基于辛几何模态分解的短期电力负荷预测方法及系统技术方案

本发明专利技术涉及电力负荷处理技术领域，公开了一种基于辛几何模态分解的短期电力负荷预测方法及系统，其方法通过采用辛几何模态对历史电力负荷时间序列进行分解，得到相应的多个负荷分量，降低用户侧电力负荷时间序列的波动性对预测结果的影响，对各个分量分别建立维度竞争黏菌算法优化回声状态网络的预测模型，提高预测模型的稳定性和泛化能力，再叠加全部分量的预测值得到实际的用户侧电力负荷预测结果，提高了电力负荷的预测精度。提高了电力负荷的预测精度。提高了电力负荷的预测精度。

【技术实现步骤摘要】
基于辛几何模态分解的短期电力负荷预测方法及系统


[0001]本专利技术涉及电力负荷处理
，尤其涉及一种基于辛几何模态分解的短期电力负荷预测方法及系统。

技术介绍

[0002]负荷预测分为短期、中期及长期三大类，短则几分钟，长的可达几个月甚至几年。中长期负荷预测常用于新站投运、电网增容改建、设备大修计划、水库优化调度计划、燃料供应计划等。而短期负荷预测在确定最优机组组合、减少旋转备用容量、避免安全事故中起着至关重要的作用，是保障电网经济运行的关键组成部分。随着电力市场的发展，对电力负荷进行准确的短期预测，可以有效保障电网安全运行，降低发电成本，满足用户需求，提高社会经济效益。
[0003]过去，电力负荷预测主要应用于调度部门制定发电、供电的计划安排或控制策略，研究主要集中在发电侧，很少涉及单一用户侧的研究，而随着智能电网的到来和分布式可再生能源的逐步发展，用户侧发电在现代电网结构中扮演着越来越重要的角色，如何有效地提高可再生能源的消纳和用户侧家庭能源管理系统的效率变得越来越重要，对用户侧用电行为进行分析，能更有效地促进需求侧管理，合理抑制负荷峰值，提高电网资产的利用率，以迎接大数据和智能化时代的到来，另一方面，电力负荷预测方法对于区域负荷和个人负荷具有一定的普适性，而个体用户负荷相比区域性负荷通常具有更强的随机特征，需要使用对于高频随机特征处理能力更强的模型才能够得到较好的效果，能够对于个体用户负荷进行预测的模型通常对于更为平滑规律的区域性负荷预测也能得到较为理想的结果。
[0004]由于电力系统负荷具有一定的周期特性，同时影响的因素复杂(天气、经济、节假日、观测误差等)，电力系统负荷呈现出较强的随机性和非周期成分，为短期预测带来较大难度。
[0005]目前，短期负荷预测方法可分为传统统计学预测法和机器学习预测法，统计学包括广义自回归条件异方差、时间序列等，通过学习不同时刻的负荷递归关系实现负荷预测，但这些方法，对于非线性序列预测效果并不佳。随着机器学习的广泛应用，不少研究者将其应用到负荷预测当中。如神经网络、极限学习机、长短时记忆网络、回声状态网络（Echo State Network，ESN）等，负荷序列与负荷预测模型的输入特征具有一定的时序相关性，预测模型若能学习到这种隐藏关系，将提升短期负荷的预测精度。
[0006]但是，ESN参数仅凭经验选取，具有极大不确定性，而且预测精度较差，同时，基本的SMA算法在优化高维复杂函数和最优解不在原点的函数时容易出现优化结果不稳定、收敛速度慢以及陷入局部最优等问题，另外，单一的预测方法很难处理用户侧电力负荷的随机性和非周期成分，存在模态混叠问题，影响电力负荷的预测精度。

技术实现思路

[0007]本专利技术提供了一种基于辛几何模态分解的短期电力负荷预测方法及系统，解决了
电力负荷的预测精度较差的技术问题。
[0008]有鉴于此，本专利技术第一方面提供了一种基于辛几何模态分解的短期电力负荷预测方法，包括以下步骤：S1、获取用户侧历史电力负荷，构建历史电力负荷时间序列；S2、采用辛几何模态对所述历史电力负荷时间序列进行分解，得到相应的多个负荷分量；S3、将所有负荷分量划分为训练数据集和测试数据集；S4、构建回声状态网络，通过维度竞争黏菌算法对所述回声状态网络进行优化，得到初始电力负荷预测模型；S5、将所述训练数据集中的负荷分量逐一输入至所述初始电力负荷预测模型进行训练，得到各个负荷分量对应的电力负荷预测子模型；S6、将所述测试数据集输入到所述电力负荷预测子模型进行预测，得到相应的负荷预测值；S7、将所有负荷预测值进行叠加处理，得到最终的用户侧电力负荷预测结果。
[0009]优选地，步骤S2具体包括：S201、设历史电力负荷时间序列为，其中为数据长度，采用时间序列延迟拓扑等价的方法对电力负荷时间序列进行重构，得到轨迹矩阵为：式中，为嵌入维数，为延迟时间，；S202、对轨迹矩阵X进行自相关分析，得到协方差对称矩阵为：式中，T为转置符号；S203、对协方差对称矩阵构造Hamilton矩阵为：S204、对Hamilton矩阵进行平方得到另一Hamilton矩阵为：S205、通过下式构造辛正交矩阵，对Hamilton矩阵进行辛正交变换：式中，为实矩阵，为上三角矩阵，上三角矩阵的矩阵元素，其中，i、j分别为矩阵的行数和列数，矩阵、以及的特征值之间的关系表示为：
；为Householder 矩阵，，其中，，；S206、利用QR分解计算上三角矩阵的特征值，记为，由上三角矩阵的特征值计算矩阵的特征值为：对矩阵的特征值进行向量化处理，得到相应的特征向量，记为；S207、通过矩阵的特征向量和轨迹矩阵X计算获得转换系数矩阵为：利用特征向量矩阵和转换系数矩阵计算得到重构矩阵：：表示初始单分量矩阵，，，其中，重构矩阵Z为矩阵，由个初始单分量矩阵为组成；S208、对于任一初始单分量矩阵，定义矩阵的各元素为，其中，令，以及，其中，表示单分量矩阵的行和列的最小值，表示单分量矩阵的行和列的最大值，其中当时，取，当，取，其中，表示对角平均化转换矩阵计算元素值，对角平均化转换矩阵表示如下：式中，表示对角平均化转换矩阵计算元素值，和分别表示对角平均化转换矩阵计算元素值的第行和第列，表示对角平均化转换矩阵第k个元素值；
S209、由对角平均化转换矩阵将初始单分量矩阵转换为一维时间序列的单分量信号，记为，表示数据长度，1≤i≤d，依次对所有初始单分量矩阵进行对角平均化得到个一维时间序列，对个一维时间序列进行叠加，得到单分量总信号矩阵为：其中，单分量总信号矩阵Y为一个矩阵；S210、将初始单分量按顺序组成一组维矢向量为，维矢向量为，表示从初始单分量中第个点开始连续的个的值；S211、定义矢量和间的距离为两者对应元素中差值最大的一个，即：式中，表示从初始单分量中第j个点开始连续的个的值，；，；S212、将与预设的阈值进行比对，其中，预设的阈值为0.1~0.25，其中，为单分量信号的标准差，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：，求其对维矢向量的平均值得：S213、将维数加1，依序号排列的顺序构成一组新的+1维矢向量为，+1维矢向量为，表示从第个点开始连续的+1个的值；S214、定义矢量和间的距离为两者对应元素中差值最大的一个，即：式中，表示从第j个点开始连续的+1个的值，；，；S215、将与预设的阈值进行比对，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：
求其对+1维矢向量的平均值得：则样本熵值的计算公式如下：S216、将样本熵值差的初始单分量加和处理，得到新的分量，即：式中，表示辛几何模态分解得到的分量，a表示第a个分量序列。
[0010]优选地，步骤S4具体包括：S401、建立回声状态网络为：S401、建立回声状态网络为：S401、建立回声状态网络为：其中，为输入维数，为内部神经元个数，l为输出维数，u(v)、x(v)、y(v)分别为回声状态网络的输入向量、状态向量及输出向量；S402、根据所述回声状态网络的输入向量、状态向量及输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于辛几何模态分解的短期电力负荷预测方法，其特征在于，包括以下步骤：S1、获取用户侧历史电力负荷，构建历史电力负荷时间序列；S2、采用辛几何模态对所述历史电力负荷时间序列进行分解，得到相应的多个负荷分量；S3、将所有负荷分量划分为训练数据集和测试数据集；S4、构建回声状态网络，通过维度竞争黏菌算法对所述回声状态网络进行优化，得到初始电力负荷预测模型；S5、将所述训练数据集中的负荷分量逐一输入至所述初始电力负荷预测模型进行训练，得到各个负荷分量对应的电力负荷预测子模型；S6、将所述测试数据集输入到所述电力负荷预测子模型进行预测，得到相应的负荷预测值；S7、将所有负荷预测值进行叠加处理，得到最终的用户侧电力负荷预测结果。2.根据权利要求1所述的基于辛几何模态分解的短期电力负荷预测方法，其特征在于，步骤S2具体包括：S201、设历史电力负荷时间序列为，其中为数据长度，采用时间序列延迟拓扑等价的方法对电力负荷时间序列进行重构，得到轨迹矩阵为：式中，为嵌入维数，为延迟时间，；S202、对轨迹矩阵X进行自相关分析，得到协方差对称矩阵为：式中，T为转置符号；S203、对协方差对称矩阵构造Hamilton矩阵为：S204、对Hamilton矩阵进行平方得到另一Hamilton矩阵为：S205、通过下式构造辛正交矩阵，对Hamilton矩阵进行辛正交变换：式中，为实矩阵，为上三角矩阵，上三角矩阵的矩阵元素，其中，i、j分别为矩阵的行数和列数，矩阵、以及的特征值之间的关系表示为：
；为Householder 矩阵，，其中，，；S206、利用QR分解计算上三角矩阵的特征值，记为，由上三角矩阵的特征值计算矩阵的特征值为：对矩阵的特征值进行向量化处理，得到相应的特征向量，记为；S207、通过矩阵的特征向量和轨迹矩阵X计算获得转换系数矩阵为：利用特征向量矩阵和转换系数矩阵计算得到重构矩阵：：表示初始单分量矩阵，，，其中，重构矩阵Z为矩阵，由个初始单分量矩阵为组成；S208、对于任一初始单分量矩阵，定义矩阵的各元素为，其中，令，以及，其中，表示单分量矩阵的行和列的最小值，表示单分量矩阵的行和列的最大值，其中当时，取，当，取，其中，表示对角平均化转换矩阵计算元素值，对角平均化转换矩阵表示如下：
式中，表示对角平均化转换矩阵计算元素值，和分别表示对角平均化转换矩阵计算元素值的第行和第列，表示对角平均化转换矩阵第k个元素值；S209、由对角平均化转换矩阵将初始单分量矩阵转换为一维时间序列的单分量信号，记为，表示数据长度，1≤i≤d，依次对所有初始单分量矩阵进行对角平均化得到个一维时间序列，对个一维时间序列进行叠加，得到单分量总信号矩阵为：其中，单分量总信号矩阵Y为一个矩阵；S210、将初始单分量按顺序组成一组维矢向量为，维矢向量为，表示从初始单分量中第个点开始连续的个的值；S211、定义矢量和间的距离为两者对应元素中差值最大的一个，即：式中，表示从初始单分量中第j个点开始连续的个的值，；，；S212、将与预设的阈值进行比对，其中，预设的阈值为0.1~0.25，其中，为单分量信号的标准差，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：，求其对维矢向量的平均值得：S213、将维数加1，依序号排列的顺序构成一组新的+1维矢向量为，+1维矢向量为，表示从第个点开始连续的+1个的值；S214、定义矢量和间的距离为两者对应元素中差值最大的一个，即：
式中，表示从第j个点开始连续的+1个的值，；，；S215、将与预设的阈值进行比对，确定小于预设的阈值的数量，将其与距离总数进行比值计算为：求其对+1维矢向量的平均值得：则样本熵值的计算公式如下：S216、将样本熵值差的初始单分量加和处理，得到新的分量，即：式中，表示辛几何模态分解得到的分量，a表示第a个分量序列。3.根据权利要求1所述的基于辛几何模态分解的短期电力负荷预测方法，其特征在于，步骤S4具体包括：S401、建立回声状态网络为：S401、建立回声状态网络为：S401、建立回声状态网络为...

【专利技术属性】
技术研发人员：董朕，黄汉生，徐备，黄磊，吴建光，高东慧，
申请(专利权)人：广东电网有限责任公司肇庆供电局，
类型：发明
国别省市：