[发明专利]基于频域分解及人工智能算法的短期负荷预测方法

权利要求书

1.基于频域分解及人工智能算法的短期负荷预测方法，其特征在于，包括：

用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量；

采用神经网络算法对日周期和周周期进行预测；

采用随机森林算法对低频分量进行预测；

对高频分量进行二次分解，对分解后的低频部分采用神经网络算法进行预测。

2.根据权利要求1所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量，包括如下步骤：

1)采用傅里叶变换对原始负荷数据的负荷时间序列进行分解，得到了彼此正交的谐波信号；

2)利用负荷变化周期性的特性对步骤1)分解后的负荷时间序列进行重构；

3)通过傅立叶变换结合欧拉公式获得日周期分量、周周期分量、低频分量和高频分量。

3.根据权利要求2所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：所述步骤1)中，对原始负荷数据的负荷时间序列P(t)作如下分解：

其中，N为历史负荷数据个数，a_i和b_i为系数。

4.根据权利要求3所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：所述步骤2)中，把P(t)分解为角频率为w_i＝2π×i÷N，(i＝1，2，…，N-1)的分量，将P(t)重构如下式：

P(t)＝a₀+D(t)+W(t)+L(t)+H(t)，

其中，a₀+D(t)是日周期分量，W(t)是周周期分量，L(t)是低频分量，H(t)是高频分量。

5.根据权利要求4所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：所述步骤3)，包括：

对负荷序列进行离散傅立叶变换，通过频谱值获得系数a_i，b_i；

利用傅里叶逆变换结合欧拉公式е^jθ＝cosθ+jsinθ，求得分解后的负荷时间序列。

6.根据权利要求1所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：所述神经网络算法为Elman神经网络算法。

7.根据权利要求1所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：所述随机森林算法，包括：

使用自举法从原始低频分量数据中随机提取i个样本数据集作为每个决策树的子样本集，每个样本大小与原始低频分量数据集相同，并且每次未被取样的数据构成袋外数据；

对各个子样本集分别建立分类回归树，构建i棵决策树，在构建过程中，对于决策树的各个节点，随机采样原始低频分量数据变量集，获得变量子集，根据基尼指数最小准则从变量子集中选取最优特征进行分裂；

每棵分类回归树从顶部到底部递归分枝生长，达到设置叶节点的最小尺寸后决策树停止生长，所有的决策树组合成为随机森林；

在随机森林模型中输入测试数据，利用i棵决策树分别对子测试样本集预测，取每个决策树预测结果的平均值为预测值。

8.根据权利要求1所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：对高频分量采用Mallat算法进行二次分解。