[发明专利]基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法

说明书

本发明涉及一种基于小波变换的Holt‑Winters和LSTM组合模型的电力负荷预测方法，包括以下步骤：步骤S1:获取电力用户负荷的实际用能数据，并预处理；步骤S2:根据预处理后的负荷数据，采取预设阈值的小波去噪剔除负荷数据中的潜在噪声，并进行离散小波分解；步骤S3:根据分解后的各层小波系数作为训练样本构建并训练Holt‑Winters模型；步骤S4:根据预处理后的负荷数据，采用深度学习框架搭建深度长短时记忆网络模型；步骤S5：将Holt‑Winters模型和深度长短时记忆网络模型进行组合，并计算各模型在组合模型中的权重；步骤S6:根据得到的权重，对Holt‑Winters模型和深度长短时记忆网络模型输出进行加权平均得到最终预测曲线。本发明有效提高电力负荷预测的可靠性。

技术领域

本发明涉及电力负荷预测领域，具体涉及一种基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法。

背景技术

负荷预测不仅对电网系统经济可靠的运行起着极为关键的作用，而且在电力交易市场中也占据着十分重要的地位。精准的负荷预测对发电企业来说，有利于合理安排电网运行方式以及制定合理的电源建设规划，而对售电公司来说，有助于其在现货市场的电量交易实现最大化利润，同时也可以为企业用户做好节能等增值服务。现阶段，我国售电公司的数量逐年增加，这时负荷预测能力的强弱，将决定售电公司在市场的竞争能力，因为若没有准确的负荷预测结果，售电公司无法在现货市场给出合理有效的报价，容易造成高额的偏差费用，所以，负荷预测的能力对如今的售电公司来说是至关重要的。

发明内容

有鉴于此，本发明的目的在于提供一种基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法，结合Holt-Winters和LSTM，有效提高电力负荷预测的可靠性。

为实现上述目的，本发明采用如下技术方案：

一种基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法，包括以下步骤：

步骤S1:获取电力用户负荷的实际用能数据，并预处理；

步骤S2:根据预处理后的负荷数据，采取预设阈值的小波去噪剔除负荷数据中的潜在噪声，并进行离散小波分解；

步骤S3:根据分解后的各层小波系数作为训练样本构建并训练Holt-Winters模型；

步骤S4:根据预处理后的负荷数据，采用深度学习框架搭建深度长短时记忆网络模型；

步骤S5：将Holt-Winters模型和深度长短时记忆网络模型进行组合，并计算各模型在组合模型中的权重；

步骤S6:根据得到的权重，对Holt-Winters模型和深度长短时记忆网络模型输出进行加权平均得到最终预测曲线。

进一步的,所述预处理包括对负值、空值、零值、异常值的剔除处理以及归一化处理。

进一步的,所述归一化处理具体为：

式中，P_j是某用户某天的第j点的负荷，P_j.min和P_j.max分别是该用户当天第j点负荷的最小值和最大值；P_j'为某用户某天的第j点的负荷归一化后的值。

进一步的,所述步骤S3具体为:

步骤S31:对离散信号进行分解得到对应的小波系数，分解公式如下所示：

根据小波系数构建新的离散信号,重构公式如下所示：

公式可简写为：