一种基于频率分解和聚类修正的电力负荷预测方法

本发明属于电力负荷预测，尤其涉及一种基于频率分解和聚类修正的电力负荷预测方法。

背景技术：

1、电力负荷预测是基于历史数据来建立预测模型，以预测未来某时刻或时间段内的负荷值。历史数据的可靠性和预测模型的水平是影响负荷预测准确性的主要因素。随着电力信息管理系统的逐步建立，电力公司积累了海量的负荷数据。对海量负荷数据进行特征挖掘与综合利用，能够为电力相关部门提供更专确实用的负荷预测结果，从而优化电力调度决策，保证电力系统的安全稳定运行，提高社会经济效益。

2、经典的负荷预测方法主要为以下几类：一类是以自回归滑动平均为代表，通常假设负荷趋势只与其最邻近的时间序列数据相关。一类是离散傅里叶变换和分段线性为代表的基于整体负荷数据的建模方法。主要用于精确的表述原始负荷数据，以进行快速模式匹配和模式发现，此类方法将负荷序列看作离散对象，对序列内部的时间性关联研究较少，没有对产生负荷序列的内部机制进行研究。

3、现代的负荷预测方法重要为深度学习的神经网络，例如：多层感知机、递归神经网络、长短期记忆网络等。是以发现负荷数据中的频繁模式为基础，此类方法不利于解释负荷数据本身的产生机制，但有很强的非线性特征拟合能力。

4、现有负荷模型缺乏对电力负荷在长短不同周期，以及特殊节假日的考虑，影响了预测结果的准确性。随着新型用电需求的不断涌现和用户交互的多样化，负荷的随机性和不确定性增加，使得其预测的难度也随之增大。因此，需要更有针对性和更精细的负荷预测方法来解决这些问题。

技术实现思路

1、本发明的目的在于解决现有电力负荷预测技术中存在的上述不足，并提供一种基于频率分解和聚类修正的电力负荷预测方法。

2、本发明所采用的具体技术方案如下：

3、一种基于频率分解和聚类修正的电力负荷预测方法，包括以下步骤：

4、s1.获取待预测的原始电力负荷历史数据，对原始电力负荷历史数据进行预处理，得到预处理电力负荷数据序列；

5、s2.利用基于降频-升频的负荷解构方法将预处理电力负荷数据序列解构为日间累计负荷序列与每日的日内标准负荷曲线；

6、s3.采用快速傅里叶变换得到日间累计负荷序列的长周期，采用季节性分解得到日间累计负荷序列的短周期，对日间累计负荷序列中每个重要节假日进行独热编码，每个重要节假日对应得到一个独热编码序列；

7、s4.利用所述长周期作为傅里叶级数的周期，根据网格搜索寻找最小赤池信息准则，得到所述傅里叶级数的最佳展开项数量；

8、s5.利用所述短周期作为季节性差分自回归滑动平均模型季节性周期的长度，将所述傅里叶级数和所有独热编码序列作为外生变量共同拟合季节性差分自回归滑动平均模型；

9、s6.将日间累计负荷序列输入到拟合好的季节性差分自回归滑动平均模型中，得到日间累计负荷序列预测结果；

10、s7.基于动态时间归整距离对每日的日内标准负荷曲线进行均值聚类，利用均值聚类结果初始化混合高斯-隐马尔可夫模型的模型参数，并通过期望最大化方法对初始化的混合高斯-隐马尔可夫模型参数不断更新，直至混合高斯-隐马尔可夫模型收敛，得到拟合好的混合高斯-隐马尔可夫模型；

11、s8.将每条日内标准负荷曲线输入到拟合好的混合高斯-隐马尔可夫模型中进行模式聚类和状态转移预测，得到隐藏状态转移概率预测值和初始的日内标准负荷曲线预测值；

12、s9.分别计算两条日内标准负荷曲线之间的动态时间归整距离并构建动态时间归整距离矩阵，基于所述动态时间归整距离矩阵构建动态时间归整相似度指标矩阵，利用动态时间归整相似度指标矩阵计算日内标准负荷曲线的相似度矩阵，并对所述相似度矩阵进行归一化处理，得到归一化相似度矩阵；

13、s10.将归一化相似度矩阵中的每个相似度数值与预设的相似度阈值进行比较，若一个相似度数值大于等于预设的相似度阈值，则将该相似度数值对应的日内标准负荷数据作为一个特征；若一个相似度数值小于预设的相似度阈值，则不进行处理；当相似度数值均与所述相似度阈值进行比较后，将获得的全部特征输入到经过训练的门控循环单元模型中，得到门控循环单元模型的日内标准负荷曲线预测值；

14、s11.基于初始的日内标准负荷曲线预测值和门控循环单元模型的日内标准负荷曲线预测值得到最终的日内标准负荷曲线预测结果；

15、s12.基于最终的日内标准负荷曲线预测结果和日间累计负荷序列预测结果还原电力负荷数据序列预测结果，完成电力负荷的预测。

16、作为优选，在步骤s1中，所述预处理包括对原始电力负荷数据中的缺失值进行线性插值填充。

17、作为优选，基于动态时间归整距离对每日的日内标准负荷曲线进行均值聚类时，通过手肘法选定聚类簇数，所述聚类簇数设置为8。

18、作为优选，在拟合混合高斯-隐马尔可夫模型的过程中，高斯分布数量k设置为1。

19、作为优选，所述动态时间归整距离dtw(x,y)的函数形式为：

20、

21、其中，dtw(x,y)表示第一日内标准负荷曲线x和第二日内标准负荷曲线y之间的dtw距离；π表示第一日内标准负荷曲线x和第二日内标准负荷曲线y之间索引对的集合；a(x,y)表示第一日内标准负荷曲线x和第二日内标准负荷曲线y之间允许的对齐方式；xi、yj分别表示第一日内标准负荷曲线x、第二日内标准负荷曲线y上的负荷数据值。

22、作为优选，动态时间归整相似度指标矩阵d′dtw的函数形式为：

23、d′dtw＝ddtw+∈

24、其中，∈表示偏移量；ddtw表示所述动态时间归整距离矩阵。

25、作为优选，所述相似度矩阵s的函数形式为：

26、

27、作为优选，所述偏移量∈设置为10-3。

28、作为优选，所述最终的日内标准负荷曲线预测结果的函数形式如下：

29、

30、其中，p表示所述隐藏状态转移概率预测值；表示初始的日内标准负荷曲线预测值；表示门控循环单元模型的日内标准负荷曲线预测值；表示第i个采样点门控循环单元模型的日内标准负荷曲线预测值；n表示日内标准负荷曲线的采样点的数量。

31、作为优选，电力负荷数据序列预测结果的函数形式为：

32、

33、其中，表示最终的日内标准负荷曲线预测结果；表示日间累计负荷序列预测结果。

34、本发明相对于现有技术而言，具有以下有益效果：

35、1)本发明通过提取经过预处理的电力负荷数据序列的高频部分和低频部分，以构建串行与并行的集成框架，充分挖掘不同模块之间的有效信息，在预测中更好的保护了高频性质(日内负荷模式)和低频性质(日间负荷模式)，提高了预测精度。

36、2)本发明挖掘并考虑多重周期影响，传统预测方法常常只考虑单周期，但实际负荷数据往往由具有多重周期性，本发明通过引入快速傅里叶变换，挖掘时序数据的多重周期，具体包括长周期、短周期和特殊日期，从而更好的捕捉周期性、趋势性，进一步提高预测精度。

37、3)本发明可解释性强，通过考虑电力负荷数据序列的内部机制与整体负荷趋势，建立了相较于传统预测方法更有针对性且更精细的电力负荷预测方法；通过gmm-hmm模型挖掘日内负荷模式，通过可视化方式展示日内负荷数据与季节关系，且符合现实意义，提升了模型可解释性。