[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

说明书

本发明针对现有的短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，提供一种基于频域分解及人工智能算法的短期负荷预测方法。该方法，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。本发明所提的基于频域分解的短期负荷预测模型，预测结果与Elman神经网络、随机森林预测结果相比具有更高的预测精度。

技术领域

本发明涉及电力系统预测相关技术领域，具体地说，涉及一种基于频域分解及人工智能算法的短期负荷预测方法。

背景技术

负荷预测可根据预测期限分为长期预测(年度预测)、中期预测(月度预测)、短期预测(日度预测)和超短期预测(时分预测)。短期负荷预测对如何安排调度计划、联络线交换功率、机组优化组合等有着重要意义。电力负荷在短期内具有高度波动性和随机性，因此短期负荷预测更加困难。随着我国节能减排政策的逐步实施，提高负荷预测的精度已成为一个日益重要的研究课题。

近年来，出现了各种各样的负荷预测方法，如基于统计分析理论的时间序列法；根据逻辑规则进行推理的神经网络法；建立在统计学习理论和结构风险最小原理基础上的支持向量机法；采用变换分位数回归和高斯核函数的组合预测方法；随机森林作为比较新的机器学习算法，广泛应用于负荷预测研究中。

其中一个现有技术应用了Elman神经网络，该网络通过将承接层作为延迟算子添加到前馈网络的隐藏层，以实现记忆的目的并提高网络稳定性。另一现有技术提出随机森林法，该方法所需调节参数少，具有较强的泛化能力，且收敛速度快，预测精度高。

由于负荷的随机因素过多，非线性极强，传统方法的理论基础也有限。近年来，对负荷序列进行先分解再预测的方法成为研究热点。有现有技术提出了经验模态分解法，然后结合不同预测方法估算短期负荷。也有现有技术提出了一种基于小波-原子稀疏分解的超短期负荷预测模型，结合粒子群优化算法和正交匹配追踪算法，提高了原子稀疏分解能力，更有利于提升负荷的预测精度。其他现有技术也公开了使用Akima插值法代替滑动平均值法来处理局域函数以改进局域均值分解(Local Mean Decomposition，LMD)算法，然后使用广义回归神经网络，预测每个分量的趋势，叠加各个分量得到负荷序列的总趋势。

但现有的短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，急需一种具有更高精度的短期负荷预测方法。

发明内容

本发明针对现有的短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，提供一种基于频域分解及人工智能算法的短期负荷预测方法。

本发明所需要解决的技术问题，可以通过以下技术方案来实现：

一种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。

本发明中，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；