一种基于序列成分分解与神经网络的中期电量预测方法技术

本发明专利技术属于电力系统负荷预测领域，特别是涉及一种基于序列成分分解与神经网络的中期电量预测方法，包括：首先利用H‑P滤波方法和奇异谱分析方法对原始中期电量序列进行分解，得到长期稳定变化趋势序列和各周期成分序列；然后基于这些序列，构建BP神经网络模型并进行预测，得到各序列未来的中期预测值，最后讲这些所有预测值相加，得到最终未来的中期电量预测结果。该预测方法在应用于实际中期电量预测中具有较高的预测精度，同时在进行多步预测时有较好的平稳性。

A Mid-term Electricity Prediction Method Based on Sequential Component Decomposition and Neural Network

【技术实现步骤摘要】
一种基于序列成分分解与神经网络的中期电量预测方法
本专利技术属于电力系统负荷预测领域，特别是涉及一种基于序列成分分解与神经网络的中期电量预测方法。
技术介绍
我国电力市场化改革尚处于起步阶段,中长期交易仍是现阶段我国电力市场的主要交易模式。在中长期交易机制下，市场主体需要对于未来数星期或者数月的电量需求情况进行提前的预测，以指导电能生产，资源采购，定价等相关策略的制定，并有效规避市场风险，因此中期电量预测的重要性日渐突出。同时发电侧大量清洁能源并网所带来的不确定性与用户需求响应行为的差异性都增加了中期电量特征的复杂性，这也使中期电量的准确预测面临重大挑战。中期电量既有随时间推移的缓慢变化趋势，又表现出不同周期相似的波动特征。这种二重特性使得传统的中期电量预测方法如指数平滑法、ARIMA方法，灰色模型以及回归分析法等方法适应性较差。由此，针对中期电量预测的研究方向转向基于序列成分分解的预测方法，现阶段常用的分解方法有小波分解、经验模态分解、传统数字滤波分解等。然而，由于这些方法本身的缺陷使得它们存在一定的局限性，如小波分解需要人为选择小波基，经验模态分解易受“边界效应影响”以及传统滤波分解精度不足等。
技术实现思路
针对上述问题，为了能够对中期电量序列进行物理意义明确、有效的分解，同时提高预测精度和在进行多步预测时的平稳性，本专利技术提出一种基于序列成分分解与神经网络的中期电量预测方法，包括：步骤A、使用H-P滤波方法对中期电量序列进行分解，得到中期电量序列中的长期稳定变化趋势序列和季节性周期波动序列；步骤B、使用奇异谱分析方法对步骤A中得到的季节性周期波动序列中的主要周期成分进行分解与提取；步骤C、对步骤A中得到的趋势序列以及步骤B中分解出的主要周期序列分别构建BP神经网络模型并进行预测，得到各序列未来一年的中期预测值；步骤D、将步骤C最后得到的所有预测值相加，得到最终未来一年的中期电量预测结果。所述步骤B中使用奇异谱分析方法对季节性周期波动序列中的主要周期成分进行分解与提取，具体如下所述：B1、对季节性周期波动序列进行频谱分析，确定波动序列中主要周期成分所对应的频率；B2、选择嵌入维度K，构造季节性周期波动序列的迹矩阵X；B3、对迹矩阵X进行奇异值分解，求取矩阵XTX的特征值并根据特征值大小降序排列，记为λ1≥λ2≥…≥λk≥0，根据(XTX)Ui＝λiUi求取各特征值对应的特征向量Ui，计算迹矩阵X的主成分根据求取矩阵X的重构分量Xi；B4、将步骤B3得到的重构分量Xi进行对角平均化处理，还原为一维重构序列RCi。B5、对步骤B4得到的重构序列RCi进行频谱分析；B6、若步骤B5中主要重构序列的频谱分析结果不能与步骤B1中原波动序列的主要周期成分所对应频率相匹配，则返回步骤B1重新选择K值，重复步骤B2～B5。若步骤B5中主要重构序列的频谱分析结果能与步骤B1中原波动序列的主要周期成分所对应频率相匹配，则根据步骤B5所得频谱分析结果将对应同一频率的重构序列叠加作为原波动序列中特定频率下的周期成分。所述步骤B2中的嵌入维度K的选取原则为：K值应足够大以保证对周期成分分解的效果，但不能大于原序列长度的一半，同时所选K值要能够整除原序列中已知最大周期。本专利技术的有益技术效果在于：本专利技术利用H-P滤波方法和奇异谱分析方法对原始中期电量序列进行分解，得到较原中期电量序列波动性更低、物理意义更为明确，更容易被学习的趋势序列与各周期成分序列；然后基于这些趋势序列与各周期成分序列，使用具有良好非线性逼近能力的BP神经网络构建预测模型，最后对中期电量进行预测。该预测方法应用于实际中期电量预测中具有较高的预测精度，同时在进行多步预测时有较好的平稳性。附图说明附图1为总体实施步骤流程图；附图2为原始数据及趋势分解结果图；附图3为波动序列的频谱分析结果图；附图4为经奇异谱分析所分解的波动序列主要周期成分及其频谱分析结果图；附图5为实施例预测结果图；附图6为实施例预测误差结果分析图；具体实施方式下面结合附图和实施例作详细说明。本专利技术提出了一种基于序列成分分解与神经网络的中期电量预测方法，如附图1所示，包括如下步骤：步骤A、使用H-P滤波方法对月度电量序列y(t)进行分解，得到月度电量序列中的长期稳定变化趋势序列T(t)和季节性周期波动序列F(t)；步骤B、使用奇异谱分析方法(SSA)对步骤A中得到的季节性周期波动序列F(t)中的主要周期成分进行分解与提取，得到F1(t),F2(t),…,Fi(t)；步骤C、对步骤A中得到的趋势序列T(t)以及步骤B中分解出的主要周期序列F1(t),F2(t),…,Fi(t)分别构建BP神经网络模型NNT,NNF1,NNF2,…,NNFi并进行预测，得到各序列未来一年的中期预测值T,F1,F2,…,Fi；步骤D、将步骤C最后得到的所有预测值相加，得到最终未来一年的中期电量预测结果。所述步骤B中使用奇异谱分析方法(SSA)对步骤A中得到的季节性周期波动序列F(t)中的主要周期成分进行分解与提取，得到F1(t),F2(t),…,Fi(t)，具体如下所述：B1、对季节性周期波动序列F(t)进行频谱分析，确定该波动序列中主要周期成分所对应的频率；B2、选择嵌入维度K，构造波动序列的迹矩阵X；B3、对迹矩阵X进行奇异值分解，求取矩阵XTX的特征值并根据特征值大小降序排列，记为λ1≥λ2≥…≥λk≥0，根据(XTX)Ui＝λiUi求取各特征值对应的特征向量Ui，计算迹矩阵X的主成分根据求取矩阵X的重构分量Xi；B4、将步骤B3得到的重构分量Xi进行对角平均化处理，还原为一维重构序列RCi。B5、对步骤B4得到的重构序列RCi进行频谱分析；B6、若步骤B5中主要重构序列的频谱分析结果不能与步骤B1中原波动序列的主要周期成分所对应频率相匹配，则返回步骤B1重新选择K值，重复步骤B2～B5。若步骤B5中主要重构序列的频谱分析结果能与步骤B1中原波动序列的主要周期成分所对应频率相匹配，则根据步骤B5所得频谱分析结果将对应同一频率的重构序列叠加作为原波动序列中特定频率下的周期成分。所述步骤B2中的嵌入维度K的选取原则为：K值应足够大以保证对周期成分分解的效果，但不能大于原序列长度的一半，同时所选K值要能够整除原序列中已知最大周期。实施例：本实施例以某地区1983年1月至2016年12月，共计408个月的用电量历史数据为具体实施对象。步骤1：使用H-P滤波方法对原始月度电量序列进行处理得到平稳变化的趋势序列与非线性特征明显的波动序列，结果见图2。步骤2：对步骤1中得到的波动序列中的主要周期成分进行分解与提取，具体为:步骤2.1：对波动序列进行频谱分析，确定主要周其成分所对应频率，结果见图3，分析结果显示，序列中已知主要周其成分所对应的最大的周期为12个月；步骤2.2：对波动序列进行奇异谱分析。根据步骤2.1的分析，嵌入维度K选择12的倍数。当K为36时，前10个特征值λ1～λ10所对应的重构序列能够很好地反映原序列的周期波动特性。前10个特征值占全部特征值总和的95.10％，即前10个特征值所对应的序列对波动序列的能量贡献达到了95.10％，包含了原始序列最主要的信息可以很好地重构原始波动序列。随着K值增大，前10本文档来自技高网...

【技术保护点】
1.一种基于序列成分分解与神经网络的中期电量预测方法，其特征在于，包括：步骤A、使用H‑P滤波方法对中期电量序列进行分解，得到中期电量序列中的长期稳定变化趋势序列和季节性周期波动序列；步骤B、使用奇异谱分析方法对季节性周期波动序列中的周期成分进行分解与提取；步骤C、对长期稳定变化趋势序列以及周期序列分别构建BP神经网络模型并进行预测；步骤D、将得到的预测值相加，得到最终未来一年的中期电量预测结果。

【技术特征摘要】
1.一种基于序列成分分解与神经网络的中期电量预测方法，其特征在于，包括：步骤A、使用H-P滤波方法对中期电量序列进行分解，得到中期电量序列中的长期稳定变化趋势序列和季节性周期波动序列；步骤B、使用奇异谱分析方法对季节性周期波动序列中的周期成分进行分解与提取；步骤C、对长期稳定变化趋势序列以及周期序列分别构建BP神经网络模型并进行预测；步骤D、将得到的预测值相加，得到最终未来一年的中期电量预测结果。2.根据权利要求1中所述方法，其特征在于，所述步骤B具体包括：B1、对季节性周期波动序列进行频谱分析，确定季节性周期波动序列中周期成分所对应的频率；B2、选择嵌入维度K，构造季节性周期波动序列的迹矩阵X；B3、对迹矩阵X进行奇异值分解，求取矩阵XTX的特征值并...

【专利技术属性】
技术研发人员：刘文霞，陈浩文，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京,11