[发明专利]一种短期负荷预测方法、装置、设备及存储介质

说明书

本发明公开的一种短期负荷预测方法，首先获取历史负荷数据，然后基于集成经验模态分解对历史负荷数据进行分解得到多个子序列，其次选取训练样本并利用训练样本训练DBN网络以得到DBN网络预测模型，最后利用DBN网络预测模型和各子序列对短期负荷进行预测，采用本方案，由于将历史负荷数据进行了分解得到子序列，从一定程度上降低了负荷数据的复杂特性(高度非线性和非平稳性)，因此，采用DBN网络预测模型和低复杂特性的负荷数据的子序列对短期负荷进行预测，本方案对短期负荷的预测精度更高，对电网运行调度的正常运行提供了很大的保障。此外，本发明还公开了一种短期负荷预测装置、设备及存储介质，效果如上。

技术领域

本发明涉及电力技术领域，特别涉及一种短期负荷预测方法、装置、设备及存储介质。

背景技术

负荷预测是电网运行调度的重要部分，是确保电力系统既能做到安全又能兼顾经济运行的重要依据，电力负荷预测不仅要考虑负荷的变化，还要考虑温度、湿度等影响负荷变化的因素，因此，建立完善的负荷预测模型是至关重要的。

目前，用于短期负荷预测的预测模型包括：时间序列模型、人工智能模型、混合模型、BP神经网络模型以及DBN网络模型，与传统的BP神经网络模型相比，深度置信网络(DBN)采用贪心逐层训练方式可训练多隐含层网络结构与参数，有效解决了传统BP神经网络难以建立多隐含层网络的难题，而与常规的DBN网络模型相比，采用纵横交叉算法优化后的DBN网络模型弥补了网络参数陷入局部最优的缺陷，提高了DBN网络的泛化能力，所以可用于短期负荷预测。然而，由于负荷序列具有的高度非线性和非平稳性的复杂特性，而DBN网络模型(DBN网络模型或采用纵横交叉算法优化后的DBN网络模型)很难处理高复杂特性的负荷序列，因此采用单一的DBN网络模型(DBN网络模型或采用纵横交叉算法优化后的DBN网络模型)对短期负荷的预测并不是很精确，从而影响电网运行调度的正常运行。

因此，如何提高对短期负荷进行预测的精确度以保证电网运行调度的正常运行是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于公开一种短期负荷预测方法、装置、设备及存储介质，提高了对短期负荷进行预测的精确度，保证了电网运行调度的正常运行。

为实现上述目的，本发明实施例公开了如下技术方案：

第一，本发明实施例公开了一种短期负荷预测方法，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。

优选的，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。

优选的，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；