技術(shù)特征：

1.一種基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法包括以下步驟：

步驟一：對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理；

步驟二：進(jìn)行樣本數(shù)據(jù)的選取；

步驟三：對(duì)步驟二選取的樣本數(shù)據(jù)進(jìn)行歸一化；

步驟四：建立小波回歸分析預(yù)測(cè)模型；

步驟五：預(yù)測(cè)結(jié)果的分析與修正。

2.根據(jù)權(quán)利要求1所述的一種基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟一中對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理具體過程為：

對(duì)樣本數(shù)據(jù)進(jìn)行加工，去除不規(guī)則數(shù)據(jù)和填補(bǔ)缺失數(shù)據(jù)，電力系統(tǒng)負(fù)荷數(shù)據(jù)的變化規(guī)律表示為：

$Y=\hat{Y}+V---\left(1\right)$

其中Y為負(fù)荷真值，為觀測(cè)值，V為噪聲與隨機(jī)干擾綜合作用值；設(shè)V的均值為方差為σ²；選擇閾值θ，當(dāng)觀測(cè)值與負(fù)荷真值Y的誤差值大于θ時(shí)，則為不良數(shù)據(jù)，對(duì)進(jìn)行數(shù)據(jù)預(yù)處理；當(dāng)觀測(cè)值與負(fù)荷真值Y的誤差的絕對(duì)值小于θ時(shí)，則為正常觀測(cè)數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的一種基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟二中進(jìn)行樣本數(shù)據(jù)的選取的具體過程為：

采用基于相關(guān)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(guān)因素特征量的計(jì)算：

引入各日的量化指標(biāo)向量，X_i＝[x_i1,x_i2,…,x_im]，為第i日的所有特征量的取值，設(shè)共有m個(gè)特征量，L_i＝[l_i1,l_i2,…,l_it]為第i日的負(fù)荷曲線假設(shè)共有t個(gè)數(shù)據(jù)點(diǎn)，將第i日的所有量化指標(biāo)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(shè)有i,j兩天，其因素量化指標(biāo)分別為X_i,Y_i，則用下述公式描述兩天之間的差異度：

$d_{ij}=\sqrt[q]{\underset{k=1}{\overset{m}{\Σ}}|x_{ik}-x_{jk}{|}^q}---\left(2\right)$

當(dāng)q＝2時(shí)，該差異度是二維空間中兩點(diǎn)之間的距離；

(2)建立映射庫(kù)

建立映射數(shù)據(jù)庫(kù)，將每個(gè)相關(guān)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(kù)；映射數(shù)據(jù)庫(kù)的構(gòu)成包括原始定量指標(biāo)和可轉(zhuǎn)化的定量指標(biāo)；

原始定量指標(biāo)包括溫度、降雨量、風(fēng)速和相對(duì)濕度；

可轉(zhuǎn)化為定量指標(biāo)包括日天氣類型、星期類型、日期差和日分類。

4.根據(jù)權(quán)利要求3所述的一種基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟三中對(duì)步驟二選取的樣本數(shù)據(jù)進(jìn)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(duì)其進(jìn)行描述；

(2)數(shù)據(jù)歸一化，計(jì)算公式如下：

${\hat{L}}_t=(L_t-L_{\min })/(1.5L_{\max }-L_{\min })---\left(3\right)$

L_t,分別代表t時(shí)刻原始負(fù)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)，將預(yù)測(cè)日前一周的每日最大負(fù)荷數(shù)據(jù)P_max加入樣本集；將預(yù)測(cè)日當(dāng)天的平均氣溫加入樣本集；將預(yù)測(cè)日的節(jié)日屬性H加入樣本集；支持向量機(jī)的訓(xùn)練樣本確定為10維的向量，包括P_max的7維，的1維和H的2維。

5.根據(jù)權(quán)利要求4所述的一種基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟四中建立小波回歸分析預(yù)測(cè)模型的具體過程為：

(1)負(fù)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(duì)經(jīng)過預(yù)處理的實(shí)際歷史負(fù)荷數(shù)據(jù)序列進(jìn)行三級(jí)小波分解，以預(yù)測(cè)誤差最小化為標(biāo)準(zhǔn)，采用db4小波基對(duì)其進(jìn)行3尺度分解，分別得到4個(gè)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，其余d1,d2,d3均為高頻細(xì)節(jié)序列；

(2)基本分量的回歸分析預(yù)測(cè)

對(duì)于反映系統(tǒng)基本的低頻近似序列c3以及高頻細(xì)節(jié)分量d2,d3和分別構(gòu)造相應(yīng)的回歸分析模型進(jìn)行預(yù)測(cè)；使用外推疊加法對(duì)d1進(jìn)行近似預(yù)測(cè)，首先建立回歸分析方程對(duì)各尺度分量序列進(jìn)行線性化處理，采用多元線性回歸方程建立模型；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(yù)測(cè)模型方程式；利用該預(yù)測(cè)模型方程式得到各分量的預(yù)測(cè)值后，對(duì)各分量的預(yù)測(cè)值進(jìn)行重構(gòu)得到最終負(fù)荷序列的預(yù)測(cè)值；

(3)變動(dòng)分量的周期外推預(yù)測(cè)

采用周期外推預(yù)測(cè)法進(jìn)行預(yù)測(cè)。

6.根據(jù)權(quán)利要求5所述的一種基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟五中預(yù)測(cè)結(jié)果的分析與修正的具體過程為：

采用均方誤差判斷預(yù)測(cè)結(jié)果，采用均方誤差是預(yù)測(cè)誤差平方之和的平均數(shù)。

7.一種改進(jìn)的基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法包括以下步驟：

步驟一：選取樣本數(shù)據(jù)；

步驟二：對(duì)步驟一選取的樣本數(shù)據(jù)進(jìn)行偽數(shù)據(jù)監(jiān)測(cè)并修正；

步驟三：確定樣本集并進(jìn)行歸一化。

8.根據(jù)權(quán)利要求7所述的一種改進(jìn)的基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟一中選取樣本數(shù)據(jù)為歐洲智能技術(shù)網(wǎng)絡(luò)提供的電網(wǎng)運(yùn)行競(jìng)賽數(shù)據(jù)。

9.根據(jù)權(quán)利要求8所述的一種改進(jìn)的基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟二中對(duì)步驟一選取的樣本數(shù)據(jù)進(jìn)行偽數(shù)據(jù)監(jiān)測(cè)并修正具體為：

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

10.根據(jù)權(quán)利要求9所述的一種改進(jìn)的基于小波分析的短期電力負(fù)荷預(yù)測(cè)方法，其特征在于，所述步驟三中確定樣本集并進(jìn)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(duì)其進(jìn)行描述；

步驟三二：數(shù)據(jù)歸一化，計(jì)算公式如下：

${\hat{L}}_t=(L_t-L_{\min })/(1.5L_{\max }-L_{\min })---\left(3\right)$

步驟三三：樣本分類；

步驟三四：負(fù)荷分量分解；

步驟三五：利用小波變換方法將負(fù)荷值分解為不同的分量并分別進(jìn)行預(yù)測(cè)，將預(yù)測(cè)所得的分量合并后得到最終的負(fù)荷預(yù)測(cè)值，若是基本分量，進(jìn)行回歸分析預(yù)測(cè)，對(duì)于反映系統(tǒng)基本的低頻近似序列c3以及高頻細(xì)節(jié)分量d2,d3和分別構(gòu)造相應(yīng)的回歸分析模型進(jìn)行預(yù)測(cè)；使用外推疊加法對(duì)d1進(jìn)行近似預(yù)測(cè)，首先建立回歸分析方程對(duì)各尺度分量序列進(jìn)行線性化處理，采用多元線性回歸方程建立模型；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(yù)測(cè)模型方程式；利用該預(yù)測(cè)模型方程式得到各分量的預(yù)測(cè)值后，對(duì)各分量的預(yù)測(cè)值進(jìn)行重構(gòu)得到最終負(fù)荷序列的預(yù)測(cè)值；若是變動(dòng)分量，采用的趨周期外推預(yù)測(cè)，處理完成后，將分量合并；

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(jìn)行人工修正后保存數(shù)據(jù)。