[发明专利]一种在线自适应OSELM-GARCH模型的电量预测方法

说明书

本发明公开了一种在线自适应OSELM‑GARCH模型的电量预测方法，将经过数据清洗后的电量数据进行STL时间序列加法分解，分别对各分量进行模型搭建；对新加入的一组实时电量数据进行时间序列分解，利用ELM在线更新算法对趋势项模型的参数进行更新，再利用梯度下降思想计算获取当前模型的随机参数的最优值并保存；基于白噪声检验判定初始GARCH模型对新数据的泛化水平，根据模型的适应性决定是否重新训练GARCH模型；合并分项结果得到整体预测框架；评价预测性能，并更新整体预测框架。本发明建立实时有效并能反映时间序列演变规律的在线预测模型，实现了算法的自适应性，提升电力系统的在线预测能力和模型的抗噪能力。

技术领域

本发明涉及数据挖掘和电力系统营销管理技术领域，尤其涉及一种在线自适应OSELM-GARCH模型的电量预测方法。

背景技术

电力能源是人类生存和发展的重要基础。在我国市场经济制度持续完善的过程中，能源产业也逐渐发展为以市场为导向，这就要求电量预测要更加可靠、实时与准确。精确的电量预测是制定电力销售计划的重要依据，能够确保电网运行更加安全和经济。目前，各行各业对电力能源的依赖性日益显著，加之国内各地区电气化水平差异大，导致对电能消费需求变化趋势不同，用电量呈现出多元素化、变化复杂的特点，这对准确预测电量提出了挑战。传统的电量预测方法虽然纯熟，但对于用电模式的动态变化无法实时掌控，模型的泛化水平和数据适配性无法得到保证。

为了进一步提升电力系统的在线预测能力、实现可靠、实时的高准确度电量预测，本发明设计了一种在线自适应OSELM-GARCH模型的电量预测方法，从大量历史电量数据中充分提取信息，挖掘用电量与时间、天气之间的内在规律，并通过在线实时数据迭代优化更新前期的模型，通过模型的参数自适应调节提升了模型的泛化能力，同时利用在线方式实现高质量的预测性能。

发明内容

本发明提供一种在线自适应OSELM-GARCH模型的电量预测方法，为实现智能营销管理，保障电力系统安全、稳定、优质、经济运行提供高准确度的实时电量预测情况。主要内容包括：

本发明申请的具体技术方案为：

.一种在线自适应OSELM-GARCH模型的电量预测方法，包括以下步骤：

S1：将经过数据清洗后的电量数据进行STL时间序列加法分解，并分别对各分量进行模型搭建，以此实现整体预测框架的初始化；

S2：对新加入的一组实时电量数据进行时间序列分解，利用ELM在线更新算法对趋势项模型的参数进行更新，再利用梯度下降思想计算获取当前模型的随机参数的最优值并保存；

S3：基于白噪声检验判定初始GARCH模型对新数据的泛化水平，根据模型的适应性决定是否重新训练GARCH模型；

S4：合并分项结果得到整体预测框架；评价预测性能，并按照一定周期更新整体预测框架。

其中，更为详细的技术方案为：

S1包括以下子步骤：

S101：根据SCADA系统采集到的区域历史用电数据情况，以及用电量的影响因素，对缺失数据进行补全、异常点检测以及修正处理，使数据保持时间序列上的连续性和完整性；

S102：利用时间序列分解法STL提取用电量数据的周期项、趋势项和剩余项，得到三个子序列分别作为分项模型的训练标签；

S103：根据步骤S102得到周期项子序列的周期，利用持续性周期模型拟合周期项子序列；

S104：以用电量的影响因素和趋势项作为输入，利用ELM模型拟合趋势项子序列；

S105：以剩余项子序列作为输入，利用GARCH模型拟合，得到初始剩余项的分项模型。

S2包括以下子步骤：