[发明专利]一种新型三阶段短期电力负荷预测方法

权利要求书

1.一种新型三阶段短期电力负荷预测方法，其特征在于：包括以下步骤：

1)选取预测时刻前n个时刻的原始电力负荷序列；

2)第一阶段：首先采用变分模态分解将步骤1)选取的原始电力负荷序列分解为k个本征模态函数；其次针对每个本征模态函数，分别建立基于萤火虫算法优化极限学习机的分层预测模型，采用萤火虫算法来优化极限学习机的初始权值和阈值，从而得到分层预测序列IMF,IMF₂，...IMF_k；

3)第二阶段：由步骤1)选取的原始电力负荷序列减去第一阶段的分层预测序列和计算得到误差序列error，并将误差序列error作为输出，将第一阶段分解所得的k个本征模态函数作为输入，构建基于萤火虫算法优化极限学习机的误差纠正模型，得到误差纠正序列ERROR；

4)第三阶段：通过基于萤火虫算法优化极限学习机的非线性集成方法，将第一阶段的分层预测序列IMF,IMF₂，...IMF_k与第二阶段的误差纠正序列ERROR采用非线性集成方法得到最终的负荷预测序列。

2.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法，其特征在于：所述步骤1)中的原始电力负荷序列由每15分钟采样1次得到。

3.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法，其特征在于：所述分层预测模型、误差纠正模型和非线性集成方法都是基于萤火虫算法优化极限学习机。

4.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法，其特征在于：所述步骤2)中对原始电力负荷序列的分层预测具体过程如下：

A.选取全部时刻的原始电力负荷序列；

B.根据分解序列是否出现过分解来设置模态分解数k；

C.使用变分模态分解将原始电力负荷序列分解为k个本征模态函数；

D.针对分解的k个本征模态函数，以其上一时刻的本征模态函数值为输入，当前时刻的本征模态函数值为输出，建立k个基于萤火虫算法优化极限学习机的分层预测模型，实现原始电力负荷序列的分层预测。

5.根据权利要求1或4所述的一种新型三阶段短期电力负荷预测方法，其特征在于：所述步骤2)中建立基于萤火虫算法优化极限学习机的分层预测模型具体过程如下：

A.设置种群参数，包括萤火虫个数、最大迭代次数及萤火虫个体最大值和最小值；设置萤火虫算法参数，包括光强吸收系数γ、步长因子α和随机因子ε_i；

B.划分训练集和测试集，根据训练集的最大值和最小值将其归一化值[0,1]区间；

C.设置萤火虫算法寻找的适应度函数；

D.利用萤火虫算法得到的最优萤火虫个体是萤火虫算法优化极限学习机所得到的的初始权值和阈值；

E.使用优化后的极限学习机进行训练和预测，从而得到负荷预测值；

F.根据训练集的最大值和最小值对测试集进行反归一化。

6.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法，其特征在于：所述步骤3)中误差纠正模型的具体过程如下：

A.将步骤1)选取的原始电力负荷序列减去第一阶段的分层预测序列得到误差序列error；

B.将第一阶段分解所得的k个本征模态函数作为输入，error作为输出来训练基于萤火虫算法优化极限学习机的误差纠正模型；

C.输入k个本征模态函数得到误差纠正序列ERROR，实现对误差序列的预测。

7.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法，其特征在于：所述的步骤4)中的非线性集成方法的具体过程如下：

A.将步骤2)中的分层预测序列IMF,IMF₂，...IMF_k和步骤3)中的误差纠正序列ERROR为输入，负荷序列为输出，构建基于萤火虫算法优化极限学习机的非线性集成方法；

B.输入测试集的当前时刻的分层预测序列和误差纠正序列，得到所预测的下一时刻电力负荷序列。