[发明专利]一种基于EWT和LSSVM模型的短期电力负荷预测方法

说明书

一种基于EWT和LSSVM模型的短期电力负荷预测方法，可解决现有方法计算效率低、计算成本大的技术问题。包括以下步骤：S100：利用EWT分解原始电力负荷序列，获得不同频率下的IMF分量；S200：使用LSSVM建立各个IMF分量序列的负荷预测模型；S300：将各个负荷预测模型的预测结果相加，得到总的预测结果。本发明通过经验小波变换，既可以解决EMD存在的模态混叠问题，同时经过其分解得到更少的分量，降低计算规模。该方法是一种建立自适应小波的新方法，其通过提取出具有紧凑的支撑傅立叶谱的AM‑FM分量，使用EWT分解不同模态相当于对傅立叶频谱进行分段并应用对应于每个检测到的支撑的一些滤波，提高预测精度。

技术领域

本发明涉及电力技术领域，具体涉及一种基于EWT和LSSVM模型的短期电力负荷预测方法。

背景技术

为了适应社会发展需求，电力系统对于电能的合理调度愈发重要。短期负荷预测是电网合理规划和运行的基石，对负荷准确地进行预测能够最大程度地利用电能，避免不必要的资源浪费，同时使其供需不平衡的情况得到缓解。

随着人们对电能使用的愈加依赖、现代信息技术的迅速发展，国内外对负荷预测的研究逐步深入。近年来，出现了多种预测方法，如人工神经网络法，以数学统计分析理论为基础的时间序列法，线性回归分析法等。虽然这些方法在负荷预测方面得到了广泛的应用，仍都属于单一预测方法，对于具有复杂变化特性的负荷序列，预测难以获得理想的结果。因此，出现了越来越多的组合预测方法。其中，对负荷先分解再进行预测的方法成为研究热点。小波分解、经验模态分解、局部均值分解等方法将原始信号进行有效分解，然后再结合神经网络和支持向量机SVM等方法进行预测；通过EMD分解负荷，再利用SVM对各分量进行预测，结果表明组合预测方法能取得更好的预测效果。

经验模态分解是一种将信号分解为能够体现出原信号不同尺度波动或趋势上的典型动态信息的不同分量的方法。其具有的高度适应性能有效提取出信号的非静态部分，然而却极易产生虚假分量，出现模态混叠。于是出现了一种全新的处理负荷信号的自适应分析方法EWT(empirical wavelet transform)，既可以解决EMD存在的模态混叠问题，同时经过其分解得到更少的分量，降低计算规模。

SVM是一种建立在统计分析和结构风险最小化原理基础上的监督学习方法，适用于解决回归以及模式识别问题。SVM将低维输入样本经过一系列非线性变换转换到更高维度的空间，然后找到一个最合适的分类平面。LSSVM(least squares support vectormachine)是对SVM方法的一种改进，它将SVM的优化问题的非等式约束替换为等式约束，并引入了最小二乘损失函数，将标准SVM中的QP问题转换为求解LSSVM的线性方程组，解决了SVM存在的计算效率低的问题。

发明内容

本发明提出的一种基于EWT和LSSVM模型的短期电力负荷预测方法，可解决现有方法计算效率低、计算成本大的技术问题。

为实现上述目的，本发明采用了以下技术方案：

一种基于EWT和LSSVM模型的短期电力负荷预测方法，包括：

S100：利用EWT分解原始电力负荷序列，获得不同频率下的IMF分量；

S200：使用LSSVM建立各个IMF分量序列的负荷预测模型；

S300：将各个负荷预测模型的预测结果相加，得到总的预测结果。

由上述技术方案可知，本发明的基于经验小波变换EWT(empirical wavelettransform)和最小二乘支持向量机LSSVM(least squares support vector machine)的预测方法。首先，采用EWT分解原始负荷，得到不同尺度下的固有模态分量；其次，结合LSSVM算法对各个负荷子序列进行预测；最后，将各个分量的预测结果叠加，得到总的预测结果。