[发明专利]一种电力负荷超短期预测方法、系统、设备及存储介质

说明书

本发明涉及一种电力负荷超短期预测方法、系统、设备及存储介质，该方法具体为：采集电力负荷时序信号S(t)，对S(t)进行MEEMD分解，剔除S(t)中的异常信号，获得S′(t)；对S′(t)进行EMD分解，获得余项和若干个第一IMF分量，计算余项和若干个第一IMF分量对应的主成分贡献率，将余项和若干个第一IMF分量以及对应的主成分贡献率代入训练好的极限学习机，获得若干个预测负荷分量；将若干个预测负荷分量进行叠加获得S(t)的预测总负荷。与现有技术相比，本发明具有速度快、精度高和可靠性高等优点。

技术领域

本发明涉及电力系统规划领域，尤其是涉及一种电力负荷超短期预测方法、 系统、设备及存储介质。

背景技术

电力负荷预测要求预测值与实际负荷的偏差必须小于电网AGC(AutomaticGeneration Control)调节容量。由于目前电网AGC调节容量一般较小，对电力负 荷预测模型精度提出了更高的要求，因此建立高性能实时电力负荷预测模型一直是 学术界和工业界研究的热点。

负荷预测方法如神经网络、支持向量机、极限学习机等已广泛应用于电力负荷 预测，负荷时序信号具有典型的非平稳性，采用单一的预测方法在处理大量数据时， 运行时间较长并且易产生较大的误差。

现有技术也给出了一些解决方案，中国专利CN201911128175.X提出了一种 电力负荷预测方法及系统，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，该方法本发明通过采用 集总经验模态分解方法对原始负荷序列进行分解，克服了原始负荷序列信号存在的不连续性导致的模态混叠问题。

但该方案采用集总经验模态分解算法分解原始负荷序列，但该方法会存在白噪声残余，无法真实还原电力负荷时序信号，预测精度低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种电力负荷超 短期预测方法、系统、设备及存储介质，速度快，精度高，可靠性高。

本发明的目的可以通过以下技术方案来实现

一种电力负荷超短期预测方法，具体为：

S1：采集电力负荷时序信号S(t)，对S(t)进行MEEMD分解，剔除S(t)中的 异常信号，获得S′(t)；

S2：对S′(t)进行EMD分解，获得余项和若干个第一IMF分量；

S3：计算余项和若干个第一IMF分量对应的主成分贡献率；

S4：将余项和若干个第一IMF分量以及对应的主成分贡献率代入训练好的 KELM模型，获得若干个预测负荷分量；

S5：将若干个预测负荷分量进行叠加获得S(t)的预测总负荷；

所述的KELM模型将核函数引入到ELM中，能够将输入的空间样本数据映 射到高维特征空间，解决数据预测非线性的问题，能够提升模型的收敛速度及精确 性，同时将主成分贡献率引入到核函数，成为基于主成分融合的核极限学习机，能 够将传统的极限学习机中每个特征参数中增添一个主成分贡献率计算，能够消除相 关度不同的参数对结果影响相同的缺陷。

进一步地，所述的MEEMD结合了CEEMD与基于PE的信号随机性检测， 是一种改进的集合经验模态分解方法，在检测出CEEMD分解的异常分量之后， 直接进行EMD分解，能够有效抑制模态混淆现象，降低重构误差，同时减少计 算量，完备性较好，步骤S1的具体过程为：

S101：在电力负荷时序信号S(t)中添加一组均值为零的白噪声信号S⁺(t)和 S^-(t)；