一种基于VMD-GWO-HKELM的企业电力能耗预测方法

技术领域

本发明涉及一种企业电力能耗预测方法，尤其是涉及一种基于VMD-GWO-HKELM的企业电力能耗预测方法。

背景技术

随着我国经济的爆发式增长，人们生活水平逐渐提高，能源消耗也逐步增加。能耗预测目前已在各个行业中得到广泛应用，比如钢铁制造行业、造纸行业等等。资源的不合理分配、较低的能耗预测准确率都会给企业带来资源浪费，因此，高精度的能耗预测模型已成为企业能源管控平台的重中之重。有不少学者提出基于BP神经网络、支持向量机等模型的企业能耗预测方法，但是以上模型都存在一定的局限性，存在收敛速度过慢和易陷入局部极值的问题。

经过检索，中国发明专利公开号CN114692947A公开了一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法，该方法包括如下步骤：首先采用变分模态分解(VMD)算法对用电能耗数据进行预处理，将原始数据序列信号分解成K个不同的子序列；再通过Lasso算法对每一个用电能耗子序列进行数据变量筛选，筛选出具有代表性的预测变量，将其作为预测模型的输入；最后用卷积神经网络(CNN)对长短期记忆神经网络(LSTM)进行改进，将Lasso算法的输出作为CNN-LSTM的输入对用电能耗数据进行预测；以MPAE作为评估指标，在测试集上验证该用电能耗预测方法的准确率。该现有专利存在预测精度和稳定性的问题。

如何实现高稳定性、高精度的企业能耗预测，成为需要解决的技术问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于VMD-GWO-HKELM的企业电力能耗预测方法。

本发明的目的可以通过以下技术方案来实现：

根据本发明的一个方面，提供了一种基于VMD-GWO-HKELM的企业电力能耗预测方法，该方法包括以下步骤：

步骤S1，利用变分模态分解VMD方法对企业电力能耗数据序列进行分解，获得具有不同特征规律的子序列；

步骤S2，构建混合核极限学习机HKELM模型；

步骤S3，结合灰狼优化算法GWO，构建GWO-HKLEM模型；

步骤S4，将步骤S1分解后的数据输入到GWO-HKELM模型中，并将每个子序列的预测结果相加得到最终的预测结果。

优选地，所述的步骤S1的过程具体为：

原始能耗数据为f(t)，运用VMD进行信号分解的约束表达式定义如下式：

其中，{u

其中，λ为Lagrange算子，α为二次惩罚因子；

采用ADMM寻优迭代后可得到模态分量u

其中，参数γ表示噪声容忍度，

采用VMD方法进行分解，包括以下三个过程：

(1)初始化

(2)更新参数u

(3)判断是否满足终止条件

优选地，所述的步骤S2中，所述的HKELM为高斯核函数、多项式核函数与ELM结合形成的模型。

优选地，所述HKELM的构建过程具体为：

假设D个训练样本(x

其中，x表示输入数据向量，f(x)表示网络输出，h(x)和H表示隐藏层的映射矩阵，β表示隐藏层与输出层之间的权值；

引入对角矩阵I

β＝H

其中，y＝[y

KELM的核矩阵Ω

用核矩阵Ω

结合高斯核函数和多项式核函数构建更具有泛化能力的HKELM模型，混合核函数计算公式如下：

其中，σ、m、n和d为混合核参数，λ为多项式核函数的权系数。

优选地，所述的步骤S3中，GWO-HKLEM模型为采用灰狼优化算法GWO，对HKELM模型参数进行优化后构建的模型。

更加优选地，所述采用灰狼优化算法GWO，对HKELM模型参数进行优化的具体流程为:

步骤S601，将企业能耗数据划分为训练集和测试集，并进行归一化处理；

步骤S602，初始化灰狼优化算法GWO参数，包括种群规模、迭代次数、参数优化区间；

步骤S603，计算灰狼优化算法GWO的适应度值，将灰狼分为α狼、β狼和δ狼带领ω狼，并根据公式更新灰狼位置，适应度值计算公式如下：

其中，D表示训练样本数；

步骤S604：判断是否达到最大迭代次数，若为是，则输入最优灰狼个体作为最优参数；否则，返回步骤S603；

步骤S605：将最优参数赋予HKELM模型，对模型进行训练，得到优化后的模型。

更加优选地，所述灰狼优化算法GWO具体为：

将狼群分为α狼、β狼、δ狼和ω狼，其中，α狼为领导狼，β狼听从并协助α狼，δ狼听从α狼和β狼并支配下属狼群，ω狼则是听从以上狼群的支配；

α狼、β狼和δ狼代表最优适应度值个体，其他狼群为ω狼；

在捕食过程中，狼群的位置更新公式如下式：

其中，

当找到最优解时，由α狼、β狼和δ狼带领ω狼围剿猎物，其位置更新方式为下式所示：

其中，

优选地，所述步骤S4中，所述步骤S4中的VMD-GWO-HKELM模型的评价指标包括均方根误差RMSE、平均绝对误差MAE和拟合度R

其中，

优选地，所述VMD-GWO-HKELM模型的输入变量包括：

a)预测日前一天的企业能耗数据；

b)预测日前一天的天气数据、星期类型；

c)预测日当天的天气数据、星期类型；

其中天气类型包括平均温度、最高温度、最低温度和相对湿度。

优选地，所述VMD-GWO-HKELM模型的输出变量为预测日当天的企业能耗数据。

与现有技术相比，本发明具有以下有益效果：

1.本发明通过利用变分模态分解法对企业电力能耗数据进行分解，可以获得不同子序列的原始特征，降低了原始电力能耗数据的随机性。

2.本发明针对KELM模型泛化能力较弱的问题，结合高斯核函数和多项式核函数，构造泛化能力更强的混合核极限学习机HKELM，针对HKELM模型的预测性能由模型参数难以抉择的问题，采用灰狼优化算法GWO对其参数进行优化选择，提出了一种基于灰狼优化算法GWO优化HKELM的企业电力能耗预测模型GWO-HKLEM，增强了模型预测的稳定性，提高了预测精度。

附图说明

图1为本发明中基于VMD-GWO-HKELM的企业电力能耗预测方法流程图；

图2为本发明中构建GWO-HKELM模型的流程图；

图3为本发明中狼群支配关系图；

图4为本发明中VMD分解图；

图5为本发明中KELM模型实际值与预测值对比图；

图6为本发明中HKELM模型实际值与预测值对比图；

图7为本发明中VMD-HKELM模型实际值与预测值对比图；

图8为本发明中VMD-PSO-HKELM模型实际值与预测值对比图；

图9为本发明中VMD-GWO-HKELM模型实际值与预测值对比图。

具体实施方式

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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本实施例涉及一种基于VMD-GWO-HKELM的企业电力能耗预测方法，其流程如图1所示，

首先利用VMD对企业电力能耗数据序列进行分解，获得具有不同特征规律的子序列，以降低企业电力能耗原始数据的随机性；

变分模态分解(VMD)是一种自适应、完全非递归的模态分解和信号处理方法。VMD可以将不规律的、非平稳的复杂原始能耗数据一次性分解为多个特征各异的模态分量。假设原始企业电力能耗数据为f(t)，运用VMD进行信号分解的约束表达式定义如下：

上式中：{u

式中，λ为Lagrange算子；α为二次惩罚因子。

采用ADMM寻优迭代后可得到模态分量u

式中：n+1表示迭代次数，参数γ表示噪声容忍度，可以满足VMD信号分解的保真度，

采用VMD进行求解可以分为以下几个过程：

(1)初始化

(2)更新参数u

(3)运行精度收敛判断依据ε＞0使得结果满足要求，如果不满足

然后，通过结合高斯核函数和多项式核函数,构建更具有泛化能力的HKELM模型，同时针对HKELM模型中参数难以抉择的问题，采用GWO对其参数进行优化选择，并构建GWO-HKLEM模型；

极限学习机(ELM)作为一种新型单隐藏层的前馈神经网络算法，具有学习速度快，泛化能力强等优点，被广泛用于处理回归拟合问题上。假设给出D个训练样本{(x

其中，x表示输入数据向量，f(x)表示网络输出，h(x)和H表示隐藏层的映射矩阵，β表示隐藏层与输出层之间的权值。

为使模型拥有更好的泛化能力，引入对角矩阵I

β＝H

式中，y＝[y

为了进一步增强模型的稳定性，Huang等引入核方法，KELM的核矩阵Ω

KELM用核矩阵Ω

常用的核函数分为局部核函数和全局核函数，如果采用单一核函数，会存在一定的局限性，因此本文将多项式核函数(全局核函数)与高斯核函数(局部核函数)与ELM进行融合形成HKELM，混合核函数计算公式如下：

其中，σ、m、n和d为混合核参数，λ为多项式核函数的权系数。

然后，针对HKELM模型中参数难以抉择的问题，采用GWO对其参数进行优化选择，并构建GWO-HKLEM模型；

灰狼优化算法是由Mirjalili等人于2014年提出的一种新型智能优化算法，具有参数少、收敛速度快、易于实现等特点。其原理主要是将狼群分为α狼、β狼、δ狼和ω狼。其中，α狼为领导狼，β狼听从并协助α狼，δ狼听从α狼和β狼并支配下属狼群，ω狼则是听从以上狼群的支配。其支配关系如图3所示。

α狼、β狼和δ狼代表最优适应度值个体，其他狼群为ω狼。在捕食过程中，狼群的位置更新公式为：

式中，

当找到最优解时，由α狼、β狼和δ狼带领ω狼围剿猎物，其位置更新方式为：

式中，

采用灰狼优化算法GWO，对HKELM模型参数进行优化，并构建GWO-HKELM模型的具体流程如图2所示:

步骤S601，将企业能耗数据划分为训练集和测试集，并进行归一化处理；

步骤S602，初始化灰狼优化算法GWO参数，包括种群规模、迭代次数、参数优化区间；

步骤S603，计算灰狼优化算法GWO的适应度值，将灰狼分为α狼、β狼和δ狼带领ω狼，并根据公式更新灰狼位置，适应度值计算公式如下：

其中，D表示训练样本数；

步骤S604：判断是否达到最大迭代次数，若为是，则输入最优灰狼个体作为最优参数；否则，返回步骤S603；

步骤S605：将最优参数赋予HKELM模型，对模型进行训练，得到优化后的模型。

最后，将分解后的数据输入到GWO-HKELM模型中，并将每个子序列的预测结果相加得到最终的预测结果。

将KELM、HKELM、VMD-HKELM、VMD-PSO-HKELM和VMD-GWO-HKELM模型的预测结果进行对比分析。

基于VMD-GWO-HKELM的企业能耗预测包括以下步骤：

步骤1：采用变分模态分解法对企业电力能耗数据进行分解，根据多次实验结果可知，α设为2000，K设为5。

步骤2：将分解后的企业电力能耗数据分别划分为训练集和测试集并进行归一化处理.

步骤3：初始化参数，灰狼优化算法参数，包括种群规模、迭代次数、参数优化区间等.

步骤4：计算灰狼算法的适应度值，将灰狼分为α狼、β狼和δ狼带领ω狼，并更具公式更新灰狼位置，适应度值计算公式如下：

其中，D表示训练样本数；

步骤5：判断是否达到最大迭代次数，若达到最大迭代次数，输入最优灰狼个体(最优参数)，否则，返回步骤3。

步骤6：将最优参数赋予HKELM模型，对模型进行训练，得到优化后的模型。

步骤7：输入测试数据，采用GWO-HKELM模型进行预测，并将预测数据进行叠加得到最终企业电力能耗数据。

步骤8：选用均方根误差、平均绝对误差和拟合度作为VMD-GWO-HKELM模型的评价指标。

本发明实验数据选择某厂区2015年2月13日到5月20日的电力能耗数据，共计97天数据，精度为1小时，天气数据包括当前的平均温度、最高温度、最低温度、相对湿度、星期类型，选择前96天数据进行训练，最后一天进行预测。

采用VMD算法对电力能耗数据进行分解，根据多次实验结果可知，α设为2000，K设为5。电力能耗数据经过VMD分解如图4所示。

本发明将KELM、HKELM、VMD-HKELM、VMD-PSO-HKELM和VMD-GWO-HKELM预测模型的预测结果与真实值进行了对比分析，

其中：

KELM选择的径向基核函数，σ取10，C取10；

HKLEM模型参数λ＝0.5、σ＝10、m＝1、n＝1，C＝10；

VMD-PSO-HKELM中c1和c2取1.5，ω＝0.8，种群规模为50，最大迭代次数为100；

VMD-GWO-HKELM，种群规模为50，最大迭代次数为100，

各模型的预测结果如图5～图9所示，评价指标值如表1所示。

表1各模型预测结果评价指标值

由表1可以看出，VMD-GWO-HKELM模型的RMSE和MAE均为最小，R

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。