基于频域分解及人工智能算法的短期负荷预测方法技术

本发明专利技术针对现有的短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，提供一种基于频域分解及人工智能算法的短期负荷预测方法。该方法，包括：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量；采用神经网络算法对日周期和周周期进行预测；采用随机森林算法对低频分量进行预测；对高频分量进行二次分解，对分解后的低频部分采用神经网络算法进行预测。本发明专利技术所提的基于频域分解的短期负荷预测模型，预测结果与Elman神经网络、随机森林预测结果相比具有更高的预测精度。

【技术实现步骤摘要】
基于频域分解及人工智能算法的短期负荷预测方法
本专利技术涉及电力系统预测相关
，具体地说，涉及一种基于频域分解及人工智能算法的短期负荷预测方法。
技术介绍
负荷预测可根据预测期限分为长期预测(年度预测)、中期预测(月度预测)、短期预测(日度预测)和超短期预测(时分预测)。短期负荷预测对如何安排调度计划、联络线交换功率、机组优化组合等有着重要意义。电力负荷在短期内具有高度波动性和随机性，因此短期负荷预测更加困难。随着我国节能减排政策的逐步实施，提高负荷预测的精度已成为一个日益重要的研究课题。近年来，出现了各种各样的负荷预测方法，如基于统计分析理论的时间序列法；根据逻辑规则进行推理的神经网络法；建立在统计学习理论和结构风险最小原理基础上的支持向量机法；采用变换分位数回归和高斯核函数的组合预测方法；随机森林作为比较新的机器学习算法，广泛应用于负荷预测研究中。其中一个现有技术应用了Elman神经网络，该网络通过将承接层作为延迟算子添加到前馈网络的隐藏层，以实现记忆的目的并提高网络稳定性。另一现有技术提出随机森林法，该方法所需调节参数少，具有较强的泛化能力，且收敛速度快，预测精度高。由于负荷的随机因素过多，非线性极强，传统方法的理论基础也有限。近年来，对负荷序列进行先分解再预测的方法成为研究热点。有现有技术提出了经验模态分解法，然后结合不同预测方法估算短期负荷。也有现有技术提出了一种基于小波-原子稀疏分解的超短期负荷预测模型，结合粒子群优化算法和正交匹配追踪算法，提高了原子稀疏分解能力，更有利于提升负荷的预测精度。其他现有技术也公开了使用Akima插值法代替滑动平均值法来处理局域函数以改进局域均值分解(LocalMeanDecomposition，LMD)算法，然后使用广义回归神经网络，预测每个分量的趋势，叠加各个分量得到负荷序列的总趋势。但现有的短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，急需一种具有更高精度的短期负荷预测方法。
技术实现思路
本专利技术针对现有的短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，提供一种基于频域分解及人工智能算法的短期负荷预测方法。本专利技术所需要解决的技术问题，可以通过以下技术方案来实现：一种基于频域分解及人工智能算法的短期负荷预测方法，其特征在于，包括：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量；采用神经网络算法对日周期和周周期进行预测；采用随机森林算法对低频分量进行预测；对高频分量进行二次分解，对分解后的低频部分采用神经网络算法进行预测。本专利技术中，用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量，包括如下步骤：1)采用傅里叶变换对原始负荷数据的负荷时间序列进行分解，得到了彼此正交的谐波信号；2)利用负荷变化周期性的特性对步骤1)分解后的负荷时间序列进行重构；3)通过傅立叶变换结合欧拉公式获得日周期分量、周周期分量、低频分量和高频分量。本专利技术中，所述步骤1)中，对原始负荷数据的负荷时间序列P(t)作如下分解：其中，N为历史负荷数据个数，ai和bi为系数。本专利技术中，所述步骤2)中，把P(t)分解为角频率为wi＝2π×i÷N，(i＝1，2，…，N-1)的分量，将P(t)重构如下式：P(t)＝a0+D(t)+W(t)+L(t)+H(t)，其中，a0+D(t)是日周期分量，W(t)是周周期分量，L(t)是低频分量，H(t)是高频分量。本专利技术中，所述步骤3)，包括：对负荷序列进行离散傅立叶变换，通过频谱值获得系数ai，bi；利用傅里叶逆变换结合欧拉公式еjθ＝cosθ+jsinθ，求得分解后的负荷时间序列。本专利技术中，所述神经网络算法为Elman神经网络算法。本专利技术中，所述随机森林算法，包括：使用自举法从原始低频分量数据中随机提取i个样本数据集作为每个决策树的子样本集，每个样本大小与原始低频分量数据集相同，并且每次未被取样的数据构成袋外数据；对各个子样本集分别建立分类回归树，构建i棵决策树，在构建过程中，对于决策树的各个节点，随机采样原始低频分量数据变量集，获得变量子集，根据基尼指数最小准则从变量子集中选取最优特征进行分裂；每棵分类回归树从顶部到底部递归分枝生长，达到设置叶节点的最小尺寸后决策树停止生长，所有的决策树组合成为随机森林；在随机森林模型中输入测试数据，利用i棵决策树分别对子测试样本集预测，取每个决策树预测结果的平均值为预测值。本专利技术中，对高频分量采用Mallat算法进行二次分解。本专利技术的基于频域分解及人工智能算法的短期负荷预测方法，采用频域分解算法对负荷数据分解，得到了日周期、周周期、低频和高频四个分量。分析不同分量的特点，有针对性的选用不同预测方法。对规律性很强的日周期、周周期分量，采用Elman预测；低频分量样本较少，则使用随机森林预测；对波动比较大的高频分量先利用Mallat算法二次分解，再取较平稳的分量做样本结合Elman神经网络预测。本专利技术所提的基于频域分解的短期负荷预测模型，预测结果与Elman神经网络、随机森林预测结果相比具有更高的预测精度。附图说明以下结合附图和具体实施方式来进一步说明本专利技术。图1为本专利技术的负荷预测模型。图2为随机森林计算流程图。图3为Mallat算法的分解。图4为原始负荷序列。图5为频域分解后的四个分量。图6为日周期分量的预测结果。图7为周周期分量的预测结果。图8为低频分量的预测结果。图9为高频分量经mallat分解后的对比。图10为高频分量的预测结果。图11为频域分解模型预测结果。具体实施方式为了使本专利技术的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本专利技术。本专利技术的主旨在于，通过对现短期负荷预测的方法和实际需求的分析，发现现有短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，通过本专利技术提供一种基于频域分解及人工智能算法的短期负荷预测方法以解决上述问题。参见图1，负荷序列本质上具有不稳性，在频域分解之后，部分负荷序列表现出一定的规律性。为提升预测精度，根据不同的特征，使用不同的预测方法，本专利技术预测步骤的核心部分如下：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量；采用神经网络算法对日周期和周周期进行预测；采用随机森林算法对低频分量进行预测；对高频分量进行二次分解，对分解后的低频部分采用神经网络算法进行预测。即通过适当的组合和负荷变化周期性的特点，将按固定周期变化的负荷分量,在预测时可以直接外推的负荷分量分为日周期、周周期分量；将各分量周期大于24h，气象因素等慢变相关因素影响的负荷分为低频分量；将随机变化的负荷分量，无法建立模型进行预测的部分分为高频分量。由于日周期、周周期分量是按固定周期变化的负荷分量，因此，采用很多方法都可以达到很好的预测效果，所以，在频域分解后对剩余分量的预测才是主要问题，以下将详细对本专利技术的方案进行说明。这里，使用频域分析方法分析负荷数据，对频域分解算法对原始负荷数据的负荷时间序列进行分解，首先利用傅里叶变换对负荷时间序列P(t)作如下分解：式中，N为历史负荷数据个数，ai和bi为系数。对本文档来自技高网...

【技术保护点】
1.基于频域分解及人工智能算法的短期负荷预测方法，其特征在于，包括：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量；采用神经网络算法对日周期和周周期进行预测；采用随机森林算法对低频分量进行预测；对高频分量进行二次分解，对分解后的低频部分采用神经网络算法进行预测。

【技术特征摘要】
2018.10.17 CN 20181120891751.基于频域分解及人工智能算法的短期负荷预测方法，其特征在于，包括：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量；采用神经网络算法对日周期和周周期进行预测；采用随机森林算法对低频分量进行预测；对高频分量进行二次分解，对分解后的低频部分采用神经网络算法进行预测。2.根据权利要求1所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量，包括如下步骤：1)采用傅里叶变换对原始负荷数据的负荷时间序列进行分解，得到了彼此正交的谐波信号；2)利用负荷变化周期性的特性对步骤1)分解后的负荷时间序列进行重构；3)通过傅立叶变换结合欧拉公式获得日周期分量、周周期分量、低频分量和高频分量。3.根据权利要求2所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：所述步骤1)中，对原始负荷数据的负荷时间序列P(t)作如下分解：其中，N为历史负荷数据个数，ai和bi为系数。4.根据权利要求3所述的基于频域分解及人工智能算法的短期负荷预测方法，其特征在于：所述步骤2)中，把P(t)分解为角频率为wi＝2π×i÷N，(i＝1，2，…，N-1)的分量，将P(t)重构如下式：P(t)＝a0+D(t)+W(t)+...

【专利技术属性】
技术研发人员：张倩，丁津津，马金辉，马愿，谢毓广，李顺，李智，赵晓春，叶海峰，黄少雄，王璨，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34