[发明专利]一种新型三阶段短期电力负荷预测方法

说明书

本发明涉及一种新型三阶段短期电力负荷预测方法，属于电力负荷预测技术领域，包括4个步骤：选取预测时刻前n个时刻的原始电力负荷序列；采用VMD将原始电力负荷序列分解为k个本征模态函数并针对每个本征模态函数分别建立基于FA‑ELM的分层预测模型，得到分层预测序列；构建基于FA‑ELM的误差纠正模型，得到误差纠正序列；通过基于FA‑ELM的非线性集成方法得到最终的负荷预测序列。本发明基于FA‑ELM的非线性集成方法拥有强大的非线性映射能力，可以有效地提高强非线性和非平稳性下短期电力预测的精度；通过VMD、FA‑ELM、分层预测、误差纠正和非线性集成方法，逐步地提高了复杂模态下短期电力负荷预测的精度。

技术领域

本发明涉及一种新型三阶段短期电力负荷预测方法，属于电力负荷预测技术领域。

背景技术

安全可靠的电能直接影响着国家的经济发展、社会安定以及人民生活的方方面面。电力能源从发电到终端用户之间没有“缓冲器”对其进行存储，所以电能的生产和消费应该且必须每时每刻都要保持平衡，因此，电力系统负荷预测成为了电力行业内部工作中的一项重要研究项目。首先发电部门需要通过高精度电力预测值，制定出符合市场规律的电价来提高经济利益。其次还应该根据预测结果安排合理时间段对电力设备进行维护，从而可以提升用户的用电质量，并且对电力系统的正常运作提供可靠安全的保障。

如今智能电网得到快速发展，负荷数据的波动性不断提高，表现出强非线性和非平稳性，因此本发明开发了一种基于分层预测、误差纠正及非线性集成的新型三阶段电力负荷预测方法。

发明内容

本发明的目的是提供一种新型三阶段短期电力负荷预测方法，抑制电力负荷序列的强非线性和非平稳性，明显地提高短期电力负荷预测的精度。

为了实现上述目的，本发明采用的技术方案是：

一种新型三阶段短期电力负荷预测方法，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。

本发明技术方案的进一步改进在于：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。

本发明技术方案的进一步改进在于：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。

本发明技术方案的进一步改进在于：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。