本發(fā)明屬于電力系統(tǒng)
技術(shù)領(lǐng)域：
，具體涉及一種基于連續(xù)功率譜分析的電力負荷預測優(yōu)化方法。
背景技術(shù)：
：電力系統(tǒng)負荷是指系統(tǒng)中所有用電設(shè)備消耗功率的總和，也稱電力系統(tǒng)綜合用電負荷。綜合用電負荷加上電網(wǎng)中的損耗和發(fā)電廠的廠用電，就是系統(tǒng)中所有發(fā)電機應發(fā)的總功率，也稱電力系統(tǒng)發(fā)電負荷。電力負荷是影響系統(tǒng)安全穩(wěn)定運行的重要因素。電力負荷預測是指通過對電力負荷歷史記錄的分析研究，綜合考慮影響電力負荷變化的各種因素，如社會發(fā)展規(guī)劃、經(jīng)濟狀況、氣象變化因素以及節(jié)假日等，對未來電力負荷的發(fā)展做出預先估計。電力負荷預測是電力系統(tǒng)規(guī)劃、計劃、調(diào)度、用電的依據(jù)。提高電力負荷預測技術(shù)水平，有利于制定合理的電源建設(shè)規(guī)劃，有利于合理安排電網(wǎng)運行方式和機組檢修計劃，有利于節(jié)煤、節(jié)油和降低發(fā)電成本，有利于計劃用電管理，有利于提高電力系統(tǒng)的經(jīng)濟效益和社會效益。因此，電力負荷預測是實現(xiàn)電力系統(tǒng)管理現(xiàn)代化的重要內(nèi)容之一。由于受天氣情況和人們社會活動等因素的影響，電力負荷數(shù)據(jù)存在大量的隨機性和非線性關(guān)系，影響電力負荷時間序列的因素可劃分為內(nèi)在隨機因素和外在隨機因素，其中外在因素包括氣象、社會、經(jīng)濟等，而內(nèi)在因素是由電力系統(tǒng)內(nèi)部非線性因素影響的結(jié)果，電力負荷是系統(tǒng)內(nèi)在和外在隨機性影響因素共同作用的結(jié)果，其預測不準確的原因不僅僅是外在隨機因素的影響，更重要的是由系統(tǒng)內(nèi)在動力學特征所決定。為此，涌現(xiàn)了多種預報方法，從一般統(tǒng)計模型，如arima時間序列模型、灰色模型等到各類智能模型，如神經(jīng)網(wǎng)絡(luò)模型、支持向量機模型等等，算法的改進有望提高電力負荷的預報精度，但最根本的還是在于所使用的預測方法對于數(shù)據(jù)的學習和泛化性能。電力負荷受人類生產(chǎn)生活影響具有明顯的規(guī)律性，但這種規(guī)律性中又存在大量的隨機性，影響模型的學習和泛化能力。技術(shù)實現(xiàn)要素：為了解決上述技術(shù)問題，本發(fā)明旨在提供一種基于連續(xù)功率譜分析的電力負荷預測優(yōu)化方法，通過連續(xù)功率譜分析，提取原始電力負荷時間序列中隱含的顯著周期序列并分離得到殘差序列，由于顯著周期序列占原序列比重大，并且規(guī)律性強，因此可以高精度預測，而殘差序列由于占原序列比重小因而誤差有限，從而保證了可以有效提高電力負荷預報的精度。實現(xiàn)上述技術(shù)目的，達到上述技術(shù)效果，本發(fā)明通過以下技術(shù)方案實現(xiàn)：一種基于連續(xù)功率譜分析的電力負荷預測優(yōu)化方法，包括讀入原始采樣電力負荷時間序列，并按預報間隔要求將其轉(zhuǎn)換為平均電力負荷時間序列，然后計算出平均電力負荷時間序列的距平序列；采用連續(xù)功率譜分析方法，提取平均電力負荷時間序列的距平序列中隱含的顯著周期序列，并分離得到殘差序列；采用粒子群算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)對顯著周期序列進行預測，獲得各顯著周期序列的預測結(jié)果；采用粒子群算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)對殘差序列的一階差分序列進行預測，后經(jīng)差分反運算得到殘差序列的預測結(jié)果；將平均電力負荷時間序列的平均值與各顯著周期序列的預測結(jié)果以及殘差序列的預測結(jié)果相加獲得最終預測結(jié)果。進一步地，所述原始采樣電力負荷時間序列為p＝{p(i),i＝1,2,...,n}，其中n為原始電力負荷采樣點個數(shù)；所述平均電力負荷時間序列為p’＝{p’(j),j＝1,2,...,m}，其中m為按預報間隔要求轉(zhuǎn)換后的平均電力負荷序列的采樣點個數(shù)，p’的平均值為令所述平均電力負荷時間序列的距平序列為進一步地，所述顯著周期序列為{p1,p2,…,pk,…,pk}，其中k為p中隱含的顯著周期序列的個數(shù)，pk＝{pk(1),pk(2),…,pk(m)}，其中pk(1),pk(2),…,pk(m)分別為顯著周期序列pk的值；所述殘差序列為r＝p-p1-p2-…-pk。進一步地，所述采用連續(xù)功率譜分析方法，提取平均電力負荷時間序列的距平序列中隱含的顯著周期序列，具體為：利用連續(xù)功率譜方法，分析平均電力負荷時間序列的距平序列的顯著周期帶，并利用快速傅立葉變換的頻域濾波方法提取各顯著周期帶對應的時間序列，從而獲得顯著周期序列。進一步地，所述采用基于粒子群算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)對顯著周期序列進行預測的具體過程為：(1)依據(jù)kolmogorov定理，建立3層bp神經(jīng)網(wǎng)絡(luò)模型，設(shè)輸入層神經(jīng)元個數(shù)為i，隱含層神經(jīng)元個數(shù)為h，輸出層神經(jīng)元個數(shù)為o；其中，h＝2*i+1，o＝1；(2)確定需要優(yōu)化的參數(shù)，包括：bp神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)i和訓練集的長度l，還包括：w＝(w(1),w(2),...,w(q))，q＝i*h+h*o+h+o，其中，w(1)～w(i*h)為bp神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層神經(jīng)元的連結(jié)權(quán)值，w(i*h+1)～w(i*h+h*o)為bp神經(jīng)網(wǎng)絡(luò)的隱含層至輸出層神經(jīng)元的連結(jié)權(quán)值，w(i*h+h*o+1)～w(i*h+h*o+h)為bp神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的閾值，w(i*h+h*o+h+1)～w(i*h+h*o+h+o)為bp神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的閾值；(3)初始化種群x＝(x1,x2,...,xq1)，其中q1為粒子的總數(shù)，第i個粒子為xi＝(ii,wi,li)，粒子速度為vi＝(vii,vwi,vli)，其中ii、wi、li為參數(shù)i、w、l一組備選解；(4)根據(jù)群體中的每個粒子xi＝(ii,wi,li)確定的參數(shù)，構(gòu)造bp神經(jīng)網(wǎng)絡(luò)訓練集的輸入和輸出矩陣，其中針對顯著周期序列pk及bp神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)ii首先建立矩陣z1和z2，其中：針對待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓練集長度l，z1中最后的li列作為訓練集的輸入矩陣itrain，z2中最后的li列作為訓練集的輸出矩陣otrain；將預報步長l作為測試步長，z1中最后的l列作為測試集的輸入矩陣itest，z2中最后的l列作為測試集的輸出矩陣otest；根據(jù)訓練集構(gòu)造的bp神經(jīng)網(wǎng)絡(luò)對測試集模擬結(jié)果的誤差平方和作為其適應度值，以適應度值最小為優(yōu)化方向作為評價標準評判各個粒子的優(yōu)劣，記錄粒子xi當前個體極值為pbest(i)，取群體中pbest(i)最優(yōu)的個體作為整體極值gbest；(5)群體中的每個粒子xi，分別對其位置和速度進行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當前迭代次數(shù)，r1、r2為分布于[0,1]的隨機數(shù)；(6)重新計算各個粒子此時的目標函數(shù)值，更新pbest(i)和gbest；(7)判斷是否達到最大迭代次數(shù)，如滿足則結(jié)束優(yōu)化過程，獲得經(jīng)粒子群算法優(yōu)化得到的參數(shù)最優(yōu)值為(ibest,wbest(wbest(1),wbest(2),...,wbest(q)),lbest)，否則返回步驟(4)；(8)按ibest、wbest(wbest(1),wbest(2),...,wbest(q))、lbest構(gòu)造bp神經(jīng)網(wǎng)絡(luò)訓練集z3和測試集z4并初始化bp神經(jīng)網(wǎng)絡(luò)連結(jié)權(quán)值和閾值，其中：wbest(1)～wbest(i*h)為bp神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層神經(jīng)元的連結(jié)權(quán)值的初始值，wbest(i*h+1)～wbest(i*h+h*o)為bp神經(jīng)網(wǎng)絡(luò)的隱含層至輸出層神經(jīng)元的連結(jié)權(quán)值的初始值，wbest(i*h+h*o+1)～wbest(i*h+h*o+h)為bp神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的閾值的初始值，wbest(i*h+h*o+h+1)～wbest(i*h+h*o+h+o)為bp神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的閾值的初始值，就此建立起bp神經(jīng)網(wǎng)絡(luò)模型，經(jīng)訓練后進行迭代的l步預測，并獲得對應的預測結(jié)果。進一步地，所述采用粒子群優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)對殘差序列的一次差分序列進行預測，具體過程為：(1)確定需優(yōu)化參數(shù)，包括：rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)i和訓練集的長度l；(2)初始化種群其中q2為粒子的總數(shù)，第i個粒子為xi＝(ii,li)，粒子速度為其中ii,li為參數(shù)i、l一組備選解；(3)根據(jù)群體中的每個粒子確定的參數(shù)，構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓練集的輸入和輸出矩陣，其中針對殘差序列r及rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)ii首先建立矩陣z5和z6，其中：針對待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓練集長度l，z5中最后的li列作為訓練集的輸入矩陣itrain，z6中最后的li列作為訓練集的輸出矩陣otrain；將預報步長l作為測試步長，z5中最后的l列作為測試集的輸入矩陣itest，z6中最后的l列作為測試集的輸出矩陣otest；根據(jù)訓練集構(gòu)造的rbf神經(jīng)網(wǎng)絡(luò)對測試集模擬結(jié)果的誤差平方和作為其適應度值，以適應度值最小為優(yōu)化方向作為評價標準評判各個粒子的優(yōu)劣，記錄粒子xi當前個體極值為pbest(i)，取群體中pbest(i)最優(yōu)的個體作為整體極值gbest；(4)群體中的每個粒子xi，分別對其位置和速度進行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當前迭代次數(shù)，而r1、r2為分布于[0,1]的隨機數(shù)；(5)重新計算各個粒子此時的目標函數(shù)值，更新pbest(i)和gbest；(6)判斷是否達到最大迭代次數(shù)，如滿足則結(jié)束優(yōu)化過程，獲得經(jīng)粒子群算法優(yōu)化得到的參數(shù)最優(yōu)值為(ibest,lbest)，否則返回步驟(3)。(7)按ibest和lbest構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓練集z7和測試集z8，其中：就此建立起rbf神經(jīng)網(wǎng)絡(luò)模型，經(jīng)訓練后進行迭代的l步預測，并獲得對應的預測結(jié)果。進一步地，所述慣性權(quán)重ω＝0.5，加速度因子c1＝c2＝1.49445。本發(fā)明的有益效果：(1)經(jīng)連續(xù)功率譜分析提取的電力負荷顯著周期序列由于規(guī)律性強，因此可以高精度的進行預測，而且顯著周期序列在原電力負荷序列中所占比重較大，因此奠定了較高精度預測的基礎(chǔ)；剔除了周期信號后的殘差序列一方面由于在整體電力負荷序列中的比重不大，另一方面由于在處理的過程中進行了一次差分運算而變得平穩(wěn)，其預測誤差相對有限，因此本發(fā)明所提出的將電力負荷序列經(jīng)連續(xù)功率譜分析，分解為多個顯著周期序列和單個殘差序列，進而對各個顯著周期序列和殘差序列分別進行預測的方法可以大大提高整體預測效果。(2)針對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇不一對于預報性能的影響，本發(fā)明針對電力負荷序列分離出的顯著周期序列和殘差序列的特點，分別采用bp神經(jīng)網(wǎng)絡(luò)和rbf神經(jīng)網(wǎng)絡(luò)，并對于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，訓練集規(guī)模采用粒子群算法進行優(yōu)化，顯著改善了神經(jīng)網(wǎng)絡(luò)的泛化性能，最終提高了預測精度。附圖說明圖1為本發(fā)明的基于連續(xù)功率譜分析的電力負荷預測優(yōu)化方法的流程圖；圖2為原始電力負荷序列圖；圖3為平均電力負荷時間序列的距平序列的連續(xù)功率譜分析結(jié)果圖；圖4為平均電力負荷時間序列的距平序列提取的顯著周期序列及分離的殘差序列圖；圖5(a)為本發(fā)明方法的一步預測結(jié)果圖；圖5(b)為本發(fā)明方法的二步預測結(jié)果圖；圖5(c)為本發(fā)明方法的三步預測結(jié)果圖；圖6(a)為針對原始電力負荷序列建立粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)一步預測結(jié)果圖；圖6(b)為針對原始電力負荷序列建立粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)二步預測結(jié)果圖；圖6(c)為針對原始電力負荷序列建立粒子群優(yōu)化rbf神經(jīng)網(wǎng)絡(luò)三步預測結(jié)果圖圖7(a)為針對原始電力負荷序列建立的arima時間序列模型一步預測結(jié)果圖；圖7(b)為針對原始電力負荷序列建立的arima時間序列模型二步預測結(jié)果圖；圖7(c)為針對原始電力負荷序列建立的arima時間序列模型三步預測結(jié)果圖。具體實施方式為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。下面結(jié)合附圖對本發(fā)明的應用原理作詳細的描述。本發(fā)明的一種基于連續(xù)功率譜分析的電力負荷預測優(yōu)化方法，采用連續(xù)功率譜分析方法，提取電力負荷時間序列中隱含的顯著周期序列并分離得到殘差序列，采用基于粒子群算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)對顯著周期序列進行預測，獲得各顯著周期序列的預測結(jié)果，采用粒子群算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)對殘差序列的一階差分序列進行預測，后經(jīng)差分反運算得到殘差序列的預測結(jié)果，最后將平均電力負荷時間序列的平均值與各顯著周期序列的預測結(jié)果以及殘差序列的預測結(jié)果相加獲得最終預測結(jié)果。如圖1所示，具體地，包括以下步驟：s1，讀入原始采樣電力負荷時間序列，并按預報間隔要求將其轉(zhuǎn)換為平均電力負荷時間序列，然后計算出平均電力負荷時間序列的距平序列；所述原始采樣電力負荷時間序列為p＝{p(i),i＝1,2,...,n}，其中n為原始電力負荷采樣點個數(shù)；所述平均電力負荷序列為p’＝{p’(j),j＝1,2,...,m}，其中m為按預報間隔要求轉(zhuǎn)換后的平均電力負荷序列的采樣點個數(shù)，p’的平均值為令所述平均電力負荷時間序列的距平序列為s2，采用連續(xù)功率譜分析方法，提取平均電力負荷時間序列的距平序列中隱含的顯著周期序列，并分離得到殘差序列；所述顯著周期序列為{p1,p2,…,pk,…,pk}，其中k為p中隱含的顯著周期序列的個數(shù)，pk＝{pk(1),pk(2),…,pk(m)}，其中pk(1),pk(2),…,pk(m)分別為顯著周期序列pk的值；所述殘差序列為r＝p-p1-p2-…-pk；因此，p＝p1+p2+…+pk+r。上述的提取過程，具體如下：假設(shè)一離散時間序列為xt，其中t＝0,1,...,n-1，共n個采樣點，時間間隔δt＝1，應用連續(xù)功率譜估計方法，分析該離散時間序列的顯著周期帶，并利用傅立葉變換fft的頻域濾波方法提取各顯著周期帶對應的時間序列，具體包括以下步驟：(1)確定連續(xù)功率譜值首先計算xt連續(xù)功率譜粗譜估計值：其中：為h波數(shù)對應的連續(xù)功率譜粗譜估計值，h為波數(shù)，h＝0,1,…m，m＝n/8，r(τ)為時間序列xt的落后時間長度為τ的自相關(guān)系數(shù)：其中，和s分別為離散時間序列xt的平均值和標準差。為了消除粗譜估計值的小波動，對(1)式進行漢寧平滑，平滑后為連續(xù)功率譜值(即圖3實線所示)為：s0為0波數(shù)對應的連續(xù)功率譜值；sh為h波數(shù)對應的連續(xù)功率譜值，sm為m波數(shù)對應的連續(xù)功率譜值。(2)確定分析周期h波數(shù)對應的周期為：(即圖3橫坐標對應的周期點)，本發(fā)明實施例中考慮m＝n8，則(3)連續(xù)功率譜信度檢驗將式(3)所得連續(xù)功率譜值與紅噪音譜值進行比較，判斷其顯著性。假設(shè)式(3)所得連續(xù)功率譜值為某一非周期性過程譜值，h波數(shù)對應的連續(xù)功率譜值sh與平均紅噪音譜值之比遵從被其自由度ν去除的χ2分布：其中平均紅噪音譜值為：式中，為式(3)中計算所得的所有波數(shù)的連續(xù)功率譜值的平均值，r(1)為xt落后時間長度為1的自相關(guān)系數(shù)，而自由度ν為：本發(fā)明實施例選取在0.05顯著性水平下，當時，該波數(shù)的譜值是顯著的，則該周期波動是顯著的，為圖3中虛線檢驗線。(4)提取周期帶對應的時間序列周期帶的確定：取步驟(3)所選顯著連續(xù)功率譜值左右兩側(cè)各第一個低于紅噪音檢測線的周期點，組成周期帶，此周期帶為顯著周期帶，其中圖3中左側(cè)第一低于紅噪音檢測線的點定為周期帶的上界，圖3中右側(cè)第一低于紅噪音檢測線的點定為周期帶的下界。周期帶對應的時間序列的提?。罕景l(fā)明實施例采用中國科學院測量與地球物理研究所開發(fā)的地學數(shù)據(jù)處理程序庫whiggf90lib(wfl)，通過應用該軟件的傅立葉變換fft的頻域濾波子程序，來提取周期帶對應的時間序列，該子程序為：callfft_filter(n,x,dt,per1,per2,fil_method,xout)其中n為總采樣點個數(shù)，x即為xt，dt為采樣時間間隔δt，per1為提取周期帶下界，per2為提取周期帶上界，fil_method為濾波類型，這里取“band”，指代為帶狀周期，xout為提取的顯著周期帶對應的時間序列。s3，采用基于粒子群優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)對顯著周期序列進行預測，其具體過程為；(1)依據(jù)kolmogorov定理，一個3層bp神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對任意非線性函數(shù)進行逼近，因此，本發(fā)明實施例建立3層bp神經(jīng)網(wǎng)絡(luò)模型，設(shè)輸入層神經(jīng)元個數(shù)為i，隱含層神經(jīng)元個數(shù)為h，輸出層神經(jīng)元個數(shù)為o；其中，h＝2*i+1，o＝1；(2)確定需要優(yōu)化的參數(shù)，包括：bp神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)i和訓練集的長度l，還包括：w＝(w(1),w(2),...,w(q))，q＝i*h+h*o+h+o，其中，w(1)～w(i*h)為bp神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層神經(jīng)元的連結(jié)權(quán)值，w(i*h+1)～w(i*h+h*o)為bp神經(jīng)網(wǎng)絡(luò)的隱含層至輸出層神經(jīng)元的連結(jié)權(quán)值，w(i*h+h*o+1)～w(i*h+h*o+h)為bp神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的閾值，w(i*h+h*o+h+1)～w(i*h+h*o+h+o)為bp神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的閾值；(3)初始化種群x＝(x1,x2,...,xq1)，其中q1為粒子的總數(shù)，第i個粒子為xi＝(ii,wi,li)，粒子速度為vi＝(vii,vwi,vli)，其中ii、wi、li為參數(shù)i、w、l一組備選解；(4)根據(jù)群體中的每個粒子xi＝(ii,wi,li)確定的參數(shù)，構(gòu)造bp神經(jīng)網(wǎng)絡(luò)訓練集的輸入和輸出矩陣，其中針對顯著周期序列pk及bp神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)ii首先建立矩陣z1和z2，其中：針對待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓練集長度l，z1中最后的li列作為訓練集的輸入矩陣itrain，z2中最后的li列作為訓練集的輸出矩陣otrain；將預報步長l作為測試步長，z1中最后的l列作為測試集的輸入矩陣itest，z2中最后的l列作為測試集的輸出矩陣otest；根據(jù)訓練集構(gòu)造的bp神經(jīng)網(wǎng)絡(luò)對測試集模擬結(jié)果的誤差平方和作為其適應度值，以適應度值最小為優(yōu)化方向作為評價標準評判各個粒子的優(yōu)劣，記錄粒子xi當前個體極值為pbest(i)，取群體中pbest(i)最優(yōu)的個體作為整體極值gbest；(5)群體中的每個粒子xi，分別對其位置和速度進行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當前迭代次數(shù)，r1、r2為分布于[0,1]的隨機數(shù)；(6)重新計算各個粒子此時的目標函數(shù)值，更新pbest(i)和gbest；(7)判斷是否達到最大迭代次數(shù)，如滿足則結(jié)束優(yōu)化過程，獲得經(jīng)粒子群算法優(yōu)化得到的參數(shù)最優(yōu)值為(ibest,wbest(wbest(1),wbest(2),...,wbest(q)),lbest)，否則返回步驟(4)；(8)按ibest、wbest(wbest(1),wbest(2),...,wbest(q))、lbest構(gòu)造bp神經(jīng)網(wǎng)絡(luò)訓練集z3和測試集z4并初始化bp神經(jīng)網(wǎng)絡(luò)連結(jié)權(quán)值和閾值，其中：wbest(1)～wbest(i*h)為bp神經(jīng)網(wǎng)絡(luò)的輸入層至隱含層神經(jīng)元的連結(jié)權(quán)值的初始值，wbest(i*h+1)～wbest(i*h+h*o)為bp神經(jīng)網(wǎng)絡(luò)的隱含層至輸出層神經(jīng)元的連結(jié)權(quán)值的初始值，wbest(i*h+h*o+1)～wbest(i*h+h*o+h)為bp神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的閾值的初始值，wbest(i*h+h*o+h+1)～wbest(i*h+h*o+h+o)為bp神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元的閾值的初始值，就此建立起bp神經(jīng)網(wǎng)絡(luò)模型，經(jīng)訓練后進行迭代的l步預測，并獲得對應的預測結(jié)果。s4，采用粒子群優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)對殘差序列的一階差分序列進行預測，具體過程為：(1)確定需優(yōu)化參數(shù)，包括：rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)i和訓練集的長度l；(2)初始化種群其中q2為粒子的總數(shù)，第i個粒子為xi＝(ii,li)，粒子速度為其中ii,li為參數(shù)i、l一組備選解；(3)根據(jù)群體中的每個粒子xi(ii,li)確定的參數(shù)，構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓練集的輸入和輸出矩陣，其中針對殘差序列r及rbf神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元個數(shù)ii首先建立矩陣z5和z6，其中：針對待優(yōu)化神經(jīng)網(wǎng)絡(luò)訓練集長度l，z5中最后的li列作為訓練集的輸入矩陣itrain，z6中最后的li列作為訓練集的輸出矩陣otrain；將預報步長l作為測試步長，z5中最后的l列作為測試集的輸入矩陣itest，z6中最后的l列作為測試集的輸出矩陣otest；根據(jù)訓練集構(gòu)造的rbf神經(jīng)網(wǎng)絡(luò)對測試集模擬結(jié)果的誤差平方和作為其適應度值，以適應度值最小為優(yōu)化方向作為評價標準評判各個粒子的優(yōu)劣，記錄粒子xi當前個體極值為pbest(i)，取群體中pbest(i)最優(yōu)的個體作為整體極值gbest；(4)群體中的每個粒子xi，分別對其位置和速度進行更新；式中：ω為慣性權(quán)重，c1、c2為加速度因子，g為當前迭代次數(shù)，而r1、r2為分布于[0,1]的隨機數(shù)；(5)重新計算各個粒子此時的目標函數(shù)值，更新pbest(i)和gbest；(6)判斷是否達到最大迭代次數(shù)，如滿足則結(jié)束優(yōu)化過程，獲得經(jīng)粒子群算法優(yōu)化得到的參數(shù)最優(yōu)值為(ibest,lbest)，否則返回步驟(3)。(7)按ibest和lbest構(gòu)造rbf神經(jīng)網(wǎng)絡(luò)訓練集z7和測試集z8，其中：就此建立起rbf神經(jīng)網(wǎng)絡(luò)模型，經(jīng)訓練后進行迭代的l步預測，并獲得對應的預測結(jié)果。s5，將平均電力負荷時間序列的平均值與各顯著周期序列的預測結(jié)果以及殘差序列的預測結(jié)果相加獲得最終預測結(jié)果。實施例二按照實施例一中的步驟s1-s5，取某電網(wǎng)采集的小時級別的原始電力負荷時間序列，具體參見圖2，由于本發(fā)明實例的目的為小時級別的短期預報，因此無需對原始電力負荷數(shù)據(jù)做任何調(diào)整就可以直接使用，即p’(i)＝p(i)，i＝1,2,...,n。本實施例中取p’(i)前1680個點為訓練數(shù)據(jù)，預測其后的50個點，并以相對百分比誤差mape為指標考查算法的有效性，即：其中，y(i)和p’(i)分別為電力負荷預測值和采樣值，l為預測步長。圖3所示為平均電力負荷時間序列的距平序列p的連續(xù)功率譜分析結(jié)果，發(fā)現(xiàn)該電網(wǎng)電力負荷序列具有12和24小時為極值點的2個顯著周期帶，取其極值點左右兩側(cè)各第一個低于檢測線的周期點，組成周期帶，此周期帶為顯著周期帶，所述的檢測線為圖3中的虛線，在本實施例中，2個顯著周期帶分別為[21.8,26.7]和[11.4，12.6]，采用傅立葉變換fft的頻域濾波的方法，提取此2個周期帶對應的時間序列，分別為p1、p2，并得到對應的殘差序列r，由此p＝p1+p2+r，見圖4?？梢姡?個顯著周期序列的規(guī)律性極強，可以較高精度的預測；另一方面，雖然針對殘差的預測誤差不可避免，但經(jīng)計算，殘差r的能量(方差)占比p的能量(方差)為28.56％，下降顯著，因此，針對殘差的預測誤差要遠遠小于直接對于p進行預測的誤差。雖然神經(jīng)網(wǎng)絡(luò)具有強大的非線性擬合能力和快速的學習能力，但如何選擇恰當?shù)纳窠?jīng)網(wǎng)絡(luò)模型，確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、訓練集和測試集仍主要靠人工經(jīng)驗或者試湊，其普適性較差。通過對提取的顯著周期序列分析發(fā)現(xiàn)，雖然其具有明顯的周期變化特點且序列光滑平順，但其中序列的振幅和相位隨時間細微的變化，更適合容錯能力較強的bp神經(jīng)網(wǎng)絡(luò)，而殘差序列經(jīng)一階差分后呈現(xiàn)圍繞0軸波動，更適合于rbf神經(jīng)網(wǎng)絡(luò)，因此本發(fā)明實施例對提取的顯著周期序列p1、p2采用基于粒子群算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)模型，而對于殘差序列r則采用基于粒子群算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)。對p1、p2采用基于粒子群算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)模型，取輸入層神經(jīng)元個數(shù)的范圍為[5,14]，訓練集的長度為[50,1650]，神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的范圍為[-3,3]，粒子群種群規(guī)模是50，迭代30次。對于r則采用基于粒子群算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)，取輸入層神經(jīng)元個數(shù)的范圍為[5,20]，訓練集的長度為[50,1650]，粒子群種群規(guī)模是50，迭代30次。表1所示為進行3步預測時，針對顯著周期序列p1、p2和殘差r的輸入層神經(jīng)元個數(shù)i和訓練集長度l兩個參數(shù)的優(yōu)化結(jié)果，對于p1、p2建立的bp神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的優(yōu)化結(jié)果由于參數(shù)過多而不一一列出。表1本實施例進行了總預測步長為50的1步、2步和3步預測實驗，預測結(jié)果如圖5(a)-(c)所示，表2為預測誤差統(tǒng)計?？梢?，隨著預測步長的增加，整體預測精度有所下降，但總體誤差小于5％，預測結(jié)果較為滿意。表21步預測2步預測3步預測mape0.03990.04360.0434對比實驗1為了驗證本發(fā)明提出的優(yōu)化策略對實驗結(jié)果的影響，對比實驗1對原始電力負荷序列p’直接進行一次差分運算，之后建立粒子群算法優(yōu)化的rbf神經(jīng)網(wǎng)絡(luò)，取輸入層神經(jīng)元個數(shù)的范圍為[5,25]，訓練集的長度為[50,1650]，粒子群種群規(guī)模是50，迭代30次。表3所示為進行3步預測時，針對原始電力負荷序列p’建立的rbf神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化結(jié)果。表3同樣的，對比實驗1進行了總預測步長為50的1步、2步和3步預測實驗，預測結(jié)果如圖6(a)-(c)所示，表4為預測誤差統(tǒng)計，對比表2可見，其1～3步預測的平均誤差比表2增加了60.44％。表41步預測2步預測3步預測mape0.03950.07080.0933若不對p’進行一次差分運算，隨意選取rbf神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)i和訓練集長度l，最終的預測誤差差異會很大，本發(fā)明實施例選取兩組不同i和l對最終的預測誤差的影響加以說明，如表5所示。表5兩組不同參數(shù)的對比實驗其1～3步預測的平均誤差比表2增加了47.68％和170.61％。此組對比實驗效果不好顯示出神經(jīng)網(wǎng)絡(luò)參數(shù)的選擇對于神經(jīng)網(wǎng)絡(luò)的學習能力和泛化造成巨大的影響，使得直接采用神經(jīng)網(wǎng)絡(luò)建模效果并不好。對比實驗2針對原始電力負荷序列建立差分自回歸移動平均模型(autoregressiveintegratedmovingaveragemodel，arima)模型。選取預測點前100個采樣數(shù)據(jù)點，通過aic準則定階法確定arima模型的結(jié)構(gòu)，同樣的，對比實驗2進行了總預測步長為50的1步、2步和3步預測實驗，預測結(jié)果如圖7(a)-(c)所示，表6為預測誤差統(tǒng)計，對比表2可見，其1～3步預測的平均誤差比表2增加了136.25％。表61步預測2步預測3步預測mape0.01690.14860.1343綜上所述：經(jīng)連續(xù)功率譜分析提取的電力負荷顯著周期序列規(guī)律性強，因此可以高精度的進行預測，而且顯著周期序列在原序列中所占比重較大，因此奠定了較高精度預測的基礎(chǔ)；剔除了顯著周期序列后的殘差序列由于在原序列中比重不大，因此預測誤差相對有限。本發(fā)明所提出的將電力負荷序列經(jīng)連續(xù)功率譜分析，分解為多個顯著周期序列和單個殘差序列，進而對各個顯著周期序列和殘差序列分別進行預測的方法可以大大提高整體預測效果。以上顯示和描述了本發(fā)明的基本原理和主要特征和本發(fā)明的優(yōu)點。本行業(yè)的技術(shù)人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等效物界定。當前第1頁12