基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置，根据经验可知气温和节假日因素是影响负荷变化的重要的因素，采用小波分解将负荷曲线分解为低频和高频信息，根据影响低频和高频系数变化的因素，采用不同的预测方法，与气温和节假日相关的采用回归分析法预测，其余部分采用三次指数平滑算法进行预测，这样能够考虑影响负荷变化的多种因素，从而保障负荷预测的精度。

Power Load Forecasting Method and Device Based on Time-Frequency Transform Feature Extraction and Autoregressive Trend Forecasting Technology

【技术实现步骤摘要】
基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置
本专利技术涉及一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。电力是国民经济的命脉，它对经济建设、国家安全、社会稳定具有至关重要的作用。近年来，随着电力市场改革的深入开展，用电用户的电量和负荷对电力系统输送的电能质量的要求也越来越高。由于电能不能大量的储存，这就要求发电出力应该与电量和负荷的变化保持动态平衡。否则，轻则影响供电质量，重则危及系统的安全和稳定。因此负荷的变化进行预测估计是电力系统运行与发展的重要内容。电力负荷预测是电力市场的重要组成部分，是经济调度和电力生产规划的重要依据，也是电力市场顺利发展的必需数据。它从已知的用电需求出发，充分考虑经济、气候等相关因素的影响，预测未来的用电需求。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用户正常用电需求，甚至还可能缺电；另一方面，若负荷及电量预测过高，则又会导致一些过多而不能充分利用的设备，从而引起投资的浪费。因此，在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，研究或利用一套系统，预测未来某些特定时刻的负荷数据，有利于计划用电管理，合理安排电网运行方式和建立机组检修计划，有利于节煤、节油，减少能耗和降低发电成本，有利于合理的安排电网的增容和改建、决定电网的建设和发展，有利于提高电力系统的经济效益和社会效益。
技术实现思路
本专利技术为了解决上述问题，提出了一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置，本专利技术能够有效提高负荷预测的准确性。为了实现上述目的，本专利技术采用如下技术方案：本专利技术的第一目的是提供一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法,包括以下步骤:获取气温与节假日影响因素：采集相关日期日最高温和最低温，对每日气温做归一化处理，根据日期结合农历年辨识出节假日；对用户负荷做n层小波分解，利用最高层的低频系数反映负荷变化的趋势,通过聚类提取具有相同趋势的负荷曲线，将分类后的每一类变化曲线与气温及节假日进行关联分析，得到每一类变化曲线与影响因素的相关性；对得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，得到初步预测计算结果；采用基于小波分解和三次指数平滑算法的短期负荷预测模型进行预测，预测出的每日24点负荷与得到的最大负荷、最小负荷及平均负荷进行对比，进行初步预测计算结果的修正，得到最终的短期预测结果。进一步的，获取气温与节假日影响因素中，具体包括从网页爬取相关日期的日最高温和最低温，对每日气温做归一化处理，根据权重将最高温和最低温合并到一起，根据日期结合农历年辨识出节假日，并对节假日加以量化。进一步的，在进行n层小波分解后的聚类之前，对每个用户的小波系数进行归一化，采用的方法是使每个用户的系数特征的模为1。进一步的，采用基于欧式距离的Kmeans算法进行聚类，实现数据的噪音滤波，将具有相同用电行为特征的用户划分在一类。进一步的，进行影响因素的关联时，将分类后的每一类变化曲线与气温及节假日的外部因素采用Apriori算法做关联分析，得到每一分类结果分别与哪一种或哪几种外部因素相关的结果。进一步的，获得分类和关联结果后，对于不同类用户，采用不同的预测方法，对于得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，将两者得到的预测结果相加得到初步短期预测结果。进一步的，基于小波分解和三次指数平滑算法的短期负荷预测模型的预测过程包括：对现有的用户每天24点的数据做小波n层分解，得到第n层的低频系数和高频系数；对第n层的低频系数和高频系数进行小波系数重构；对重构后的小波系数采用三次指数平滑算法进行预测，将每部分预测结果相加即为最终短期负荷预测结果。进一步的，分别根据初步预测计算结果以及短期预测模型计算出的最大负荷值、最小负荷值和平均负荷值，求取除了最大最小值外的负荷之和S1、S2，利用短期预测模型计算出S2和初步预测计算结果S1对各个时刻的负荷值进行修正。本专利技术的第二目的是提供一种基于时频变换特征提取和自回归趋势预测方法的负荷预测系统，包括：数据爬取模块，与特征提取模块和短期预测模块相连，所述数据爬取模块上部署气温处理模块以及节假日处理模块，气温处理模块将从网站爬取到的每日最高温和最低温做归一化处理，根据设定的权重将最高温和最低温合并，节假日处理模块根据日期结合农历年辨识出节假日并对判定结果做出标记以进行后续分析；特征提取模块，分别与数据爬取模块和修正模块相连，所述特征提取模块上部署小波分解模块、分类模块和关联分析模块，小波分解模块是为了提取用户自身负荷变化的特征，分类模块采用聚类的方式，将提取到的用户特征聚成具有明显特征的几类，关联分析模块将每一类中的负荷数据曲线与相对应的数据爬取模块输出的天气数据和节假日数据采用关联规则方法做关联分析，得到与每一类变化曲线相关的因素特征；修正模块，分别与特征提取模块和短期预测模块相连，将特征提取模块中得到的与气温和节假日因素特征相对应的小波系数采用回归分析的方式预测，将小波系数中与气温/节假日因素无关的部分采用三次指数平滑预测方法进行预测；短期预测模块，与数据爬取模块和修正模块相连，所述短期预测模块上部署基于小波分解和三次指数平滑的负荷预测模型，对负荷进行短期预测，对负荷进行小波分解重构，各层系数采用三次指数平滑方法进行预测最后相加的方法，修正模块的输出结果即最高、最低和平均负荷对短期预测模块中得到的日24点负荷值的结果进行修正。进一步的，所述修正模块上部署回归分析模块和基于三次指数平滑的趋势预测模块，所述回归分析模块将特征提取模块中得到的与气温和节假日因素特征相对应的小波系数采用回归分析的方式预测，基于三次指数平滑的趋势预测模块将小波系数中与气温/节假日因素无关的部分采用三次指数平滑预测方法进行预测，将两模块结果相加即为最终的修正模块结果。一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法。一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法。与现有技术相比，本专利技术的有益效果为：1.电力负荷数据是典型的时序数据，在预测过程中需要尽可能保留负荷自身发展趋势，同时映射各类因素在时间维度上对负荷的影响情况，因此使用基于时频变换的时序数据特征提取及自回归趋势预测技术。为了更好的提取出负荷曲线变化的特征，采用小波分解特征提取的方式，小波分解能够同时分解时域和频域的信息，更好的显示负荷曲线本身的变化趋势，并且不会丢失原信号的重要信息。2.由于负荷的变化受许多外界因素的影响，如气温、节假日、经济发展等因素，根据经本文档来自技高网...

【技术保护点】
1.一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：包括以下步骤:获取气温与节假日影响因素：采集相关日期日最高温和最低温，对每日气温做归一化处理，根据日期结合农历年辨识出节假日；对用户负荷做n层小波分解，利用最高层的低频系数反映负荷变化的趋势,通过聚类提取具有相同趋势的负荷曲线，将分类后的每一类变化曲线与气温及节假日进行关联分析，得到每一类变化曲线与影响因素的相关性；对得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，得到初步预测计算结果；采用基于小波分解和三次指数平滑算法的短期负荷预测模型进行预测，预测出的每日24点负荷与得到的最大负荷、最小负荷及平均负荷进行对比，进行初步预测计算结果的修正，得到最终的短期预测结果。

【技术特征摘要】
1.一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：包括以下步骤:获取气温与节假日影响因素：采集相关日期日最高温和最低温，对每日气温做归一化处理，根据日期结合农历年辨识出节假日；对用户负荷做n层小波分解，利用最高层的低频系数反映负荷变化的趋势,通过聚类提取具有相同趋势的负荷曲线，将分类后的每一类变化曲线与气温及节假日进行关联分析，得到每一类变化曲线与影响因素的相关性；对得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，得到初步预测计算结果；采用基于小波分解和三次指数平滑算法的短期负荷预测模型进行预测，预测出的每日24点负荷与得到的最大负荷、最小负荷及平均负荷进行对比，进行初步预测计算结果的修正，得到最终的短期预测结果。2.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：获取气温与节假日影响因素中，具体包括从网页爬取相关日期的日最高温和最低温，对每日气温做归一化处理，根据权重将最高温和最低温合并到一起，根据日期结合农历年辨识出节假日，并对节假日加以量化。3.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：在进行n层小波分解后的聚类之前，对每个用户的小波系数进行归一化，采用的方法是使每个用户的系数特征的模为1；或，采用基于欧式距离的Kmeans算法进行聚类，实现数据的噪音滤波，将具有相同用电行为特征的用户划分在一类；或，进行影响因素的关联时，将分类后的每一类变化曲线与气温及节假日的外部因素采用Apriori算法做关联分析，得到每一分类结果分别与哪一种或哪几种外部因素相关的结果。4.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：获得分类和关联结果后，对于不同类用户，采用不同的预测方法，对于得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，将两者得到的预测结果相加得到初步短期预测结果。5.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：基于小波分解和三次指数平滑算法的短期负荷预测模型的预测过程包括：对现有的用户每天24点的数据做小波n层分解，得到第n层的低频系数和高频系数；对第n层的低频系数和高频系数进行小波系数重构；对重构后的小波系数采用三次指数平滑算法进行预测，将每部分预测结果相加即为最终短期负荷预测结果。6.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预...

【专利技术属性】
技术研发人员：史玉良，张晖，管永明，吕梁，刘智勇，甄帅，
申请(专利权)人：山大地纬软件股份有限公司，
类型：发明
国别省市：山东,37