一种改进的基于小波分析的短期电力负荷预测方法与流程

本发明涉及基于小波分析的短期电力负荷预测方法。

背景技术：

电力系统负荷预测是根据一定的电力负荷历史数据，研究电力负荷历史数据变化规律对未来负荷的影响，找出电力负荷与各种相关因素之间的内在外在联系，从而对未来的电力负荷进行科学合理的预测。短期负荷预测是电力负荷预测的重要组成部分之一，通常以日负荷曲线为预测对象，制定日前发电计划的基础，对于机组最优组合、经济调度、电力市场调节等方面都有十分重要的意义。

当前，短期电力负荷预测己成为电力部门的重要工作内容之一。合理的提高负荷预测技术水平，有利于计划用电管理、合理安排电网运行方式和发电机组检修计划、可以节煤、节油和降低发电成本、实时制定合理的电源建设规划、提高电力系统的经济效益和社会效益。因此，负荷预测已经成为实现电力系统管理现代化的重要内容之一。

对电力部门来说，电力设计和规划的核心问题之一就是研究和开发出一套能够准确反映当前与未来电力需求的变化和电力需要的发展趋势的系统，即能够准确预测短期电力负荷的系统，因此，在当前情势下研究一种电力负荷预测的方法和开发一套电力负荷预测系统都是相当重要的。

技术实现要素：

本发明是为了解决现有技术不能够准确预测短期电力负荷的问题，而提出的一种改进的基于小波分析的短期电力负荷预测方法。

一种基于小波分析的短期电力负荷预测方法按以下步骤实现：

步骤一：对样本数据进行预处理；

步骤二：进行样本数据的选取；

步骤三：对步骤二选取的样本数据进行归一化；

步骤四：建立小波回归分析预测模型；

步骤五：预测结果的分析与修正。

一种改进的基于小波分析的短期电力负荷预测方法按以下步骤实现：

步骤一：选取样本数据；

步骤二：对步骤一选取的样本数据进行伪数据监测并修正；

步骤三：确定样本集并进行归一化。

发明效果：

本发明方法可以得到更平滑、更准确的样本数据与预测点负荷相关性更强，预测更准确，预测误差更小，该方法具有重要的现实意义和应用前景。本发明合理的提高负荷预测技术水平，有利于计划用电管理、合理安排电网运行方式和发电机组检修计划、可以节煤、节油和降低发电成本、实时制定合理的电源建设规划、提高电力系统的经济效益和社会效益。

附图说明

图1为基于小波分析的短期电力负荷预测方法的流程图；

图2为改进的基于小波分析的短期电力负荷预测方法的流程图。

具体实施方式

具体实施方式一：如图1所示，一种基于小波分析的短期电力负荷预测方法包括以下步骤：

步骤一：对样本数据进行预处理；

步骤二：进行样本数据的选取；

步骤三：对步骤二选取的样本数据进行归一化；

步骤四：建立小波回归分析预测模型；

步骤五：预测结果的分析与修正。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中对样本数据进行预处理具体过程为：

利用这些样本数据之前，对其进行加工，去除不规则数据和填补缺失数据，消除不良数据或坏数据的影响，进一步的数据预处理还可以减短期电力负荷的智能化预测方法研究少输入向量容量，以避免由于样本容量增加和数据的不规范而引起的问题；

对样本数据进行加工，去除不规则数据和填补缺失数据，电力系统负荷数据的变化规律表示为：

其中Y为负荷真值，为观测值，V为噪声与随机干扰综合作用值；设V的均值为方差为σ²；选择阈值θ，当观测值与负荷真值Y的误差值大于θ时，则为不良数据，对进行数据预处理；当观测值与负荷真值Y的误差的绝对值小于θ时，则为正常观测数据。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中进行样本数据的选取的具体过程为：

利用相似日的历史负荷数据作为用于预测的历史负荷样本。因此，选择历史负荷样本的关键是相似日的选取。相似日选取的好坏对预测精度有直接的影响。采用了基于相关因素映射的相似日选取算法。

采用基于相关因素映射的相似日选取算法，该算法分为以下两部分：

（1）不同日之间相关因素特征量的计算：

引入各日的量化指标向量，X_i=[x_i1,x_i2,…,x_im]，为第i日的所有特征量的取值，设共有m个特征量，L_i=[l_i1,l_i2,…,l_it]为第i日的负荷曲线假设共有t个数据点，将第i日的所有量化指标记为D_i=[X_i,L_i]；描述任意两日由于特征量的差别而表现出的差异程度为差异度，设有i,j两天，其因素量化指标分别为X_i,Y_i，则用下述公式描述两天之间的差异度：

当q=2时，该差异度是二维空间中两点之间的距离；

（2）建立映射库

需要建立映射数据库，将每个相关因素通过各自的映射函数的离散化表示并集合在一起，形成映射数据库。映射数据库的构成包括原始定量指标如（温度，降雨量）和化分类为定量的指标（如星期类型，日分类），包括：

1）原始定量指标：温度（最高温度、最低温度、平均温度），降雨量，风速，相对湿度；

2）可转化为定量指标：日天气类型（阴，晴，多云，雨，雪，风），星期类型（周一，周二，…，周日），日期差（历史日与预测日相差天数，1天，2天等），日分类（正常日，元旦，国庆，春节）。当需要考虑新的特征量时，预测人员可自行加入。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤三中对步骤二选取的样本数据进行归一化的具体过程为：

（1）处理缺失数据，采用线性插值法对其进行描述；

（2）数据归一化，计算公式如下：

L_t,分别代表t时刻原始负荷数据值和归一化后的值，L_max，L_min分别为原始输出参数L_t的最大值和最小值；

（3）样本分类，包括历史数据，历史负荷具有周周期性需将预测日前一周的每日最大负荷数据P_max加入样本集；温度数据，据气温对历史负荷的影响需要将预测日当天的平均气温加入样本集；节假日数据，根据节假日属性对历史负荷的影响需要将预测日的节日属性H加入样本集；因此支持向量机的训练样本可以确定为10维的向量，包括P_max的7维，的1维和H的2维。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤四中建立小波回归分析预测模型的具体过程为：

（1）负荷分量分解

采用具有紧支撑和高正则性的Daubechies为小波函数,对经过预处理的实际历史负荷数据序列进行三级小波分解,以预测误差最小化为标准，经过多次数据实验,最终采用db4小波基对其进行3尺度分解,分别得到4个子序列：d1,d2,d3,c3，其中c3为低频序列，此序列已经滤除了原始序列中的部分奇异值和高频分量，可较好地体现其本质变化趋势，其余d1,d2,d3均为高频细节序列；

（2）基本分量的回归分析预测

对于反映系统基本的低频近似序列c3以及高频细节分量d2,d3和分别构造相应的回归分析模型进行预测。由于d1分量具有很强的随机性且其在整个负荷中所占的比例很小，故可以使用外推叠加法对其进行近似预测，根据回归分析建模的一般步骤，首先需要建立回归分析方程对各尺度分量序列进行线性化处理,本发明采用多元线性回归方程建立模型。其中,模型建立的关键是确定该回归方程的系数，利用矩阵解法求解，在给定自由度后，确定序列中各元素的置信区间，得到预测模型方程式。利用该预测模型方程式得到各分量的预测值后,对各分量的预测值进行重构得到最终负荷序列的预测值。

（3）变动分量的趋势外推预测

对于随机性强、周期性短的分量采用对超短周期序列预测较佳的趋势外推预测法进行预测。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤五中预测结果的分析与修正的具体过程为：

实现负荷预测值的输出，并在知道最近预测日的实际预测值之后对所做的预测进行精度分析，采用均方误差判断预测结果，采用均方误差是预测误差平方之和的平均数，它避免了正负不能相加的问题是误差分析的综合指标法之一。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：如图2所示，一种改进的基于小波分析的短期电力负荷预测方法包括以下步骤：

步骤一：选取样本数据；

步骤二：对步骤一选取的样本数据进行伪数据监测并修正；

步骤三：确定样本集并进行归一化。

具体实施方式八：本实施方式与具体实施方式七不同的是：所述步骤一中选取样本数据为欧洲智能技术网络提供的电网运行竞赛数据。

其它步骤及参数与具体实施方式一相同。

具体实施方式九：本实施方式与具体实施方式七或八不同的是：所述步骤二中对步骤一选取的样本数据进行伪数据监测并修正具体为：

利用步骤一选取的样本数据前对其进行加工，去除不规则数据和填补缺失数据，并进行数据的预处理。

其它步骤及参数与具体实施方式七或八相同。

具体实施方式十：本实施方式与具体实施方式七至九之一不同的是：所述步骤三中确定样本集并进行归一化的具体过程为：

步骤三一：处理缺失数据，采用线性插值法对其进行描述；

步骤三二：数据归一化，计算公式如下：

步骤三三：样本分类；包括历史数据，历史负荷具有周周期性需将预测日前一周的每日最大负荷数据P_max加入样本集；温度数据，据气温对历史负荷的影响需要将预测日当天的平均气温加入样本集；节假日数据，根据节假日属性对历史负荷的影响需要将预测日的节日属性H加入样本集；因此支持向量机的训练样本可以确定为10维的向量，包括P_max的7维，的1维和H的2维。

步骤三四：负荷分量分解；采用具有紧支撑和高正则性的Daubechies为小波函数,对经过预处理的实际历史负荷数据序列进行三级小波分解,以预测误差最小化为标准，经过多次数据实验,最终采用db4小波基对其进行3尺度分解,分别得到4个子序列：d1,d2,d3,c3，其中c3为低频序列，此序列已经滤除了原始序列中的部分奇异值和高频分量，可较好地体现其本质变化趋势，其余d1,d2,d3均为高频细节序列。

步骤三五：利用小波变换方法将负荷值分解为不同的分量并分别进行预测，将预测所得的分量合并后所得便是最终的负荷预测值，如果是基本分量，进行回归分析预测，对于反映系统基本的低频近似序列c3以及高频细节分量d2,d3和分别构造相应的回归分析模型进行预测。根据回归分析建模的一般步骤，首先需要建立回归分析方程对各尺度分量序列进行线性化处理，本发明采用多元线性回归方程建立模型。其中，模型建立的关键是确定该回归方程的系数，利用矩阵解法求解，在给定自由度后，确定序列中各元素的置信区间，得到预测模型方程式。利用该预测模型方程式得到各分量的预测值后，对各分量的预测值进行重构得到最终负荷序列的预测值。如果是变动分量，采用的趋周期外推预测，对于随机性强、周期性短的分量采用对超短周期序列预测较佳的周期外推预测法进行预测。处理完成后，将分量进行合并。

步骤三六：判断参数是否符合要求，若符合要求，则保存数据；若不符合要求，则进行人工修正后保存数据。

其它步骤及参数与具体实施方式七至九之一相同。