一种基于EWT和ODBSCAN的短期电力负荷预测方法技术

一种基于EWT和ODBSCAN的短期电力负荷预测方法，可解决单一的预测模型对于具有复杂变化及随机特性的负荷序列，预测难以获得理想的精度的技术问题。本发明专利技术提出基于EWT和ODBSCAN的组合预测方法，首先，采用EWT分解负荷，得到不同的固有模态分量；其次，采用合理的方法对各分量进行预测。其中，低频、中频分量采用IRF预测；高频分量具有不确定性，使用ODBSCAN根据气象因素温度和湿度聚类，再根据每类的样本特性选择处理方法。最后，叠加各个分量的预测结果，获取总的预测结果。根据某地市现场实测负荷数据进行实验，预测结果分别与EWT‑IRF、EWT‑RF、EMD‑IRF模型的预测结果进行对比，可以获得更高的预测精度，体现实际负荷的变化规律。

A short-term load forecasting method based on EWT and odbscan

【技术实现步骤摘要】
一种基于EWT和ODBSCAN的短期电力负荷预测方法
本专利技术涉及电网运行
，具体涉及一种基于EWT和ODBSCAN的短期电力负荷预测方法。
技术介绍
为了适应社会发展需求，大规模可再生能源接入电力系统中，使得电能的合理调度愈发重要。负荷预测是电网合理规划和运行的基石，对负荷准确地进行预测能够最大程度地利用电能、节约用电成本具有重要意义。目前，在短期负荷预测中涌现出多种预测方法，如时间序列法，线性回归分析法、人工神经网络法、SVM(supportvectormachine)等。时间序列法和线性回归法依赖于数学方法建立预测模型，不能解决天气等与负荷之间的非线性问题。针对传统方法预测准确度低的问题，国内外相关学者进行了相关研究，人工神经网络、SVM相继被提出。人工神经网络由于其很强的自学习以及对于复杂非线性函数具备较好的拟合能力，在负荷预测得到广泛应用。但是BP等负荷预测方法采用经验风险最小化(empiricalriskminimization,ERM)训练，易陷入局部最优解。针对此问题，将ERM的原理调整为结构风险最小化(stru本文档来自技高网...

【技术保护点】
1.一种基于EWT和ODBSCAN的短期电力负荷预测方法，其特征在于：包括以下步骤：/nS1OO、利用EWT将原始电力负荷分解为低频分量、中频分量和高频分量；/nS2OO、对于低频分量和中频分量使用IRF建模进行训练与预测；/nS3OO、对于高频分量根据温度、湿度采用ODBSCAN进行聚类，得到噪声样本、大样本、小样本；噪声样本不进行预测，直接作为预测值；/n大样本、小样本分别采用考虑气象因素的IRF建模进行预测，根据时间点合成高频分量的预测值；/nS4OO、最后将步骤S200和步骤S300各个分量的预测结果相加。/n

【技术特征摘要】
1.一种基于EWT和ODBSCAN的短期电力负荷预测方法，其特征在于：包括以下步骤：
S1OO、利用EWT将原始电力负荷分解为低频分量、中频分量和高频分量；
S2OO、对于低频分量和中频分量使用IRF建模进行训练与预测；
S3OO、对于高频分量根据温度、湿度采用ODBSCAN进行聚类，得到噪声样本、大样本、小样本；噪声样本不进行预测，直接作为预测值；
大样本、小样本分别采用考虑气象因素的IRF建模进行预测，根据时间点合成高频分量的预测值；
S4OO、最后将步骤S200和步骤S300各个分量的预测结果相加。


2.根据权利要求1所述的基于EWT和ODBSCAN的短期电力负荷预测方法，其特征在于：所述S1OO、利用EWT将原始电力负荷分解为低频分量、中频分量和高频分量；
具体包括：
定义细节系数和近似系数的公式如(1),(2)：







分别为经验小波函数ψn(t)和经验尺度函数φ1(t)的傅里叶变换；

的具体推导过程如下：
假设将Fourier支撑区间[0,π]分割成N个连续的部分，Λn＝[ωn-1,ωn],
ωn为各分段的边界，定义一个以ωn为中心点的过渡区域Tn，宽为2λn，定义经验小波为每个连续分段Λn上的带通滤波器；
对于任意n＞0，得到经验尺度函数和经验小波函数的计算公式(3)和(4)；






式中：β(x)＝x4(35-84x+70x2-20x3)，γ∈[0,1]，且λn＝γωn；
由此，原始信号f(t)为



式中：分别为的傅里叶变换形式；
则EWT的分解如下：
原始信号f(t)分解的结果如下式：



每个fi(t)是一个AM-FM函数，写成



根据(6)，可得到



为了找到N+1个边界ωn，对傅里叶幅值进行检测，找出其局部最大值，然后将其降序排列，0,π不包含在内；
假定找到了M个局部最大值Mj(j＝1,···,M)，且Mj满足：Mj＞MM+α(M1-MM)，不等式右边称为阈值，其中α对应于相对振幅比会出现以下两种情况：
1)M≥N，此时取前N-1个最大值；
2)M＜N，信号的模态个数少于理想的情形，保留所有检测到的最大值并将N重置为适当的值；
N为大于阈值的局部最大值的个数，这些局部最大值对应的ωn定义为每个段的边界，将这组边界加上0和π，得到N+1个边界。


3.根据权利要求1所述的基于EWT和ODBSCAN的短期电力负荷预测方法，其特征在于：S3OO、对于高频分量根据温度、湿度采用ODBSCAN进行聚类，得到噪声样本、大样本、小样本；噪声样本不进行预测，直接作为预测值；大样本、小样本分别采用考虑气象因素的IRF建模进行预测，根据时间点合成高频分量的预测值；
其中，采用ODBSCAN进行聚类步骤如下：
确定Eps传统的方法将计算得到的k-dist值进行升序排列，并画出k-dist曲线图；
然后通过观察图中k-dist值急剧变化的点来确定Eps参数；
通过计算每个点相对于下个点的距离即斜率来寻找k-dist图中急剧陡升的点；点的斜率定义为第个点与个点之间距离的绝对值，计算公式如下：



由于需要得到k-dist图中变化幅度最大的点，故将值为零的点滤除之后计算剩余点的斜率的平均值(Mean)和标准差(Std)；
计算出所有非零斜率的平均值和标准差后，第一个大于平均值和标准差之和(Mean+Std)的斜率,该斜率对应的k-dist，即为所求的邻域半径；
为了更好地确定邻域密度阈值Minpts，在得出最佳的Eps后，引入聚类有效性指标轮廓系数来找出最优的Minpts；
样本j'轮廓系数的计算公式如(10)，



(1)s(j')→1，说明样本j'聚类合理；
(2)s(j')→0，样本j'处于两类的边界；
(3)s(j')→-1，则此时样本j'的分类错误。


4.根据权利...

【专利技术属性】
技术研发人员：丁津津，张倩，高博，王群京，黄少雄，郑国强，徐斌，谢毓广，陈凡，李智，李远松，孙辉，张峰，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，安徽大学，
类型：发明
国别省市：安徽;34