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