專利名稱：一種短期電力負荷預測方法
技術領域：
本發(fā)明屬于電力負荷預測技術領域，尤其涉及一種短期電力負荷預測方法。
背景技術：
短期電力負荷預測是電力負荷預測的重要組成部分，是制訂經(jīng)濟、合理的供電計劃的基礎。提高負荷預測技術水平，有利于合理安排電網(wǎng)運行方式和機組檢修計劃，有利于節(jié)煤、節(jié)油和降低發(fā)電成本，從而提高電力系統(tǒng)的經(jīng)濟效益和社會效益。短期負荷預測的最大特點是其具有明顯的周期性。具體包括不同日之間M小時整體負荷變化規(guī)律的相似性；不同周、同一星期類型日的相似性；工作日、休息日各自的相似性；不同年度的重大節(jié)假日負荷曲線的相似性。短期負荷受到各種環(huán)境因素的影響，如季節(jié)更替、天氣因素變化、設備事故和檢修、社會重大文體活動以及政府行為等，使負荷時間序列具有非平穩(wěn)隨機性。以往所用的負荷預測方法主要有回歸分析法、時間序列法、專家系統(tǒng)法、神經(jīng)網(wǎng)絡法、模糊理論等。非線性回歸和時間序列法計算量小、速度較快，在電網(wǎng)情況正常、生產(chǎn)和氣象變化不大的時候預測效果良好，但不能考慮一些影響負荷的要素，如休息日、氣象等，難以反映負荷與這些變量之間的動態(tài)、非線性的關系，所以對復雜多變的電力系統(tǒng)預測效果較差。專家系統(tǒng)可以避開復雜的數(shù)值計算，但通用性較差，缺乏學習能力。而神經(jīng)網(wǎng)絡算法只是依據(jù)經(jīng)驗風險最小化原理建立起來的模型，收斂速度慢，可能收斂到局部極小點，知識表達困難，難以充分利用調(diào)度人員的經(jīng)驗知識，且需要較長的訓練時間。從理論方面來看，支持向量機(Support Vector Machine, SVM)是一種強學習機， 具有較好的泛化能力，相比神經(jīng)網(wǎng)絡、決策樹等學習機更為穩(wěn)定。但在應用上，支持向量機存在一些明顯的缺點，主要由于支持向量機在訓練過程中需要求解一個二次規(guī)劃問題，這使得對于大規(guī)模樣本集合來說具有很高的時間復雜度和空間復雜度，為了降低求解二次規(guī)劃的時間和空間復雜度，需要將優(yōu)化問題分解為若干子問題。求解這些子問題的算法獲得的通常不是最優(yōu)解，因此降低了支持向量機的泛化能力?；谝陨显颍陙?，對單個支持向量機模型進行集成學習已經(jīng)成為一個熱門的研究課題，其目的在于獲得比單個支持向量機更高的泛化性能和學習精度。自舉采樣選擇性集成學習的思路是通過對原始樣本集進行有放回的自舉采樣(Bootstrap Sampling), 生成多個基學習機，通過對多個基學習機的學習結(jié)果進行組合來決定最終的分類或回歸結(jié)果，以取得比單個基學習機更好的性能。如果把單個基學習機比作一個決策者，集成學習的方法就相當于多個決策者共同進行一項決策。

發(fā)明內(nèi)容
針對上述背景技術中提到的單一預測方法在預測精度和訓練速度方面的不足，本發(fā)明提出了一種短期電力負荷預測方法。本發(fā)明的技術方案是，一種短期電力負荷預測方法，其特征是該方法包括以下步驟步驟1 通過數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的負荷數(shù)據(jù)構建樣本集步驟2 基于曲波變換對樣本集去噪，得到去噪后的樣本集；步驟3 將去噪后的樣本集劃分為測試集和訓練集；利用訓練集和學習機生成訓練模型，進而求得最終的預測模型；步驟4 利用最終的預測模型和測試集對負荷進行預測。所述步驟2具體為步驟2. 1 對樣本集進行曲波變換，得到曲波變換系數(shù)Wg(l，s, i，j)，其中，1為曲波分解層次；s為方向參數(shù)；i為天數(shù)；j為采樣時間點；步驟2.2 對曲波變換系數(shù)Wg(l，s, i，j)進行閾值處理，得到修正曲波系數(shù) Wf (I, S Jj)-,步驟2. 3 對修正曲波系數(shù)進行曲波逆變換，得到去噪后的樣本集。所述步驟3具體為步驟3. 1 將去噪后的樣本集劃分為測試集和訓練集；步驟3. 2 通過指定算法從訓練集中抽取指定個元素組成訓練子集；步驟3. 3 通過學習得到訓練子集各個元素的個體模型；步驟3. 4 將個體模型在測試集上作回歸預測，進而確定用于集成的個體模型；步驟3. 5 將集成的個體模型通過指定方法結(jié)合，確定最終的預測模型。所述指定算法為裝袋算法。所述指定方法為加權平均或簡單平均。本發(fā)明不僅解決了樣本數(shù)據(jù)量少、偏差大、不確定性的問題，而且比單一學習機具有更強的泛化能力，可以有效地將多個模型融合起來，使預測過程更加快速、準確。


圖1為短期電力負荷預測流程圖；圖2為基于曲波變換的方法對得到的原始樣本集去噪的流程圖；圖3為本發(fā)明流程圖。
具體實施例方式下面結(jié)合附圖，對優(yōu)選實施例作詳細說明。應該強調(diào)的是，下述說明僅僅是示例性的，而不是為了限制本發(fā)明的范圍及其應用。圖1是本發(fā)明的流程圖。圖1中，本發(fā)明提供的方法包括如下的步驟步驟1 通過數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的負荷數(shù)據(jù)構建樣本集；步驟1. 1 取出數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(Supervisory Control And DataAcquisition, SCADA)中與預測日類型相同的前20天的負荷數(shù)據(jù)；步驟1. 2 統(tǒng)計相關數(shù)據(jù)，選擇輸入量；通過實驗發(fā)現(xiàn)，為了減少訓練時間，需要降低不必要的樣本維數(shù)，這些輸入量包括日最高溫度、最低溫度和平均溫度以及日類型數(shù)據(jù)等。
由于工作日與一般休息日的負荷模型不同，所以分開建立樣本。隨著雙休日的實行，重大節(jié)假日的負荷模型越來越接近一般休息日模型，所以可把重大節(jié)假日樣本和一般休息日樣本放到一起進行訓練。步驟1. 3 對所有數(shù)據(jù)進行樣本分析，形成樣本集；本實施例中，設數(shù)據(jù)采集策略為每天對點。歷史負荷數(shù)據(jù)是影響負荷變化規(guī)律最直接的因素，每天M點共20天的數(shù)據(jù)可構成480條樣本記錄。每條記錄除需要保存負荷數(shù)據(jù)外，還需要保存預測點的即日最高溫度、最低溫度、以及日類型。步驟2 數(shù)據(jù)分析處理，基于曲波變換對樣本集去噪，形成得到去噪后的樣本集， 圖2是利用曲波變換的樣本集去噪方法流程圖；步驟2. 1 設樣本集數(shù)據(jù)表示為{fu，i = 1,2-M;j = 1,2, "·Ν}，在本發(fā)明中， 設皿=20天，每天有N = M個采樣點，則含噪聲的負荷數(shù)據(jù)表示為{gij = ξ u，i = 1， 2-M;j = 1,2, "·Ν}，其中，噪聲{ξ。_}服從正態(tài)分布Ν(0，σ2)。確定曲波分解層數(shù)L和每個層次η上的方向參數(shù)St，對樣本進行曲波變換，得到曲波變換系數(shù)Wg(l，s, i，j) (1 = 1,2, " , s = l,2,…&)，其中，1為曲波分解層次，s為方向參數(shù)，i為天數(shù)，j為采樣時間點；步驟2.2 對分解得到的曲波變換系數(shù)Wg(l，s，i，j)進行閾值處理，得到曲波系數(shù) Wf (I, S Jj)-,估計各個子帶的噪聲方差，計算式為
權利要求
1.一種短期電力負荷預測方法，其特征是該方法包括以下步驟 步驟1 通過數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的負荷數(shù)據(jù)構建樣本集 步驟2 基于曲波變換對樣本集去噪，得到去噪后的樣本集；步驟3 將去噪后的樣本集劃分為測試集和訓練集；利用訓練集和學習機生成訓練模型，進而求得最終的預測模型；步驟4 利用最終的預測模型和測試集對負荷進行預測。
2.根據(jù)權利要求1所述的一種短期電力負荷預測方法，其特征是所述步驟2具體為 步驟2. 1 對樣本集進行曲波變換，得到曲波變換系數(shù)Wg(l，s, i，j)，其中，1為曲波分解層次；s為方向參數(shù)；i為天數(shù)；j為采樣時間點；步驟2.2:對曲波變換系數(shù)Wg(l，s, i，j)進行閾值處理，得到修正曲波系數(shù)Wf (I, s Xj)-,步驟2. 3 對修正曲波系數(shù)進行曲波逆變換，得到去噪后的樣本集。
3.根據(jù)權利要求1所述的一種短期電力負荷預測方法，其特征是所述步驟3具體為 步驟3. 1 將去噪后的樣本集劃分為測試集和訓練集；步驟3. 2 通過指定算法從訓練集中抽取指定個元素組成訓練子集； 步驟3. 3 通過學習得到訓練子集各個元素的個體模型； 步驟3. 4 將個體模型在測試集上作回歸預測，進而確定用于集成的個體模型； 步驟3. 5 將集成的個體模型通過指定方法結(jié)合，確定最終的預測模型。
4.根據(jù)權利要求3所述的一種短期電力負荷預測方法，其特征是所述指定算法為裝袋算法。
5.根據(jù)權利要求3所述的一種短期電力負荷預測方法，其特征是所述指定方法為加權平均或簡單平均。
全文摘要
本發(fā)明公開了電力負荷預測技術領域中的一種短期電力負荷預測方法。本發(fā)明通過數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)的負荷數(shù)據(jù)構建樣本集，并通過曲波變換對樣本集去噪，得到去噪后的樣本集；將去噪后的樣本集劃分為測試集和訓練集；利用訓練集和學習機生成多個訓練模型，進而利用裝袋算法求得最終的預測模型；最后利用最終的預測模型和測試集對負荷進行預測。本發(fā)明不僅解決了樣本數(shù)據(jù)量少、偏差大、不確定性的問題，而且比單一學習機具有更強的泛化能力，可以有效地將多個模型融合起來，使預測過程更加快速、準確。
文檔編號G06F19/00GK102270279SQ201110212760
公開日2011年12月7日 申請日期2011年7月27日 優(yōu)先權日2011年7月27日
發(fā)明者李元誠, 王旭峰 申請人:華北電力大學