一种短期电力负荷预测方法
【技术领域】
[0001] 本发明涉及一种短期电力负荷预测方法，具体设置一种基于集合经验模态分解和 极限学习机的短期电力负荷预测方法。
【背景技术】
[0002] 短期负荷预测是电力系统负荷预测研究中的一项研究重点。短期负荷预测的精度 直接影响到电力系统安全经济稳定运行，对实现电网科学管理具有重大意义。近年来，负荷 预测技术已然取得了长足的进展，预测方法已经从传统方法发展到现代的人工智能预测技 术，负荷的预测精度也得到了相当的提高。然而，随着我国城镇化建设的发展，用户用电需 求将进一步增加，同时也为可再生分布式电源的规模化接入提供了可实施的外部环境。以 居民小区、商业楼宇、工业厂区为主体的用户侧微电网将成为促进可再生能源就地消纳利 用，发挥分布式电源效能的有效方式。短期负荷预测是用户侧微电网能量管理系统的重要 组成部分，是实现微电网优化调度的基础，预测结果将直接影响微电网运行策略与电能交 易。相关研究表明，较高的微电网负荷预测误差将导致运行成本大幅增加。因此，当前的短 期负荷预测方法已不能完全满足智能微电网的需求。
[0003]目前的负荷预测方法主要包括常规技术和人工智能方法，常规预测技术的原理比 较简单且相对容易实现，但这些方法缺乏建立全面统一地准确描述负荷变化特征的预测模 型的能力。与常规的预测方法相比，智能化方法在建立统一合理的负荷预测模型方面具有 很大的优势和潜力。但当前广泛采用的小波变化方法不能根据负荷样本数据的具体本身特 点选择合适的母小波及分解尺度，难以获得令人满意的分解结果和预测精度。另一方面，在 预测方法方面，当前广泛采用的人工神经网络方法存在过拟合及局部最优解的问题。
【发明内容】
[0004] 本发明的目的是提供一种短期电力负荷预测方法，用以解决现有的负荷预测方法 均各自存在一定缺陷的问题。
[0005] 为实现上述目的，本发明的方案包括一种短期电力负荷预测方法，包括以下步 骤：
[0006] (1)、采集若干天以及每天中的若干个时间点的电路负荷数据，构成原始负荷序 列；
[0007] (2)、对所述原始负荷序列进行集合经验模态分解，将原始负荷序列自适应地分解 为一系列特定周期成分的本征模态函数和一个残余量；
[0008] (3)、对于每一个分解得到的分量，分别采用极限学习机进行预测；利用极限学习 机针对每一个本征模态分量以及残余分量中连续日、相同时刻对应的负荷数据分别进行预 测模型建模，利用得到的预测模型进行电力负荷的预测；
[0009] (4)、通过线性叠加处理，给出最终预测结果。
[0010] 在所述对原始负荷序列进行集合经验模态分解之前，对原始负荷序列进行不良数 据处理。
[0011] 所述步骤（2)具体包括以下步骤：
[0012] 1)、初始化整体重复的执行次数Μ;
[0013] 2)、在原始负荷序列x(t)上添加白噪声ni(t)得到新的信号Xl(t)，计算公式为： xjt) =χ(?)+η"?)，
[0014] 其中，该白噪声服从（0,（ασ)2)的正态分布，σ=std(x(t))为信号的标准差， α为加性白噪声的强度参数，这里njt)为第i次添加的白噪声，Xl(t)是第i次添加白噪 声后所得到的新的信号，i= 1，2,…，Μ;
[0015] 3)、采用经验模态分解方法对新生成的信号Xl (t)进行分解得到一系列本征模态 函数，计算公式为：
[0017] 其中，S是经经验模态分解方法分解所得到的本征模态函数的个数，&s (t)是残余 量，cliS(t)是对第i次添加白噪声得到的信号进行经验模态分解后得到的第s个本征模态 函数，s= 1，2,…，S，i= 1，2,…，Μ;
[0018]4)、得到如下的本征模态函数的集合
[0019] 所述对原始负荷序列进行不良数据处理的步骤为：
[0020] 1)、剔除异常数据，进行数据的平滑；
[0021] 2)、对数据进行归一化。
[0022] 本发明提供的短期电力负荷预测方法中，采用的集合经验模态分解能够自适应的 将经不良数据处理的负荷序列分解为一系列本征模态分量，并且克服了传统经验模态分解 的端点效应问题。另一方面，极限学习机的泛化能力及计算速度优于当前普遍采用的人工 神经网络方法。
【附图说明】
[0023] 图1是短期电力负荷预测方法流程图；
[0024]图2是对原始负荷序列进行集合经验模态分解的流程图；
[0025]图3是始负荷序列进行集合经验模态分解的结果示意图；
[0026] 图4是某工作日预测负荷曲线与实际负荷曲线的比对图。
【具体实施方式】
[0027] 下面结合附图对本发明做进一步详细的说明。
[0028] 不发明提供一种短期电力负荷预测方法，如图1所示，包括以下步骤：
[0029] (1)、采集若干天以及每天中的若干个时间点的电路负荷数据，构成原始负荷序 列，并对原始负荷序列进行不良数据处理。
[0030] (2)、对所述原始负荷序列进行集合经验模态分解，将原始负荷序列自适应地分解 为一系列特定周期成分的本征模态函数和一个残余量；
[0031 ] 如图2所示，该步骤具体包括为：
[0032] 1)、初始化整体重复的执行次数Μ;
[0033] 2)、在原始负荷序列x(t)上添加白噪声ni(t)得到新的信号Xl(t)，计算公式为： xjt) =χ(?)+η"?)，
[0034] 其中，该白噪声服从（0,（αο)2)的正态分布，〇 =std(x(t))为信号的标准差， α为加性白噪声的强度参数，这里njt)为第i次添加的白噪声，Xl(t)是第i次添加白噪 声后所得到的新的信号，i= 1，2,…，Μ;
[0035] 3)、采用经验模态分解方法对新生成的信号Xl (t)进行分解得到一系列本征模态 函数，计算公式为：
[0037] 其中，S是经经验模态分解方法分解所得到的本征模态函数的个数，&s (t)是残余 量，cliS(t)是对第i次添加白噪声得到的信号进行经验模态分解后得到的第s个本征模态 函数，s= 1，2,…，S，i= 1，2,…，Μ;
[0038] 4)、得到如下的本征模态函数的集合
[0039] (3)、对于每一个分解得到的分量，分别采用极限学习机进行预测；利用极限学习 机针对每一个本征模态分量以及残余分量中连续日、相同时刻对应的负荷数据分别进行预 测模型建模。具体的过程可以参考极限学习机用来做回归的过程，由于极限学习机属于本 领域的公知常识，所以，这里不再赘述。
[0040] (4)、利用得到的预测模型进行电力负荷的预测。
[0041] (5)通过线性叠加处理，给出最终预测结果。
[0042] 上述步骤（2)中，添加白噪声的目的是为了消除经验模态分解（EMD)的端点效应 问题。端点效应的出现时由于在应用EMD方法时，在每一次的筛选过程中，要根据信号的上 下包络来计算信号的局部平均值；上下包络是由信号