[发明专利]一种基于小波包与神经网络的综合能源负荷预测方法

说明书

本发明公开了一种基于小波包与神经网络的综合能源负荷预测方法，属于综合能源系统负荷预测领域，本发明通过对历史负荷数据进行多层小波包变换，将负荷数据分解为不同频段的负荷序列，通过计算各频段上不同种类的负荷序列之间的相关系数筛选出合适的负荷序列，再用筛选后的负荷序列训练神经网络负荷预测模型，从而在考虑到负荷的频率特性的同时，提高了综合能源系统中各能源之间的耦合性，提高了负荷预测的精确度。

技术领域

本发明涉及综合能源系统负荷预测领域，特别涉及一种基于小波包与神经网络的综合能源负荷预测方法。

背景技术

综合能源系统是一个集电力、热能和冷能等供应于一体的系统。它是能源发展的重要趋势，对促进能源结构优化、提高能源效率、促进可再生能源消费具有重要作用。综合能源系统的精确负荷预测是优化设计、运行、调度和能量管理的基本前提，具有重要的理论意义和实用价值。

当前，国内外学者对于负荷预测的研究已有许多，常用的负荷预测方法包括基于统计的传统算法和机器学习算法。传统算法又分为时间序列法，灰色预测法和回归分析法等，一般通过拟合历史负荷数据来预测未来负荷的变化趋势。机器学习算法包括深度学习，支持向量机和神经网络等，具有自组织、自学习和自适应的特性，能够实现负荷影响因子和负荷之间的非线性映射，相较于传统的负荷预测方法具有更好的预测精度因而得到更加广泛的应用。

然而，目前的负荷预测模型没有突出负荷的频段特性，忽略了高频噪声对负荷预测精度的影响；且大多数预测是只针对某一种能源负荷的预测，没有考虑综合能源系统中各能源之间的相关性，割裂了能源系统之间的耦合关系。

发明内容

本发明的目的在于提供一种基于小波包与神经网络的综合能源负荷预测方法，通过综合考虑负荷的频段特性以及各种负荷之间的相关性，提高对负荷预测的精确度。

为实现以上目的，本发明采用一种基于小波包与神经网络的综合能源负荷预测方法，包括如下步骤：

获取历史负荷数据；

对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列；

将负荷序列分为训练样本和预测样本，并根据负荷序列的种类和频段建立不同的BP神经网络；

将所述训练样本输入相应的BP神经网络，得到负荷预测模型；

将所述预测样本输入相应的负荷预测模型，得到负荷预测结果。

进一步地，在所述获取历史负荷数据之后，还包括：

对所述历史负荷数据的缺失数据进行填补，得到预处理后的历史负荷数据；

相应地，所述对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列，包括：

对所述预处理后的历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列。

进一步地，所述对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列，包括：

采用小波基函数分别对所述历史负荷数据中不同种类的负荷数据进行分解，得到每种负荷数据的小波包分解系数；

对小波包分解系数进行单支重构，得到每种负荷数据在不同频段下的负荷序列。

进一步地，在所述对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列之后，还包括：

计算在同一频段下不同种类的负荷序列每两种之间的相关系数；

筛选出在某一频段下相关系数绝对值均大于设定阈值的负荷序列；