，若
rand《pv，则根据下式对该对维进行维度交叉算子；rand《pv，则根据下式对该对维进行维度交叉算子；；式中，为黏菌个体的第维和第维通过维度交叉产生的子代；为[0,1]之间的随机数，为维度交叉概率；5）根据下式计算子代与父代黏菌个体的适应度值，并更新黏菌个体位置，记录下当前的全局最优解；6）若，，则进入高斯变异算子，对最优个体进行高斯变异操作，进一步进行局部搜索，并更新的位置：的位置：式中，为高斯变异后的最优粒子，n(0,1)为均值为0、方差为1的高斯分布随机量；7）判断当前迭代次数是否达到最大迭代次数，若达到，迭代结束，输出最优解，否则，+1，返回步骤2）继续搜索，直至当前迭代次数达到最大迭代次数，迭代停止后，输出当前全局最优解，利用全局最优解更新回声状态网络的初始参数，得到初始电力负荷预测模型。
[0011]
第二方面，本发明还提供了一种基于辛几何模态分解的短期电力负荷预测系统，包括：负荷获取模块，用于获取用户侧历史电力负荷，构建历史电力负荷时间序列；分解模块，用于采用辛几何模态对所述历史电力负荷时间序列进行分解，得到相应的多个负荷分量；划分模块，用于将所有负荷分量划分为训练数据集和测试数据集；网络构建模块，用于构建回声状态网络，通过维度竞争黏菌算法对所述回声状态网络进行优化，得到初始电力负荷预测模型；训练模块，用于将所述训练数据集中的负荷分量逐一输入至所述初始电力负荷预测模型进行训练，得到各个负荷分量对应的电力负荷预测子模型；预测模块，用于将所述测试数据集输入到所述电力负荷预测子模型进行预测，得到相应的负荷预测值；
叠加模块，用于将所有负荷预测值进行叠加处理，得到最终的用户侧电力负荷预测结果。
[0012]
从以上技术方案可以看出，本发明具有以下优点：本发明通过采用辛几何模态对历史电力负荷时间序列进行分解，得到相应的多个负荷分量，降低用户侧电力负荷时间序列的波动性对预测结果的影响，对各个分量分别建立维度竞争黏菌算法优化回声状态网络的预测模型，提高预测模型的稳定性和泛化能力，再叠加全部分量的预测值得到实际的用户侧电力负荷预测结果，提高了电力负荷的预测精度。
附图说明
[0013]
图1为本发明实施例提供的一种基于辛几何模态分解的短期电力负荷预测方法的流程图；图2为本发明实施例提供的一种基于辛几何模态分解的短期电力负荷预测系统的结构示意图。
具体实施方式
[0014]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0015]
为了便于理解，请参阅图1，本发明提供的一种基于辛几何模态分解的短期电力负荷预测方法，包括以下步骤：s1、获取用户侧历史电力负荷，构建历史电力负荷时间序列；s2、采用辛几何模态对历史电力负荷时间序列进行分解，得到相应的多个负荷分量；s3、将所有负荷分量划分为训练数据集和测试数据集；s4、构建回声状态网络，通过维度竞争黏菌算法对回声状态网络进行优化，得到初始电力负荷预测模型；s5、将训练数据集中的负荷分量逐一输入至初始电力负荷预测模型进行训练，得到各个负荷分量对应的电力负荷预测子模型；s6、将测试数据集输入到电力负荷预测子模型进行预测，得到相应的负荷预测值；s7、将所有负荷预测值进行叠加处理，得到最终的用户侧电力负荷预测结果。
[0016]
可以理解的是，每个负荷预测值是分解得到的分量的预测结果，需叠加全部分量的预测值得到最终的负荷预测值。
[0017]
需要说明的是，本实施例提供了一种基于辛几何模态分解的短期电力负荷预测方法，通过采用辛几何模态对历史电力负荷时间序列进行分解，得到相应的多个负荷分量，降低用户侧电力负荷时间序列的波动性对预测结果的影响，对各个分量分别建立维度竞争黏菌算法优化回声状态网络的预测模型，提高预测模型的稳定性和泛化能力，再叠加全部分量的预测值得到实际的用户侧电力负荷预测结果，提高了电力负荷的预测精度。
[0018]
在一个具体实施例中，步骤s2具体包括：s201、设历史电力负荷时间序列为，其中为数据长度，采用时间序列延迟拓扑等价的方法对电力负荷时间序列进行重构，得到轨迹矩阵为：式中，为嵌入维数，为延迟时间，；其中，择合适的嵌入维数和延迟时间，可得到相应重构矩阵。由于不同的嵌入维数会产生不同的效果，采用确定嵌入维度的思想来计算初始时间序列的功率谱密度（psd），psd最大峰值对应的频率即为。如果归一化频率小于给定的阈值，则设为，其中为数据长度。否则嵌入维数设置为，为采样频率。延迟时间通常取。
[0019]
s202、对轨迹矩阵x进行自相关分析，得到协方差对称矩阵为：式中，t为转置符号；s203、对协方差对称矩阵构造hamilton矩阵为：s204、对hamilton矩阵进行平方得到另一hamilton矩阵为：s205、通过下式构造辛正交矩阵，对hamilton矩阵进行辛正交变换：式中，为实矩阵，为上三角矩阵，上三角矩阵的矩阵元素，其中，i、j分别为矩阵的行数和列数，矩阵、以及的特征值之间的关系表示为：；为householder 矩阵，，其中，，；其中，辛正交矩阵h具有辛矩阵的性质，使得 hamilton 矩阵的结构在矩阵变换过程中不会被破坏。
[0020]
同时，基于数学定理：假设为轨迹矩阵，并且是一个是对称矩阵。通过矩阵构造哈密顿矩阵，即。
[0021]
有一个householder矩阵h，那么就可以通过变换构造上三角hessenberg矩阵，即：，即：，即：s206、利用qr分解计算上三角矩阵的特征值，记为，由上三角矩阵的特征值计算矩阵的特征值为：对矩阵的特征值进行向量化处理，得到相应的特征向量，记为；s207、通过矩阵的特征向量和轨迹矩阵x计算获得转换系数矩阵为：利用特征向量矩阵和转换系数矩阵计算得到重构矩阵：：表示初始单分量矩阵，，，其中，重构矩阵z为矩阵，由个初始单分量矩阵为组成；s208、对于任一初始单分量矩阵，定义矩阵的各元素为，其中，令，以及，其中，表示单分量矩阵的行和列的最小值，表示单分量矩阵的行和列的最大值，其中当时，取，当，取，其中，表示对角平均化转换矩阵计算元素值，对角平均化转换矩阵表示如下：
式中，表示对角平均化转换矩阵计算元素值，和分别表示对角平均化转换矩阵计算元素值的第行和第列，表示对角平均化转换矩阵第k个元素值；s209、由对角平均化转换矩阵将初始单分量矩阵转换为一维时间序列的单分量信号，记为，表示数据长度，1≤i≤d，依次对所有初始单分量矩阵进行对角平均化得到个一维时间序列，对个一维时间序列进行叠加，得到单分量总信号矩阵为：其中，单分量总信号矩阵y为一个矩阵；s210、将初始单分量按顺序组成一组维矢向量为，维矢向量为，表示从初始单分量中第个点开始连续的个的值；需要说明的是，与传统辛几何模态分解的周期性相似比较重组方法不同，本实施例将样本熵引入到单分量总信号的重组过程中，其目的是为了实现单分量总信号自适应地重组，提高分析结果的准确性。
[0022]
s211、定义矢量和间的距离为两者对应元素中差值最大的一个，即：式中，表示从初始单分量中第j个点开始连续的个的值，；，；s212、将与预设的阈值进行比对，其中，预设的阈值为0.1~0.25，其中，为单分量信号的标准差，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：，求其对维矢向量的平均值得：
s213、将维数加1，依序号排列的顺序构成一组新的+1维矢向量为，+1维矢向量为，表示从第个点开始连续的+1个的值；s214、定义矢量和间的距离为两者对应元素中差值最大的一个，即：式中，表示从第j个点开始连续的+1个的值，；，；s215、将与预设的阈值进行比对，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：求其对+1维矢向量的平均值得：则样本熵值的计算公式如下：s216、将样本熵值差的初始单分量加和处理，得到新的分量，即：式中，表示辛几何模态分解得到的分量，a表示第a个分量序列。
[0023]
在一个具体实施例中，步骤s4具体包括：s401、建立回声状态网络为：s401、建立回声状态网络为：s401、建立回声状态网络为：其中，为输入维数，为内部神经元个数，l为输出维数，u(v)、x(v)、y(v)分别为回声状态网络的输入向量、状态向量及输出向量；s402、根据所述回声状态网络的输入向量、状态向量及输出向量，通过下式对所述
回声状态网络进行训练得到：回声状态网络进行训练得到：式中，f()为内部神经元激活函数sigmoid，f
out
（）为输出层函数，w为内部状态到内部状态的连接权值矩阵，为随机生成的输入层到储备池
×
阶连接权重矩阵，为随机生成的输出层反馈到储备池的
×
1阶连接权重矩阵，为储备池到输出层的l
×
(++l)阶输出权重矩阵；其中，回声状态网络的、w和都是随机生成的，且一经生成在学习过程中就不再改变，在储备池网络的训练过程中只需调整的值即可。
[0024]
s403、通过维度竞争黏菌算法对所述回声状态网络进行优化，具体为：1）设置维度竞争黏菌算法黏菌个体总数u，最大迭代次数，比例参数z，递减参数，随机数，决定黏菌位置更新方式的参数，黏菌个体维数d，维度竞争概率pv，高斯变异概率；2）随机生成一组解作为初始参数来拟合维度竞争黏菌算法优化回声状态网络：其中，i=1,2,...,u；为储备池神经元规模，为谱半径，为稀疏度，为输入单元尺度，为输入单元位移，为输出单元尺度，为输出单元位移；3）通过初始参数虚拟探索目标空间，在目标空间t+1次迭代中，黏菌个体位置更新方式如下：方式如下：式中，和为搜索范围的上下边界，为之间的随机数，z为决定随机分布的黏菌个体占黏菌总体的比例参数，为当前发现的食物气味浓度最高位置，即最优解位置；为黏菌当前位置；和分别为从体中随机选取的两个个体的位置；为当前迭代次数；为系数，其值在之间随机振荡并随迭代次数的增加逐渐趋于0，其中，，为最大迭代次数；为从1到0的递减参数，为之间的随机数，为决定黏菌位置更新方式的参数，，表示第个黏菌个体的适应度值，表示当前迭代次数下黏菌的最优适应度值；
适应度值计算公式如下：式中，、分别是用户侧短期电力负荷预测实际值和用户侧短期电力负荷预测预测输出值；g为训练样本数；黏菌自适应权值的表达式为：式中，为之间的随机数，表示适应度值按升序排列后的个体位置索引，表示中排名前一半的种，表示当前迭代过程获得的最优适应度值，表示当前迭代过程获得的最差适应度值；4）对黏菌个体所有的维进行不重复两两随机配对，共d/2对，对任意一对维，若rand《pv，则根据下式对该对维进行维度交叉算子；rand《pv，则根据下式对该对维进行维度交叉算子；；式中，为黏菌个体的第维和第维通过维度交叉产生的子代；为[0,1]之间的随机数，为维度交叉概率；需要说明的是，由于基本的sma算法在优化高维复杂函数和最优解不在原点的函数时容易出现优化结果不稳定、收敛速度慢以及陷入局部最优等问题，而局部最优往往是解的某一维或几维陷入局部最优导致的，故本发明将一种维度竞争算子引入到黏菌算法中。
[0025]
可通过设置不同的维度交叉概率控来制维度交叉算子的计算量，从而保证算法的计算速度。
[0026]
5）根据下式计算子代与父代黏菌个体的适应度值，并更新黏菌个体位置，记录下当前的全局最优解；6）若，，则进入高斯变异算子，对最优个体进行高斯变异操作，进一步进行局部搜索，并更新的位置：
式中，为高斯变异后的最优粒子，n(0,1)为均值为0、方差为1的高斯分布随机量；7）判断当前迭代次数是否达到最大迭代次数，若达到，迭代结束，输出最优解，否则，+1，返回步骤2）继续搜索，直至当前迭代次数达到最大迭代次数，迭代停止后，输出当前全局最优解，利用全局最优解更新回声状态网络的初始参数，得到初始电力负荷预测模型。
[0027]
以上为本发明提供的一种基于辛几何模态分解的短期电力负荷预测方法的实施例的详细描述，以下为本发明提供的一种基于辛几何模态分解的短期电力负荷预测系统的实施例的详细描述。
[0028]
为了方便理解，请参阅图2，本发明提供的一种基于辛几何模态分解的短期电力负荷预测系统，包括：负荷获取模块100，用于获取用户侧历史电力负荷，构建历史电力负荷时间序列；分解模块200，用于采用辛几何模态对所述历史电力负荷时间序列进行分解，得到相应的多个负荷分量；划分模块300，用于将所有负荷分量划分为训练数据集和测试数据集；网络构建模块400，用于构建回声状态网络，通过维度竞争黏菌算法对所述回声状态网络进行优化，得到初始电力负荷预测模型；训练模块500，用于将所述训练数据集中的负荷分量逐一输入至所述初始电力负荷预测模型进行训练，得到各个负荷分量对应的电力负荷预测子模型；预测模块600，用于将所述测试数据集输入到所述电力负荷预测子模型进行预测，得到相应的负荷预测值；叠加模块700，用于将所有负荷预测值进行叠加处理，得到最终的用户侧电力负荷预测结果。
[0029]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0030]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0031]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0032]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0033]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.基于辛几何模态分解的短期电力负荷预测方法，其特征在于，包括以下步骤：s1、获取用户侧历史电力负荷，构建历史电力负荷时间序列；s2、采用辛几何模态对所述历史电力负荷时间序列进行分解，得到相应的多个负荷分量；s3、将所有负荷分量划分为训练数据集和测试数据集；s4、构建回声状态网络，通过维度竞争黏菌算法对所述回声状态网络进行优化，得到初始电力负荷预测模型；s5、将所述训练数据集中的负荷分量逐一输入至所述初始电力负荷预测模型进行训练，得到各个负荷分量对应的电力负荷预测子模型；s6、将所述测试数据集输入到所述电力负荷预测子模型进行预测，得到相应的负荷预测值；s7、将所有负荷预测值进行叠加处理，得到最终的用户侧电力负荷预测结果。2.根据权利要求1所述的基于辛几何模态分解的短期电力负荷预测方法，其特征在于，步骤s2具体包括：s201、设历史电力负荷时间序列为，其中为数据长度，采用时间序列延迟拓扑等价的方法对电力负荷时间序列进行重构，得到轨迹矩阵为：式中，为嵌入维数，为延迟时间，；s202、对轨迹矩阵x进行自相关分析，得到协方差对称矩阵为：式中，t为转置符号；s203、对协方差对称矩阵构造hamilton矩阵为：s204、对hamilton矩阵进行平方得到另一hamilton矩阵为：s205、通过下式构造辛正交矩阵，对hamilton矩阵进行辛正交变换：式中，为实矩阵，为上三角矩阵，上三角矩阵的矩阵元素，其中，i、j分别为矩阵的行数和列数，矩阵、以及的特征值之间的关系表示为：
；为householder 矩阵，，其中，，；s206、利用qr分解计算上三角矩阵的特征值，记为，由上三角矩阵的特征值计算矩阵的特征值为：对矩阵的特征值进行向量化处理，得到相应的特征向量，记为；s207、通过矩阵的特征向量和轨迹矩阵x计算获得转换系数矩阵为：利用特征向量矩阵和转换系数矩阵计算得到重构矩阵：：表示初始单分量矩阵，，，其中，重构矩阵z为矩阵，由个初始单分量矩阵为组成；s208、对于任一初始单分量矩阵，定义矩阵的各元素为，其中，令，以及，其中，表示单分量矩阵的行和列的最小值，表示单分量矩阵的行和列的最大值，其中当时，取，当，取，其中，表示对角平均化转换矩阵计算元素值，对角平均化转换矩阵表示如下：
式中，表示对角平均化转换矩阵计算元素值，和分别表示对角平均化转换矩阵计算元素值的第行和第列，表示对角平均化转换矩阵第k个元素值；s209、由对角平均化转换矩阵将初始单分量矩阵转换为一维时间序列的单分量信号，记为，表示数据长度，1≤i≤d，依次对所有初始单分量矩阵进行对角平均化得到个一维时间序列，对个一维时间序列进行叠加，得到单分量总信号矩阵为：其中，单分量总信号矩阵y为一个矩阵；s210、将初始单分量按顺序组成一组维矢向量为，维矢向量为，表示从初始单分量中第个点开始连续的个的值；s211、定义矢量和间的距离为两者对应元素中差值最大的一个，即：式中，表示从初始单分量中第j个点开始连续的个的值，；，；s212、将与预设的阈值进行比对，其中，预设的阈值为0.1~0.25，其中，为单分量信号的标准差，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：，求其对维矢向量的平均值得：s213、将维数加1，依序号排列的顺序构成一组新的+1维矢向量为，+1维矢向量为，表示从第个点开始连续的+1个的值；s214、定义矢量和间的距离为两者对应元素中差值最大的一个，即：
式中，表示从第j个点开始连续的+1个的值，；，；s215、将与预设的阈值进行比对，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：求其对+1维矢向量的平均值得：则样本熵值的计算公式如下：s216、将样本熵值差的初始单分量加和处理，得到新的分量，即：式中，表示辛几何模态分解得到的分量，a表示第a个分量序列。3.根据权利要求1所述的基于辛几何模态分解的短期电力负荷预测方法，其特征在于，步骤s4具体包括：s401、建立回声状态网络为：s401、建立回声状态网络为：s401、建立回声状态网络为：其中，为输入维数，为内部神经元个数，l为输出维数，u(v)、x(v)、y(v)分别为回声状态网络的输入向量、状态向量及输出向量；s402、根据所述回声状态网络的输入向量、状态向量及输出向量，通过下式对所述回声状态网络进行训练得到：状态网络进行训练得到：式中，f()为内部神经元激活函数sigmoid，f
out
（）为输出层函数，w为内部状态到内部状态的连接权值矩阵，为随机生成的输入层到储备池
×
阶连接权重矩阵，为随
机生成的输出层反馈到储备池的
×
1阶连接权重矩阵，为储备池到输出层的l
×
(++l)阶输出权重矩阵；s403、通过维度竞争黏菌算法对所述回声状态网络进行优化，具体为：1）设置维度竞争黏菌算法黏菌个体总数u，最大迭代次数，比例参数z，递减参数，随机数，决定黏菌位置更新方式的参数，黏菌个体维数d，维度竞争概率pv，高斯变异概率；2）随机生成一组解作为初始参数来拟合维度竞争黏菌算法优化回声状态网络：其中，i=1,2,...,u；为储备池神经元规模，为谱半径，为稀疏度，为输入单元尺度，为输入单元位移，为输出单元尺度，为输出单元位移；3）通过初始参数虚拟探索目标空间，在目标空间t+1次迭代中，黏菌个体位置更新方式如下：如下：式中，和为搜索范围的上下边界，为之间的随机数，z为决定随机分布的黏菌个体占黏菌总体的比例参数，为当前发现的食物气味浓度最高位置，即最优解位置；为黏菌当前位置；和分别为从体中随机选取的两个个体的位置；为当前迭代次数；为系数，其值在之间随机振荡并随迭代次数的增加逐渐趋于0，其中，，为最大迭代次数；为从1到0的递减参数，为之间的随机数，为决定黏菌位置更新方式的参数，，表示第个黏菌个体的适应度值，表示当前迭代次数下黏菌的最优适应度值；适应度值计算公式如下：式中，、分别是用户侧短期电力负荷预测实际值和用户侧短期电力负荷预测预测输出值；g为训练样本数；
黏菌自适应权值的表达式为：式中，为之间的随机数，表示适应度值按升序排列后的个体位置索引，表示中排名前一半的种，表示当前迭代过程获得的最优适应度值，表示当前迭代过程获得的最差适应度值；4）对黏菌个体所有的维进行不重复两两随机配对，共d/2对，对任意一对维，若rand<pv，则根据下式对该对维进行维度交叉算子；pv，则根据下式对该对维进行维度交叉算子；；式中，为黏菌个体的第维和第维通过维度交叉产生的子代；为[0,1]之间的随机数，为维度交叉概率；5）根据下式计算子代与父代黏菌个体的适应度值，并更新黏菌个体位置，记录下当前的全局最优解；6）若，，则进入高斯变异算子，对最优个体进行高斯变异操作，进一步进行局部搜索，并更新的位置：的位置：式中，为高斯变异后的最优粒子，n(0,1)为均值为0、方差为1的高斯分布随机量；7）判断当前迭代次数是否达到最大迭代次数，若达到，迭代结束，输出最优解，否则，+1，返回步骤2）继续搜索，直至当前迭代次数达到最大迭代次数，迭代停止后，输出当前全局最优解，利用全局最优解更新回声状态网络的初始参数，得到初始电力负
荷预测模型。4.基于辛几何模态分解的短期电力负荷预测系统，其特征在于，包括：负荷获取模块，用于获取用户侧历史电力负荷，构建历史电力负荷时间序列；分解模块，用于采用辛几何模态对所述历史电力负荷时间序列进行分解，得到相应的多个负荷分量；划分模块，用于将所有负荷分量划分为训练数据集和测试数据集；网络构建模块，用于构建回声状态网络，通过维度竞争黏菌算法对所述回声状态网络进行优化，得到初始电力负荷预测模型；训练模块，用于将所述训练数据集中的负荷分量逐一输入至所述初始电力负荷预测模型进行训练，得到各个负荷分量对应的电力负荷预测子模型；预测模块，用于将所述测试数据集输入到所述电力负荷预测子模型进行预测，得到相应的负荷预测值；叠加模块，用于将所有负荷预测值进行叠加处理，得到最终的用户侧电力负荷预测结果。

技术总结

本发明涉及电力负荷处理技术领域，公开了一种基于辛几何模态分解的短期电力负荷预测方法及系统，其方法通过采用辛几何模态对历史电力负荷时间序列进行分解，得到相应的多个负荷分量，降低用户侧电力负荷时间序列的波动性对预测结果的影响，对各个分量分别建立维度竞争黏菌算法优化回声状态网络的预测模型，提高预测模型的稳定性和泛化能力，再叠加全部分量的预测值得到实际的用户侧电力负荷预测结果，提高了电力负荷的预测精度。提高了电力负荷的预测精度。提高了电力负荷的预测精度。