[发明专利]一种基于二层分解技术的短期冲击负荷预测方法

说明书

本发明公开了一种基于二层分解技术的短期冲击负荷预测方法，包括以下步骤：获取冲击负荷历史数据并对数据进行平均化预处理；将预处理后的冲击负荷历史数据通过可变模式分解为若干离散模态分量，记为IMF_n，其中n为离散模态分量的序号；利用奇异谱分析对离散模态分量中频率最高的分量进行二次分解得到若干子序列；构建基于鲸鱼算法优化的极限学习机神经网络预测模型；将离散模态分量中除频率最高分量外的分量和二次分解得到子序列输入至基于鲸鱼算法优化的极限学习机神经网络预测模型；将基于鲸鱼算法优化的极限学习机神经网络预测模型输出预测值叠加得到实际预测结果。本发明克服了冲击负荷中非线性特征的影响，有效提高了预测精度。

技术领域

本发明涉及电气工程技术领域，更具体地，涉及一种基于二层分解技术的短期冲击负荷预测方法。

背景技术

电力系统负荷预测是发电厂协调机组发电的关键依据，也是电力市场调整实时电价的主要来源。其预测的精确性将直接影响电厂的发电成本、电网调度和地区居民的用电质量。随着城市用电量的增长，用电用户的增多造成了地区负荷类型的复杂性，单一的负荷预测方法(如模糊逻辑方法,时间序列法，支持向量机，人工神经网络等)容易陷入局部最优，收敛速度较慢，已经很难满足当今负荷预测精度和泛化性需求，组合预测模型因此产生。目前，主要有四种组合：一是用数个模型对原始序列进行预测，使用加权方式综合各模型结果得到较单个模型精度更高的预测结果。但此方法需要多个模型同时预测，且加权计算的方式较为复杂；二是通过对预测模型输出建立误差校正模型，但此方法在负荷波动较大的地区容易陷入局部最优，泛化性不足；三是使用优化算法优化基本预测模型参数；四是利用信号分解技术将原始信号分解为多个分量，并分别对每个分量进行建模。与常规的神经网络模型相比，采用遗传算法优化后的神经网络模型弥补了很多不足，它避免了神经网络的参数陷入局部最优的缺陷，提高了神经网络的泛化能力，所以可用于短期冲击负荷预测，然而，单一的预测模型无法准确预测冲击负荷。

发明内容

本发明为克服上述现有技术中预测时冲击负荷时无法处理其非线性特性对预测结果不准确的缺陷，提供一种基于二层分解技术的短期冲击负荷预测方法。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于二层分解技术的短期冲击负荷预测方法，包括以下步骤：

S1：获取冲击负荷历史数据并对数据进行平均化预处理；

S2：将预处理后的冲击负荷历史数据通过可变模式分解为若干离散模态分量，所述离散模态分量记为IMF_n，其中n为离散模态分量的序号；

S3：利用奇异谱分析对离散模态分量中频率最高的分量进行二次分解得到若干子序列；

S4：构建基于鲸鱼算法优化的极限学习机神经网络预测模型；

S5：将步骤S2中除频率最高分量外的模态分量和步骤S3中的二次分解得到子序列输入至基于鲸鱼算法优化的极限学习机神经网络预测模型；

S6：将基于鲸鱼算法优化的极限学习机神经网络预测模型输出预测值叠加得到实际预测结果。

进一步地，所述平均化预处理具体为：将冲击负荷历史数据中包括的数据点每连续M个数据点计算平均值，并将求取的平均值作为对应M个数据点的代表值，其中M为正整数。

进一步地，将预处理后的冲击负荷历史数据通过可变模式分解为若干离散模态分量具体过程为：

S21：将预处理后的冲击负荷历史数据信号通过希尔伯特变换，得到每个模态函数u_k(t)的解析信号和单变频谱其中，t表示第t时刻，k表示第k个离散模态，j表示虚数单位，σ(t)表示第k个模态在第t时刻的中心频率；