[发明专利]一种基于数据驱动的短期用电量预测方法

说明书

本发明公开了一种基于数据驱动的短期用电量预测方法，本发明将小波分解与重构、极限学习机和改进萤火虫算法相结合进行短期用电量预测。首先利用小波分解提取负荷的序列特性；然后通过改进萤火虫算法优化极限学习机法的参数；并基于极限学习机对重构后的细节序列和近似序列分别进行预测。该方法可以充分利用分解重构对信号特征的挖掘，从而减小预测误差；利用极限学习机仅通过一步计算即可解析求出学习网络的输出权值，与迭代算法相比，极大地提高了网络的泛化能力和学习速度；利用改进萤火虫算法优化参数能够避免陷入局部极值，提高了全局寻优能力，有利于选择合适的极限学习机参数，提高预测精度。

技术领域

本发明属于用电量预测技术领域，尤其涉及一种基于数据驱动的短期用电量预测方法。

背景技术

准确预测用户电量需求对于市场竞争环境下的电网公司、工商业、居民用户来说具有重要意义；国内外开展电量预测使用的方法主要集中于人工智能方法、统计分析法和经济计量法等。灰色理论预测法、人工神经网络理论预测法以及经济模型法和综合分析法等方法应用较为广泛且取得了一定的成果；但是这些方法对短期用电量预测对象相对粗放，无法具体把握具体行业或用电大户的用电特性，难以进行精细化预测，对市场营销工作的精细化管理与深度开发作用有限。

发明内容

本发明要解决的技术问题是：提供一种基于数据驱动的短期用电量预测方法，以解决现有技术针对短期用电量预测对象相对粗放，无法具体把握具体行业或用电大户的用电特性，难以进行精细化预测，对市场营销工作的精细化管理与深度开发作用有限等技术问题。

本发明技术方案是：

一种基于数据驱动的短期用电量预测方法，它包括：

步骤1、获取原始负荷序列数据；

步骤2、对原始序列进行3层小波分解；

步骤3、对分解后的各序列进行二插值重构；

步骤4、针对重构后各序列进行归一化后分别进行IFA-ELM模型训练和预测；

步骤5、各序列预测值映射回原区间后叠加得到最终预测结果；

步骤6、预测评价：对误差进行量化评价。

对原始序列进行3层小波分解及对分解后的各序列进行二插值重构的方法为：

将负荷序列分解为不同频率的高频细节序列d₁,d₂…d_J和一个低频近似序a_J，J为最大分解层数，采用db3小波基进行3层分解，分解过程如下式：

式中：a_j,d_j分别为原始信号在分辨率2^-j下的低频信号和高频信号，是原始信号在相邻不同频率段上的成分；H为低通滤波器；G为高通滤波器；

进行二插值重构使得信号长度还原，

式中：H^*,G^*分别为H,G的对偶算子，对d₁,d₂…d_J和a_J进行重构后得到细节序D₁,D₂…D_J和近似序列A_J，长度与原始序列相同，并有

S＝D₁+D₂+…D_J+A_J

针对重构后的细节序列和近似序列分别进行预测。