一种短期电力负荷预测方法技术

本发明专利技术公开了电力负荷预测技术领域中的一种短期电力负荷预测方法。本发明专利技术通过数据采集与监视控制系统的负荷数据构建样本集，并通过曲波变换对样本集去噪，得到去噪后的样本集；将去噪后的样本集划分为测试集和训练集；利用训练集和学习机生成多个训练模型，进而利用装袋算法求得最终的预测模型；最后利用最终的预测模型和测试集对负荷进行预测。本发明专利技术不仅解决了样本数据量少、偏差大、不确定性的问题，而且比单一学习机具有更强的泛化能力，可以有效地将多个模型融合起来，使预测过程更加快速、准确。

【技术实现步骤摘要】

本专利技术属于电力负荷预测
，尤其涉及。
技术介绍
短期电力负荷预测是电力负荷预测的重要组成部分，是制订经济、合理的供电计划的基础。提高负荷预测技术水平，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，从而提高电力系统的经济效益和社会效益。短期负荷预测的最大特点是其具有明显的周期性。具体包括不同日之间M小时整体负荷变化规律的相似性；不同周、同一星期类型日的相似性；工作日、休息日各自的相似性；不同年度的重大节假日负荷曲线的相似性。短期负荷受到各种环境因素的影响，如季节更替、天气因素变化、设备事故和检修、社会重大文体活动以及政府行为等，使负荷时间序列具有非平稳随机性。以往所用的负荷预测方法主要有回归分析法、时间序列法、专家系统法、神经网络法、模糊理论等。非线性回归和时间序列法计算量小、速度较快，在电网情况正常、生产和气象变化不大的时候预测效果良好，但不能考虑一些影响负荷的要素，如休息日、气象等，难以反映负荷与这些变量之间的动态、非线性的关系，所以对复杂多变的电力系统预测效果较差。专家系统可以避开复杂的数值计算，但通用性较差，缺乏学习能力。而神经网络算法只是依据经验风险最小化原理建立起来的模型，收敛速度慢，可能收敛到局部极小点，知识表达困难，难以充分利用调度人员的经验知识，且需要较长的训练时间。从理论方面来看，支持向量机(Support Vector Machine, SVM)是一种强学习机， 具有较好的泛化能力，相比神经网络、决策树等学习机更为稳定。但在应用上，支持向量机存在一些明显的缺点，主要由于支持向量机在训练过程中需要求解一个二次规划问题，这使得对于大规模样本集合来说具有很高的时间复杂度和空间复杂度，为了降低求解二次规划的时间和空间复杂度，需要将优化问题分解为若干子问题。求解这些子问题的算法获得的通常不是最优解，因此降低了支持向量机的泛化能力。基于以上原因，近年来，对单个支持向量机模型进行集成学习已经成为一个热门的研究课题，其目的在于获得比单个支持向量机更高的泛化性能和学习精度。自举采样选择性集成学习的思路是通过对原始样本集进行有放回的自举采样(Bootstrap Sampling), 生成多个基学习机，通过对多个基学习机的学习结果进行组合来决定最终的分类或回归结果，以取得比单个基学习机更好的性能。如果把单个基学习机比作一个决策者，集成学习的方法就相当于多个决策者共同进行一项决策。
技术实现思路
针对上述
技术介绍
中提到的单一预测方法在预测精度和训练速度方面的不足，本专利技术提出了。本专利技术的技术方案是，，其特征是该方法包括以下步骤步骤1 通过数据采集与监视控制系统的负荷数据构建样本集步骤2 基于曲波变换对样本集去噪，得到去噪后的样本集；步骤3 将去噪后的样本集划分为测试集和训练集；利用训练集和学习机生成训练模型，进而求得最终的预测模型；步骤4 利用最终的预测模型和测试集对负荷进行预测。所述步骤2具体为步骤2. 1 对样本集进行曲波变换，得到曲波变换系数Wg(l，s, i，j)，其中，1为曲波分解层次；s为方向参数；i为天数；j为采样时间点；步骤2.2 对曲波变换系数Wg(l，s, i，j)进行阈值处理，得到修正曲波系数 Wf (I, S Jj)-,步骤2. 3 对修正曲波系数进行曲波逆变换，得到去噪后的样本集。所述步骤3具体为步骤3. 1 将去噪后的样本集划分为测试集和训练集；步骤3. 2 通过指定算法从训练集中抽取指定个元素组成训练子集；步骤3. 3 通过学习得到训练子集各个元素的个体模型；步骤3. 4 将个体模型在测试集上作回归预测，进而确定用于集成的个体模型；步骤3. 5 将集成的个体模型通过指定方法结合，确定最终的预测模型。所述指定算法为装袋算法。所述指定方法为加权平均或简单平均。本专利技术不仅解决了样本数据量少、偏差大、不确定性的问题，而且比单一学习机具有更强的泛化能力，可以有效地将多个模型融合起来，使预测过程更加快速、准确。附图说明图1为短期电力负荷预测流程图；图2为基于曲波变换的方法对得到的原始样本集去噪的流程图；图3为本专利技术流程图。具体实施例方式下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本专利技术的范围及其应用。图1是本专利技术的流程图。图1中，本专利技术提供的方法包括如下的步骤步骤1 通过数据采集与监视控制系统的负荷数据构建样本集；步骤1. 1 取出数据采集与监视控制系统(Supervisory Control And DataAcquisition, SCADA)中与预测日类型相同的前20天的负荷数据；步骤1. 2 统计相关数据，选择输入量；通过实验发现，为了减少训练时间，需要降低不必要的样本维数，这些输入量包括日最高温度、最低温度和平均温度以及日类型数据等。由于工作日与一般休息日的负荷模型不同，所以分开建立样本。随着双休日的实行，重大节假日的负荷模型越来越接近一般休息日模型，所以可把重大节假日样本和一般休息日样本放到一起进行训练。步骤1. 3 对所有数据进行样本分析，形成样本集；本实施例中，设数据采集策略为每天对点。历史负荷数据是影响负荷变化规律最直接的因素，每天M点共20天的数据可构成480条样本记录。每条记录除需要保存负荷数据外，还需要保存预测点的即日最高温度、最低温度、以及日类型。步骤2 数据分析处理，基于曲波变换对样本集去噪，形成得到去噪后的样本集， 图2是利用曲波变换的样本集去噪方法流程图；步骤2. 1 设样本集数据表示为{fu，i = 1,2-M;j = 1,2, "·Ν}，在本专利技术中， 设皿=20天，每天有N = M个采样点，则含噪声的负荷数据表示为{gij = ξ u，i = 1， 2-M;j = 1,2, "·Ν}，其中，噪声{ξ。_}服从正态分布Ν(0，σ2)。确定曲波分解层数L和每个层次η上的方向参数St，对样本进行曲波变换，得到曲波变换系数Wg(l，s, i，j) (1 = 1,2, " , s = l,2,…&)，其中，1为曲波分解层次，s为方向参数，i为天数，j为采样时间点；步骤2.2 对分解得到的曲波变换系数Wg(l，s，i，j)进行阈值处理，得到曲波系数 Wf (I, S Jj)-,估计各个子带的噪声方差，计算式为权利要求1.，其特征是该方法包括以下步骤 步骤1 通过数据采集与监视控制系统的负荷数据构建样本集 步骤2 基于曲波变换对样本集去噪，得到去噪后的样本集；步骤3 将去噪后的样本集划分为测试集和训练集；利用训练集和学习机生成训练模型，进而求得最终的预测模型；步骤4 利用最终的预测模型和测试集对负荷进行预测。2.根据权利要求1所述的，其特征是所述步骤2具体为 步骤2. 1 对样本集进行曲波变换，得到曲波变换系数Wg(l，s, i，j)，其中，1为曲波分解层次；s为方向参数；i为天数；j为采样时间点；步骤2.2:对曲波变换系数Wg(l，s, i，j)进行阈值处理，得到修正曲波系数Wf (I, s Xj)-,步骤2. 3 对修正曲波系数进行曲波逆变换，得到去噪后的样本集。3.根据权利要求1所述的，其特征是所述步骤3具体为 步骤3. 1 将去噪后的样本集划分为测试集和训练集本文档来自技高网...

【技术保护点】
１．一种短期电力负荷预测方法，其特征是该方法包括以下步骤：步骤１：通过数据采集与监视控制系统的负荷数据构建样本集：步骤２：基于曲波变换对样本集去噪，得到去噪后的样本集；步骤３：将去噪后的样本集划分为测试集和训练集；利用训练集和学习机生成训练模型，进而求得最终的预测模型；步骤４：利用最终的预测模型和测试集对负荷进行预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：李元诚，王旭峰，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：11