本發(fā)明涉及基于小波分析的短期電力負荷預測方法。

背景技術：

電力系統(tǒng)負荷預測是根據(jù)一定的電力負荷歷史數(shù)據(jù)，研究電力負荷歷史數(shù)據(jù)變化規(guī)律對未來負荷的影響，找出電力負荷與各種相關因素之間的內(nèi)在外在聯(lián)系，從而對未來的電力負荷進行科學合理的預測。短期負荷預測是電力負荷預測的重要組成部分之一，通常以日負荷曲線為預測對象，制定日前發(fā)電計劃的基礎，對于機組最優(yōu)組合、經(jīng)濟調度、電力市場調節(jié)等方面都有十分重要的意義。

當前，短期電力負荷預測己成為電力部門的重要工作內(nèi)容之一。合理的提高負荷預測技術水平，有利于計劃用電管理、合理安排電網(wǎng)運行方式和發(fā)電機組檢修計劃、可以節(jié)煤、節(jié)油和降低發(fā)電成本、實時制定合理的電源建設規(guī)劃、提高電力系統(tǒng)的經(jīng)濟效益和社會效益。因此，負荷預測已經(jīng)成為實現(xiàn)電力系統(tǒng)管理現(xiàn)代化的重要內(nèi)容之一。

對電力部門來說，電力設計和規(guī)劃的核心問題之一就是研究和開發(fā)出一套能夠準確反映當前與未來電力需求的變化和電力需要的發(fā)展趨勢的系統(tǒng)，即能夠準確預測短期電力負荷的系統(tǒng)，因此，在當前情勢下研究一種電力負荷預測的方法和開發(fā)一套電力負荷預測系統(tǒng)都是相當重要的。

技術實現(xiàn)要素：

本發(fā)明是為了解決現(xiàn)有技術不能夠準確預測短期電力負荷的問題，而提出的一種改進的基于小波分析的短期電力負荷預測方法。

一種基于小波分析的短期電力負荷預測方法按以下步驟實現(xiàn)：

步驟一：對樣本數(shù)據(jù)進行預處理；

步驟二：進行樣本數(shù)據(jù)的選?。?/p>

步驟三：對步驟二選取的樣本數(shù)據(jù)進行歸一化；

步驟四：建立小波回歸分析預測模型；

步驟五：預測結果的分析與修正。

一種改進的基于小波分析的短期電力負荷預測方法按以下步驟實現(xiàn)：

步驟一：選取樣本數(shù)據(jù)；

步驟二：對步驟一選取的樣本數(shù)據(jù)進行偽數(shù)據(jù)監(jiān)測并修正；

步驟三：確定樣本集并進行歸一化。

發(fā)明效果：

本發(fā)明方法可以得到更平滑、更準確的樣本數(shù)據(jù)與預測點負荷相關性更強，預測更準確，預測誤差更小，該方法具有重要的現(xiàn)實意義和應用前景。本發(fā)明合理的提高負荷預測技術水平，有利于計劃用電管理、合理安排電網(wǎng)運行方式和發(fā)電機組檢修計劃、可以節(jié)煤、節(jié)油和降低發(fā)電成本、實時制定合理的電源建設規(guī)劃、提高電力系統(tǒng)的經(jīng)濟效益和社會效益。

附圖說明

圖1為基于小波分析的短期電力負荷預測方法的流程圖；

圖2為改進的基于小波分析的短期電力負荷預測方法的流程圖。

具體實施方式

具體實施方式一：如圖1所示，一種基于小波分析的短期電力負荷預測方法包括以下步驟：

步驟一：對樣本數(shù)據(jù)進行預處理；

步驟二：進行樣本數(shù)據(jù)的選??；

步驟三：對步驟二選取的樣本數(shù)據(jù)進行歸一化；

步驟四：建立小波回歸分析預測模型；

步驟五：預測結果的分析與修正。

具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟一中對樣本數(shù)據(jù)進行預處理具體過程為：

利用這些樣本數(shù)據(jù)之前，對其進行加工，去除不規(guī)則數(shù)據(jù)和填補缺失數(shù)據(jù)，消除不良數(shù)據(jù)或壞數(shù)據(jù)的影響，進一步的數(shù)據(jù)預處理還可以減短期電力負荷的智能化預測方法研究少輸入向量容量，以避免由于樣本容量增加和數(shù)據(jù)的不規(guī)范而引起的問題；

對樣本數(shù)據(jù)進行加工，去除不規(guī)則數(shù)據(jù)和填補缺失數(shù)據(jù)，電力系統(tǒng)負荷數(shù)據(jù)的變化規(guī)律表示為：

其中Y為負荷真值，為觀測值，V為噪聲與隨機干擾綜合作用值；設V的均值為方差為σ²；選擇閾值θ，當觀測值與負荷真值Y的誤差值大于θ時，則為不良數(shù)據(jù)，對進行數(shù)據(jù)預處理；當觀測值與負荷真值Y的誤差的絕對值小于θ時，則為正常觀測數(shù)據(jù)。

其它步驟及參數(shù)與具體實施方式一相同。

具體實施方式三：本實施方式與具體實施方式一或二不同的是：所述步驟二中進行樣本數(shù)據(jù)的選取的具體過程為：

利用相似日的歷史負荷數(shù)據(jù)作為用于預測的歷史負荷樣本。因此，選擇歷史負荷樣本的關鍵是相似日的選取。相似日選取的好壞對預測精度有直接的影響。采用了基于相關因素映射的相似日選取算法。

采用基于相關因素映射的相似日選取算法，該算法分為以下兩部分：

（1）不同日之間相關因素特征量的計算：

引入各日的量化指標向量，X_i=[x_i1,x_i2,…,x_im]，為第i日的所有特征量的取值，設共有m個特征量，L_i=[l_i1,l_i2,…,l_it]為第i日的負荷曲線假設共有t個數(shù)據(jù)點，將第i日的所有量化指標記為D_i=[X_i,L_i]；描述任意兩日由于特征量的差別而表現(xiàn)出的差異程度為差異度，設有i,j兩天，其因素量化指標分別為X_i,Y_i，則用下述公式描述兩天之間的差異度：

當q=2時，該差異度是二維空間中兩點之間的距離；

（2）建立映射庫

需要建立映射數(shù)據(jù)庫，將每個相關因素通過各自的映射函數(shù)的離散化表示并集合在一起，形成映射數(shù)據(jù)庫。映射數(shù)據(jù)庫的構成包括原始定量指標如（溫度，降雨量）和化分類為定量的指標（如星期類型，日分類），包括：

1）原始定量指標：溫度（最高溫度、最低溫度、平均溫度），降雨量，風速，相對濕度；

2）可轉化為定量指標：日天氣類型（陰，晴，多云，雨，雪，風），星期類型（周一，周二，…，周日），日期差（歷史日與預測日相差天數(shù)，1天，2天等），日分類（正常日，元旦，國慶，春節(jié)）。當需要考慮新的特征量時，預測人員可自行加入。

其它步驟及參數(shù)與具體實施方式一或二相同。

具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：所述步驟三中對步驟二選取的樣本數(shù)據(jù)進行歸一化的具體過程為：

（1）處理缺失數(shù)據(jù)，采用線性插值法對其進行描述；

（2）數(shù)據(jù)歸一化，計算公式如下：

L_t,分別代表t時刻原始負荷數(shù)據(jù)值和歸一化后的值，L_max，L_min分別為原始輸出參數(shù)L_t的最大值和最小值；

（3）樣本分類，包括歷史數(shù)據(jù)，歷史負荷具有周周期性需將預測日前一周的每日最大負荷數(shù)據(jù)P_max加入樣本集；溫度數(shù)據(jù)，據(jù)氣溫對歷史負荷的影響需要將預測日當天的平均氣溫加入樣本集；節(jié)假日數(shù)據(jù)，根據(jù)節(jié)假日屬性對歷史負荷的影響需要將預測日的節(jié)日屬性H加入樣本集；因此支持向量機的訓練樣本可以確定為10維的向量，包括P_max的7維，的1維和H的2維。

其它步驟及參數(shù)與具體實施方式一至三之一相同。

具體實施方式五：本實施方式與具體實施方式一至四之一不同的是：所述步驟四中建立小波回歸分析預測模型的具體過程為：

（1）負荷分量分解

采用具有緊支撐和高正則性的Daubechies為小波函數(shù),對經(jīng)過預處理的實際歷史負荷數(shù)據(jù)序列進行三級小波分解,以預測誤差最小化為標準，經(jīng)過多次數(shù)據(jù)實驗,最終采用db4小波基對其進行3尺度分解,分別得到4個子序列：d1,d2,d3,c3，其中c3為低頻序列，此序列已經(jīng)濾除了原始序列中的部分奇異值和高頻分量，可較好地體現(xiàn)其本質變化趨勢，其余d1,d2,d3均為高頻細節(jié)序列；

（2）基本分量的回歸分析預測

對于反映系統(tǒng)基本的低頻近似序列c3以及高頻細節(jié)分量d2,d3和分別構造相應的回歸分析模型進行預測。由于d1分量具有很強的隨機性且其在整個負荷中所占的比例很小，故可以使用外推疊加法對其進行近似預測，根據(jù)回歸分析建模的一般步驟，首先需要建立回歸分析方程對各尺度分量序列進行線性化處理,本發(fā)明采用多元線性回歸方程建立模型。其中,模型建立的關鍵是確定該回歸方程的系數(shù)，利用矩陣解法求解，在給定自由度后，確定序列中各元素的置信區(qū)間，得到預測模型方程式。利用該預測模型方程式得到各分量的預測值后,對各分量的預測值進行重構得到最終負荷序列的預測值。

（3）變動分量的趨勢外推預測

對于隨機性強、周期性短的分量采用對超短周期序列預測較佳的趨勢外推預測法進行預測。

其它步驟及參數(shù)與具體實施方式一至四之一相同。

具體實施方式六：本實施方式與具體實施方式一至五之一不同的是：所述步驟五中預測結果的分析與修正的具體過程為：

實現(xiàn)負荷預測值的輸出，并在知道最近預測日的實際預測值之后對所做的預測進行精度分析，采用均方誤差判斷預測結果，采用均方誤差是預測誤差平方之和的平均數(shù)，它避免了正負不能相加的問題是誤差分析的綜合指標法之一。

其它步驟及參數(shù)與具體實施方式一至五之一相同。

具體實施方式七：如圖2所示，一種改進的基于小波分析的短期電力負荷預測方法包括以下步驟：

步驟一：選取樣本數(shù)據(jù)；

步驟二：對步驟一選取的樣本數(shù)據(jù)進行偽數(shù)據(jù)監(jiān)測并修正；

步驟三：確定樣本集并進行歸一化。

具體實施方式八：本實施方式與具體實施方式七不同的是：所述步驟一中選取樣本數(shù)據(jù)為歐洲智能技術網(wǎng)絡提供的電網(wǎng)運行競賽數(shù)據(jù)。

其它步驟及參數(shù)與具體實施方式一相同。

具體實施方式九：本實施方式與具體實施方式七或八不同的是：所述步驟二中對步驟一選取的樣本數(shù)據(jù)進行偽數(shù)據(jù)監(jiān)測并修正具體為：

利用步驟一選取的樣本數(shù)據(jù)前對其進行加工，去除不規(guī)則數(shù)據(jù)和填補缺失數(shù)據(jù)，并進行數(shù)據(jù)的預處理。

其它步驟及參數(shù)與具體實施方式七或八相同。

具體實施方式十：本實施方式與具體實施方式七至九之一不同的是：所述步驟三中確定樣本集并進行歸一化的具體過程為：

步驟三一：處理缺失數(shù)據(jù)，采用線性插值法對其進行描述；

步驟三二：數(shù)據(jù)歸一化，計算公式如下：

步驟三三：樣本分類；包括歷史數(shù)據(jù)，歷史負荷具有周周期性需將預測日前一周的每日最大負荷數(shù)據(jù)P_max加入樣本集；溫度數(shù)據(jù)，據(jù)氣溫對歷史負荷的影響需要將預測日當天的平均氣溫加入樣本集；節(jié)假日數(shù)據(jù)，根據(jù)節(jié)假日屬性對歷史負荷的影響需要將預測日的節(jié)日屬性H加入樣本集；因此支持向量機的訓練樣本可以確定為10維的向量，包括P_max的7維，的1維和H的2維。

步驟三四：負荷分量分解；采用具有緊支撐和高正則性的Daubechies為小波函數(shù),對經(jīng)過預處理的實際歷史負荷數(shù)據(jù)序列進行三級小波分解,以預測誤差最小化為標準，經(jīng)過多次數(shù)據(jù)實驗,最終采用db4小波基對其進行3尺度分解,分別得到4個子序列：d1,d2,d3,c3，其中c3為低頻序列，此序列已經(jīng)濾除了原始序列中的部分奇異值和高頻分量，可較好地體現(xiàn)其本質變化趨勢，其余d1,d2,d3均為高頻細節(jié)序列。

步驟三五：利用小波變換方法將負荷值分解為不同的分量并分別進行預測，將預測所得的分量合并后所得便是最終的負荷預測值，如果是基本分量，進行回歸分析預測，對于反映系統(tǒng)基本的低頻近似序列c3以及高頻細節(jié)分量d2,d3和分別構造相應的回歸分析模型進行預測。根據(jù)回歸分析建模的一般步驟，首先需要建立回歸分析方程對各尺度分量序列進行線性化處理，本發(fā)明采用多元線性回歸方程建立模型。其中，模型建立的關鍵是確定該回歸方程的系數(shù)，利用矩陣解法求解，在給定自由度后，確定序列中各元素的置信區(qū)間，得到預測模型方程式。利用該預測模型方程式得到各分量的預測值后，對各分量的預測值進行重構得到最終負荷序列的預測值。如果是變動分量，采用的趨周期外推預測，對于隨機性強、周期性短的分量采用對超短周期序列預測較佳的周期外推預測法進行預測。處理完成后，將分量進行合并。

步驟三六：判斷參數(shù)是否符合要求，若符合要求，則保存數(shù)據(jù)；若不符合要求，則進行人工修正后保存數(shù)據(jù)。

其它步驟及參數(shù)與具體實施方式七至九之一相同。