[发明专利]一种电力负荷预测方法及系统

说明书

本发明公开了一种电力负荷预测方法及系统，属于电力技术领域，包括利用集总经验模态分解算法分解原始负荷序列；计算每个模态分量的近似熵并组合以获得重构的新序列；每个新的子序列都由极限学习机的负荷预测模型进行预测；叠加每个子序列的预测结果以获得最终预测值。利用本发明提供的方法对实际电网负荷数据的预测分析表明，该方法有效提高了预测精度。

技术领域

本发明涉及电力技术领域，特别涉及一种电力负荷预测方法及系统。

背景技术

目前，负荷预测的方法有很多，传统预测方法主要包括回归分析法、时间序列法、趋势外推法等。这些方法均采用数学思想来建立相应的预测模型，依赖于历史数据，难以解决负荷的随机性。现代的预测技术有模糊预测、支持向量机以及神经网络等。对于神经网络，应用较多的有静态网络(back propagation，BP)，虽然具有一定自学习能力，但是收敛速度慢，容易陷入局部最小值，限制了其应用。神经网络(Extreme Learning Machine，ELM)作为一种较新的神经网络算法，它能够随机选取隐层节点参数，具有良好的全局搜索能力，克服了传统神经网络过拟合的缺点。

为进一步提高短期负荷预测精度，组合预测模型在负荷预测方面得到了广泛应用。其中，以EMD为主的分解方法，将目标负荷序列分解为若干个独立的内在模式，接着对每个模式分别建立预测模型。但是，EMD分解方法难以避免模态混叠现象产生，得到的虚假IMF，会对预测精度产生不利影响。

发明内容

本发明的目的在于克服现有技术存在的不足，以提高负荷预测精度。

为实现以上目的，本发明采用一种电力负荷预测方法，包括如下步骤：

采用集总经验模态分解方法对原始负荷序列进行分解，得到多个模态分量；

计算所述各模态分量的近似熵，并对每个模态分量的近似熵进行叠加，得到与每个模态分量对应的分量序列；

利用基于极限学习机的负荷预测模型对每个分量序列分别进行负荷预测，得到与每个分量序列对应的负荷预测结果；

将与每个分量序列对应的负荷预测结果进行叠加，得到与所述原始负荷序列对应的负荷预测值。

进一步地，所述计算所述各模态分量的近似熵，并对每个模态分量的近似熵进行叠加，得到与每个模态分量对应的分量序列，包括：

对所述各模态分量的一维时间序列进行m维重构，得到向量V(j),V(q)；

计算两个向量V(j),V(q)的距离d[V(j),V(q)]；

根据距离d[V(j),V(q)]计算相关积分

根据相关积分，计算向量V(j)的平均自相关程度；

根据向量V(j)的平均自相关程度，计算该模态分量的近似熵；

将该模态分量的近似熵进行叠加，得到与每个模态分量对应的分量序列。

进一步地，所述利用基于极限学习机的负荷预测模型对每个分量序列分别进行负荷预测，得到与每个分量序列对应的负荷预测结果，包括：

将所述由分量序列构成的样本作为所述基于极限学习机的负荷预测模型的输入向量，将与每个分量序列对应的期望输出值作为与每个分量序列对应的负荷预测结果，所述极限学习机的负荷预测模型为：

其中，为隐含层节点的数目，g(x)为激活函数，为输入层到隐含层的权值，为第i个隐含节点的偏差，为隐含层到输出层的权值，为输入的分量序列，为期望输出值，N为样本数量。

另一方面，采用一种电力负荷预测系统，包括分解模块、分量序列计算模块、负荷预测模块以及负荷叠加模块；