基于DWT-SVQR集成的电力负荷概率预测方法技术

本发明专利技术公开了一种基于DWT‑SVQR集成的电力负荷概率预测方法，其步骤包括：1：收集电力负荷及相关影响因子的数据，将负荷时间序列进行离散小波变换(DWT)，确定有效频率成分，得到子序列；2：选择多种学习模型，在各子序列的训练集中加入影响因子分别训练；3：将各子序列在多种模型中的预测结果进行整合，在训练集上的预测组成新的训练集，在测试集上的预测组成新的测试集；4：在新的数据集上进行支持向量分位数回归(SVQR)集成，结合核密度估计，得到最终电力负荷的概率密度预测。本发明专利技术能利用有限长度的非稳定负荷数据特征，得到更精确的电力负荷概率预测，从而能为电力系统的协调和配置提供更有效的决策依据。

【技术实现步骤摘要】
基于DWT-SVQR集成的电力负荷概率预测方法
本专利技术属于电力负荷预测领域，具体的说是一种基于DWT-SVQR集成的电力负荷概率预测方法。
技术介绍
电力负荷预测对于国家和区域政策的制定尤为重要，因此获得全面且准确的电力负荷概率预测对国家的经济建设与社会稳定也有着至关重要的作用和实际意义。随着居民生活水平提高，用电需求超常增长，电力供需矛盾日渐突出，要使电力工业和国民经济得到协调可持续发展，关键点在于获得更准确的电力负荷预测。应用于电力负荷预测的方法大体上分为传统算法和现代算法，传统算法有时间序列法、趋势外推法和回归分析法等，现代算法有灰色算法、小波分析和人工神经网络等，但是由于电力负荷时间序列的非稳定性以及各种外界随机因素的干扰，这些单一的算法处理过程已无法满足预测需求，预测精度很难有根本性的提高。因此，获得时间序列的有效特征，充分考虑各种影响因子以及结合效果优越的模型是传统算法和现代算法亟需改进和解决的。此外，各种外界因素和随机因素越来越复杂，使电力负荷数据的分析难度增大，电力行业产生了大量特征多样的数据，且数据量高速增本文档来自技高网...

【技术保护点】
1.一种基于DWT-SVQR集成的电力负荷概率预测方法，其特征是按如下步骤进行：/n步骤1、收集电力负荷的时间序列{Y

【技术特征摘要】
1.一种基于DWT-SVQR集成的电力负荷概率预测方法，其特征是按如下步骤进行：
步骤1、收集电力负荷的时间序列{Yt}t＝1,2,…,T及其影响因子数据，并将时间序列{Yt}t＝1,2,…,T进行离散小波变换，保留有效频率分量，从而得到细节分量子序列{Di}i＝1,2,…,I和一个趋势分量子序列{A}，电力负荷的时间序列{Yt}t＝1,2,…,T和各分量子序列均进行归一化处理，得到归一化后的时间序列和分量子序列；其中，Yt表示第t个时间点的电力负荷值，表示归一化后的第t个时间点的电力负荷值；且t＝1,2,…,T；Di表示第i个影响电力负荷值的细节分量子序列，I表示细节分量子序列的数量，A表示影响电力负荷值的趋势变量子序列；
将所述归一化后的分量子序列以时间点N划分为训练集和测试集；其中，所述训练集为前N个时间点的数据，测试集为第N+1个时间点后的数据；
步骤2、选择J种学习模型，在各分量子序列的训练集中加入影响因子后分别对J种学习模型进行训练，得到训练后的J种学习模型，其中，训练后的J种细节分量子序列模型记为训练后的J种趋势变量子序列模型记为表示第i个细节分量子序列的第j种模型，表示趋势分量子序列A的第j种模型；
步骤3、将分量子序列在模型中的电力负荷预测结果进行整合，在训练集上的预测组成新的训练集，在测试集上的预测组成新的测试集；
步骤3.1、将训练集和测试集分别作为训练后的J种学习模型的输入，从而相应得到J种细节分量子序列模型在训练集上的细节分量子序列输出记为在测试集上的细节分量子序列输出记为J个趋势变量子序列的模型在训练集上的趋势分量子序列输出记为{TrAj}j＝1,2,…,J，在测试集上的趋势变量子序列输出记为{TeAj}j＝1,2,…,J，其中，是第j种模型在训练集上的第i个细节分量子序列的电力负荷预测输出，是第j种模型在测试集上的第i个细节分量子序列的电力负荷预测输...

【专利技术属性】
技术研发人员：何耀耀，肖经凌，王云，张婉莹，曹朝金，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34