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

技术特征：

1.一种基于小波分析的短期电力负荷预测方法，其特征在于，所述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。

2.根据权利要求1所述的一种基于小波分析的短期电力负荷预测方法，其特征在于，所述步骤一中对样本数据进行预处理具体过程为：

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：

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

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。

3.根据权利要求2所述的一种基于小波分析的短期电力负荷预测方法，其特征在于，所述步骤二中进行样本数据的选取的具体过程为：

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：

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

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

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和可转化的定量指标；

原始定量指标包括温度、降雨量、风速和相对湿度；

可转化为定量指标包括日天气类型、星期类型、日期差和日分类。

4.根据权利要求3所述的一种基于小波分析的短期电力负荷预测方法，其特征在于，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：

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

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，将预测日前一周的每日最大负荷数据P_max加入样本集；将预测日当天的平均气温加入样本集；将预测日的节日属性H加入样本集；支持向量机的训练样本确定为10维的向量，包括P_max的7维，的1维和H的2维。

5.根据权利要求4所述的一种基于小波分析的短期电力负荷预测方法，其特征在于，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，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，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；使用外推叠加法对d1进行近似预测，首先建立回归分析方程对各尺度分量序列进行线性化处理，采用多元线性回归方程建立模型；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)变动分量的周期外推预测

采用周期外推预测法进行预测。

6.根据权利要求5所述的一种基于小波分析的短期电力负荷预测方法，其特征在于，所述步骤五中预测结果的分析与修正的具体过程为：

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。

7.一种改进的基于小波分析的短期电力负荷预测方法，其特征在于，所述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。

8.根据权利要求7所述的一种改进的基于小波分析的短期电力负荷预测方法，其特征在于，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。

9.根据权利要求8所述的一种改进的基于小波分析的短期电力负荷预测方法，其特征在于，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。

10.根据权利要求9所述的一种改进的基于小波分析的短期电力负荷预测方法，其特征在于，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：

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

步骤三三：样本分类；

步骤三四：负荷分量分解；

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得到最终的负荷预测值，若是基本分量，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；使用外推叠加法对d1进行近似预测，首先建立回归分析方程对各尺度分量序列进行线性化处理，采用多元线性回归方程建立模型；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；若是变动分量，采用的趋周期外推预测，处理完成后，将分量合并；

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。