[发明专利]一种短期负荷预测方法、装置、设备及存储介质

权利要求书

1.一种短期负荷预测方法，其特征在于，包括：

获取历史负荷数据；

基于集成经验模态分解对所述历史负荷数据进行分解得到多个子序列；

选取训练样本并利用所述训练样本训练DBN网络以得到DBN网络预测模型；

利用所述DBN网络预测模型和各所述子序列对短期负荷进行预测。

2.根据权利要求1所述的短期负荷预测方法，其特征在于，所述基于集成经验模态分解对所述历史负荷数据进行分解得到多个子序列包括：

在与所述历史负荷数据对应的每天的时间序列中添加高斯白噪声序列；

将添加所述高斯白噪声序列的每天的时间序列分解为IMF分量；

计算添加所述高斯白噪声序列的每天的时间序列与所述IMF分量的第一差值以将所述第一差值作为剩余分量；

将所述剩余分量作为待分解时间序列并重复上述步骤直至最终的剩余分量小于或等于预设值时停止分解，最终得到与所述每天的时间序列对应的多个IMF分量和最终的剩余分量，所述历史负荷数据中的每一天对应一个子序列，各所述子序列均包括：与所述每天的时间序列对应的多个IMF分量和最终的剩余分量。

3.根据权利要求2所述的短期负荷预测方法，其特征在于，所述将添加所述高斯白噪声序列的每天的时间序列分解为IMF分量包括：

识别添加所述高斯白噪声序列的每天的时间序列的极大值点和极小值点；

拟合与所述极大值点对应的第一包络线和与所述极小值点对应的第二包络线；

利用所述第一包络线和所述第二包络线计算目标余量；

计算添加所述高斯白噪声序列的时间序列与所述目标余量的第二差值；

判断所述第二差值是否满足IMF条件；

若是，则将所述第二差值作为IMF分量；

若否，则重复上述步骤直到所述第二差值满足所述IMF条件。

4.根据权利要求2所述的短期负荷预测方法，其特征在于，所述选取训练样本并利用所述训练样本训练DBN网络以得到DBN网络预测模型包括：

从所述历史负荷数据中选取训练样本；根据与所述训练样本对应的子序列确定所述DBN网络的训练参数；

利用所述训练参数和所述训练样本确定所述DBN网络的最优解；

将所述最优解作为与所述DBN网络对应的权值以得到所述DBN网络预测模型，所述子序列中的各IMF分量和最终的剩余分量均有唯一对应的DBN网络预测模型。

5.根据权利要求4所述的短期负荷预测方法，其特征在于，所述利用所述训练参数和所述训练样本确定所述DBN网络的最优解包括：

确定所述训练参数中的初始种群规模以及最大迭代次数；

以与所述训练样本对应的子序列作为所述DBN网络的输入；

对待优化的粒子进行编码并生成与所述初始种群规模对应的初始种群；

计算所述初始种群中的每个编码粒子的适应度；

基于纵横交叉算法对所述初始种群中的编码粒子进行横向交叉和纵向交叉得到种群矩阵；

计算所述种群矩阵中的粒子的适应度并与所述初始种群中的各所述编码粒子的适应度进行对比以选取目标适应度；

将与所述目标适应度对应的目标粒子作为子代种群中的个体；

重复上述步骤直到迭代次数超出所述最大迭代次数，将最终得到的最大适应度对应的粒子作为所述最优解。

6.根据权利要求1至5任意一项所述的短期负荷预测方法，其特征在于，所述利用所述DBN网络预测模型和各所述子序列对短期负荷进行预测包括：

从所述历史负荷数据中选取预测样本；

将与所述预测样本对应的子序列作为所述DBN网络预测模型的输入；

将与所述最优解对应的权值作为所述DBN网络预测模型的权值；

以所述子序列为所述DBN网络预测模型的输入，以与所述最优解对应的权值为所述DBN网络预测模型的权值确定所述DBN网络预测模型的实际输出，所述实际输出为预测得到的短期负荷。