本發(fā)明屬于電力市場需求預(yù)測的
技術(shù)領(lǐng)域：
，涉及一種考慮季節(jié)特性的改進小波包用電量預(yù)測方法，能夠有效提高波峰谷季節(jié)的月度預(yù)測精度。
背景技術(shù)：
：隨著我國電力市場愈加合理、完善，電力行業(yè)需分析投資需求趨勢，從而調(diào)整公司發(fā)展戰(zhàn)略，適應(yīng)電改后復(fù)雜的電力交易市場環(huán)境因而對用電量預(yù)測的質(zhì)量和精確度提出了更高標準，要求做到對次年12個月份的用電量預(yù)測，才能策略性地安排投資融資計劃，為電力系統(tǒng)規(guī)劃提供有力支撐。溫度、濕度、風速等氣象因素會對月度用電量的波動產(chǎn)生隨機性干擾，這種稱之為噪聲的干擾在時域和頻域作用于用電量，在預(yù)測用電量時尋找電量波動的規(guī)律性和連續(xù)性都產(chǎn)生影響，帶來誤差。對原始數(shù)據(jù)進行降噪預(yù)處理，盡量還原用電量的波動性、連續(xù)性等規(guī)律成為電量預(yù)測的一個重要步驟。此外，季節(jié)性氣候。節(jié)假日等因素會給月度用電量產(chǎn)生規(guī)模性影響，但降噪處理會低估季節(jié)波峰波谷，需要進行用電量修正。由于中短期用單量變化存在隨機性和復(fù)雜性，但又有著周期波動，橫向和縱向時間點連續(xù)。傳統(tǒng)預(yù)測及修正方法如線性回歸法、滑動時間預(yù)測法以及模擬退火等無法適應(yīng)，不能準確區(qū)分信號中的噪聲，影響了預(yù)測用電量的修正工作，從而使最終預(yù)測值達不到準確率的要求。技術(shù)實現(xiàn)要素：本發(fā)明提供一種考慮季節(jié)特性的改進小波包用電量預(yù)測方法，其目的是有效提高波峰谷季節(jié)的月度預(yù)測精度。為了實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案為：本發(fā)明的考慮季節(jié)特性的改進小波包用電量預(yù)測方法，所述的預(yù)測方法是將連續(xù)的二維用電量矩陣進行去噪處理，擬合出規(guī)律性更強的電量數(shù)據(jù)；同時基于徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)模型預(yù)測用電量，通過引入季節(jié)指數(shù)識別用電量季節(jié)特性明顯的季度，對季節(jié)性明顯的月度用電量，使用多月合成預(yù)測，再按比例分配來修正月度預(yù)測值。有鑒于小波包變換相比小波變換，能更強地在時域與頻域進行分析，又因為電量的橫向和縱向連續(xù)性，橫向上將同月數(shù)據(jù)排成行，縱向上將相鄰月份數(shù)據(jù)拍成列，進行歸一化，形成類似灰度圖像矩陣的二維矩陣。根據(jù)所述二維矩陣，引入起源于圖像分析的二維小波包分解，以閾值區(qū)分有效信號與噪聲，采用基于二維小波包閾值的去噪方法對用電量數(shù)據(jù)進行處理。所述季節(jié)特性考慮到春夏季的用電量處于谷峰值，小波包去噪會消除季節(jié)特性，因而選擇rbf-合成分解法預(yù)測并修正用電量，并通過季節(jié)特征月及其相鄰月的累加進行預(yù)測，再分解為各月度數(shù)據(jù)，從而修正用電量季節(jié)波峰波谷預(yù)測數(shù)據(jù)。所述的預(yù)測方法使用徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)為前饋型神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)包含隱含層節(jié)點數(shù)、各激活函數(shù)的中心、寬度以及隱含層與輸出層之間的連接權(quán)值。所述的預(yù)測方法包含以下具體步驟：1)、數(shù)據(jù)按行為一年12個月，列為不同年的相同月份排成二維矩陣，并進行歸一化處理；2)、使用二維小波包分解，小波基函數(shù)取db4，分解層數(shù)為3，熵標準取shannon，構(gòu)造最優(yōu)樹；3)、使用雙曲線閾值函數(shù)進行去噪處理，并重構(gòu)，反歸一化，并與使用硬閾值、軟閾值函數(shù)的去噪效果對比；4)、對去噪數(shù)據(jù)進行rbf預(yù)測，并與未去噪數(shù)據(jù)的rbf預(yù)測結(jié)果作準確率及絕對誤差對比；5)、計算季節(jié)指數(shù)判斷季節(jié)特性的強弱；若季節(jié)性強，則使用合成分解法修正預(yù)測數(shù)據(jù)。在所述的步驟5)中，所述修正預(yù)測數(shù)據(jù)方法包含以下步驟：a)、使用基于徑向基函數(shù)(rbf)對小波包去噪后的序列進行預(yù)測；b)、計算季節(jié)指數(shù)，判斷是否需要修正用電量預(yù)測結(jié)果；c)、對季節(jié)指數(shù)與平均季節(jié)指數(shù)相對偏差較大的季節(jié)使用合成修正法。所述的季節(jié)特性使用季節(jié)指數(shù)來表述，將季節(jié)指數(shù)定義為該季度的實際值與季度所在年的平均值之比；設(shè)置n取近期3～5年的時間長度，實現(xiàn)隨用電量歷史數(shù)據(jù)的更新，季節(jié)指數(shù)亦發(fā)生滾動更新，將季節(jié)分為k段，記sij為第i年第j季的季度用電量實際值，單年季節(jié)指數(shù)表示第i年第j季的季度用電量占第i年全年用電量的比例，但年季節(jié)指數(shù)為：式中：i＝1，2，…，n；j＝1，2，…，k；季節(jié)指數(shù)fj為n年的單年季節(jié)指數(shù)的平均，即：式中：j＝1，2，…，k；平均季節(jié)指數(shù)為k個季度的平均值，即：式中：j＝1，2，…，k；季節(jié)指數(shù)與平均季節(jié)指數(shù)的相對偏差為：本發(fā)明采用上述技術(shù)方案，使用小波包分析將連續(xù)的二維用電量矩陣進行去噪處理，擬合出規(guī)律性更強的電量數(shù)據(jù)，有助于用電量預(yù)測的需求，能夠有效提高用電量預(yù)測準確率精度；同時基于徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)模型預(yù)測用電量，通過引入季節(jié)指數(shù)識別用電量季節(jié)特性明顯的季度，對季節(jié)性明顯的月度用電量，使用多月合成預(yù)測，再按比例分配來修正月度預(yù)測值，能有效提高波峰谷季節(jié)的月度預(yù)測精度，達到整體預(yù)測精度均高的目標。附圖說明圖1為本發(fā)明的考慮季節(jié)特性的小波包用電量預(yù)測方法預(yù)測流程圖；圖2為2015年1-3月的用電量合并值預(yù)測結(jié)果；圖3為2011年1月至2015年6月的預(yù)測用電量及實際用電量曲線圖。具體實施方式下面對照附圖，通過對實施例的描述，對本發(fā)明的具體實施方式作進一步詳細的說明，以幫助本領(lǐng)域的技術(shù)人員對本發(fā)明的發(fā)明構(gòu)思、技術(shù)方案有更完整、準確和深入的理解。如圖1所表達的本發(fā)明的技術(shù)方案，為一種考慮季節(jié)特性的改進小波包用電量預(yù)測方法的預(yù)測流程。針對
背景技術(shù)：
中所提到的不足，本發(fā)明提出了一種考慮季節(jié)特性的小波包用電量預(yù)測方法，引入小波包分析將連續(xù)的二維用電量矩陣進行去噪處理，同時引入季節(jié)指數(shù)識別用電量季節(jié)特性明顯的季度，有效提高波峰谷季節(jié)的月度預(yù)測精度，解決傳統(tǒng)預(yù)測方法預(yù)測精度低的問題。為了解決現(xiàn)有技術(shù)存在的問題并克服其缺陷，實現(xiàn)有效提高波峰谷季節(jié)的月度預(yù)測精度的發(fā)明目的，本發(fā)明采取的技術(shù)方案為：如圖1至圖3所示，本發(fā)明的考慮季節(jié)特性的改進小波包用電量預(yù)測方法，所述的預(yù)測方法是將連續(xù)的二維用電量矩陣進行去噪處理，擬合出規(guī)律性更強的電量數(shù)據(jù)；同時基于徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)模型預(yù)測用電量，通過引入季節(jié)指數(shù)識別用電量季節(jié)特性明顯的季度，對季節(jié)性明顯的月度用電量，使用多月合成預(yù)測，再按比例分配來修正月度預(yù)測值。本發(fā)明解決了傳統(tǒng)小波包去噪預(yù)測模型會去除歷史數(shù)據(jù)中季節(jié)特性的問題，該方法使用小波包分析將連續(xù)的二維用電量矩陣進行去噪處理，擬合出規(guī)律性更強的電量數(shù)據(jù)，有助于用電量預(yù)測的需求，能夠有效提高用電量預(yù)測準確率精度；同時基于徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)模型預(yù)測用電量，通過引入季節(jié)指數(shù)識別用電量季節(jié)特性明顯的季度，對季節(jié)性明顯的月度用電量，使用多月合成預(yù)測，再按比例分配來修正月度預(yù)測值，能有效提高波峰谷季節(jié)的月度預(yù)測精度，達到整體預(yù)測精度均高的目標。運用小波包變換對信號進行去噪處理，橫向上將同月用電量數(shù)據(jù)排成行，縱向上將相鄰月份數(shù)據(jù)排成列，進行歸一化，形成類似灰度圖像矩陣的二維矩陣，選擇rbf-合成分解法預(yù)測并修正用電量，即采用rbf預(yù)測，并通過季節(jié)特征月及其相鄰月的累加進行預(yù)測，再分解為各月度，從而修正用電量季節(jié)波峰波谷預(yù)測數(shù)據(jù)。有鑒于小波包變換相比小波變換，能更強地在時域與頻域進行分析，又因為電量的橫向和縱向連續(xù)性，橫向上將同月數(shù)據(jù)排成行，縱向上將相鄰月份數(shù)據(jù)拍成列，進行歸一化，形成類似灰度圖像矩陣的二維矩陣。根據(jù)所述二維矩陣，引入起源于圖像分析的二維小波包分解，以閾值區(qū)分有效信號與噪聲，采用基于二維小波包閾值的去噪方法對用電量數(shù)據(jù)進行處理。所述季節(jié)特性考慮到春夏季的用電量處于谷峰值，小波包去噪會消除季節(jié)特性，因而選擇rbf-合成分解法預(yù)測并修正用電量，并通過季節(jié)特征月及其相鄰月的累加進行預(yù)測，再分解為各月度數(shù)據(jù)，從而修正用電量季節(jié)波峰波谷預(yù)測數(shù)據(jù)。所述的預(yù)測方法使用徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)為前饋型神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)包含隱含層節(jié)點數(shù)、各激活函數(shù)的中心、寬度以及隱含層與輸出層之間的連接權(quán)值。所述的預(yù)測方法包含以下具體步驟：1)、數(shù)據(jù)按行為一年12個月，列為不同年的相同月份排成二維矩陣，并進行歸一化處理；2)、使用二維小波包分解，小波基函數(shù)取db4，分解層數(shù)為3，熵標準取shannon，構(gòu)造最優(yōu)樹；3)、使用雙曲線閾值函數(shù)進行去噪處理，并重構(gòu)，反歸一化，并與使用硬閾值、軟閾值函數(shù)的去噪效果對比；4)、對去噪數(shù)據(jù)進行rbf預(yù)測，并與未去噪數(shù)據(jù)的rbf預(yù)測結(jié)果作準確率及絕對誤差對比；5)、計算季節(jié)指數(shù)判斷季節(jié)特性的強弱；若季節(jié)性強，則使用合成分解法修正預(yù)測數(shù)據(jù)。在所述的步驟5)中，所述修正預(yù)測數(shù)據(jù)方法包含以下步驟：a)、使用基于徑向基函數(shù)(rbf)對小波包去噪后的序列進行預(yù)測；b)、計算季節(jié)指數(shù)，判斷是否需要修正用電量預(yù)測結(jié)果；c)、對季節(jié)指數(shù)與平均季節(jié)指數(shù)相對偏差較大的季節(jié)使用合成修正法。步驟5)具體做法：(1)累加合成該季節(jié)的月度用電量，形成季節(jié)用電量，以消除此階段用電量偏離其余月份較大的特征；(2)對歷年該季節(jié)用電量使用灰色預(yù)測，得到預(yù)測年季節(jié)用電量的預(yù)測值；(3)依據(jù)歷年偏差月在該季節(jié)用電量中所占比例，進行歷史趨勢外推，得到預(yù)測年偏差月的預(yù)測比例值；(4)在季節(jié)用電量中，預(yù)測年月度加和的季節(jié)預(yù)測值減去首月預(yù)測值，以反映當前季節(jié)用電量特征；然后其余各月份按比例分配預(yù)測用電量，得到該季節(jié)的月度用電量預(yù)測值，即為修正值。所述用電量的季節(jié)特性使用季節(jié)指數(shù)來表述，將季節(jié)指數(shù)定義為該季度的實際值與季度所在年的平均值之比；設(shè)有n年用電量數(shù)據(jù)，n取近期3～5年的時間長度，實現(xiàn)隨用電量歷史數(shù)據(jù)的更新，季節(jié)指數(shù)亦發(fā)生滾動更新；將季節(jié)分為k段，記sij為第i年第j季的季度用電量實際值，單年季節(jié)指數(shù)表示第i年第j季的季度用電量占第i年全年用電量的比例，但年季節(jié)指數(shù)為：式中：i＝1，2，…，n；j＝1，2，…，k；季節(jié)指數(shù)fj為n年的單年季節(jié)指數(shù)的平均，即：式中：j＝1，2，…，k；平均季節(jié)指數(shù)為k個季度的平均值，即：式中：j＝1，2，…，k；季節(jié)指數(shù)與平均季節(jié)指數(shù)的相對偏差為：步驟5)預(yù)測使用徑向基函數(shù)(rbf)神經(jīng)網(wǎng)絡(luò)為前饋型神經(jīng)網(wǎng)絡(luò)，若神經(jīng)網(wǎng)絡(luò)中包含h個隱含層神經(jīng)元，則m為輸入向量x＝(x1，x2，…，xm)t對應(yīng)的網(wǎng)絡(luò)輸出為：其中，si為第i個隱含層神經(jīng)元與輸出層神經(jīng)元之間的連接權(quán)值；gi(x)為第i個隱含層神經(jīng)元的激活函數(shù)。本發(fā)明引入小波包分析將連續(xù)的二維用電量矩陣進行去噪處理，同時引入季節(jié)指數(shù)識別用電量季節(jié)特性明顯的季度，有效提高波峰谷季節(jié)的月度預(yù)測精度。下面是采用上述方法，對z省全社會用電量2011～2014年月度的歷史數(shù)據(jù)進行去噪、預(yù)測并修正的示例，進一步說明本發(fā)明的具體實施方法。步驟(1)，取2011年1月至2015年12月共4×12個數(shù)據(jù)，數(shù)據(jù)按行為一年12個月，列為不同年的相同月份排成二維矩陣，并進行歸一化處理；步驟(2)，使用二維小波包分解，小波基函數(shù)取db4，分解層數(shù)為3，熵標準取shannon，構(gòu)造最優(yōu)樹；步驟(3)，使用雙曲線閾值函數(shù)進行去噪處理，并重構(gòu)，反歸一化，并與使用硬閾值、軟閾值函數(shù)的去噪效果對比，采用三種閾值函數(shù)的去噪指數(shù)如表1；表1：步驟(4)，對去噪數(shù)據(jù)進行rbf預(yù)測，并與未去噪數(shù)據(jù)的rbf預(yù)測結(jié)果作準確率及誤差對比，采用不同方法的用電量預(yù)測精度對比如表2；表2：注：表2中2*表示應(yīng)注意使用小波包去噪-rbf預(yù)測2015年2月的用電量相對誤差12.78％，誤差遠高于其余月份，需要進行預(yù)測值修正。表2中可見：相對于直接使用rbf神經(jīng)網(wǎng)絡(luò)對月度用電量進行預(yù)測，采用小波包去噪后再進行rbf預(yù)測的月度平均精度提高了2％左右。步驟(5)，計算季節(jié)指數(shù)判斷季節(jié)特性的強弱，將各年分為4個季度，由2011-2014年計算季節(jié)指數(shù)fj，并與平均季節(jié)指數(shù)計算相對偏差δf，若相對偏差較大，則說明該季節(jié)的季節(jié)特性明顯，用電量將有較大的波動。計算結(jié)果如表3所示。表3：通過2011～2014年計算出的相對偏差δf可以看出，第1季度、第3季度相對偏差遠高于第2、4季度，亦即第1、3季度季節(jié)指數(shù)偏離平均季節(jié)指數(shù)較大。這說明第1、3季度的季節(jié)特性較明顯，則在預(yù)測2015年時，對1、3季度的用電量預(yù)測值需使用合成修正法進行修正。對預(yù)測值的修正以第1季度為例，對2015年而言，用電量在第1季度出現(xiàn)季節(jié)特性，一方面是由于第1季度氣溫較低，各產(chǎn)業(yè)對空調(diào)依賴降低，用電量減少；另一方面2015年春節(jié)與2月，由外來人口返鄉(xiāng)形成省內(nèi)人口的減少，造成用電量的減少。使用灰色預(yù)測模型對2015年1-3月的用電量合并值進行預(yù)測，結(jié)果如附圖2所示。2015年1-3月合成預(yù)測值誤差-0.64％，預(yù)測精度較高。然后計算各年春節(jié)所在月用電量占當年合成值得比例，根據(jù)趨勢取平均值得到2015年2月比例為24.62％，3月為38.83％；以2015年1-3月預(yù)測值7687793萬kw.h減去1月rbf預(yù)測值3091975萬kw.h，再按2，3月的預(yù)測比例分配2月修正值1783160萬kw.h，修正前后比較如表4所示。表4：2015年2月修正實際值/(萬kw.h)預(yù)測值/(萬kw.h)相對誤差/％修正前1765218199078112.78修正后176521817831601.022011年1月至2015年6月的預(yù)測用電量及實際用電量如圖3所示。由圖3可知，在根據(jù)2011～2014年計算的季節(jié)指數(shù)識別2015年第1季度季節(jié)特性明顯后，采用合成分解法修正預(yù)測值，能夠有效地減少預(yù)測值的相對誤差，提高月度預(yù)測的精確度。上面結(jié)合附圖對本發(fā)明進行了示例性描述，顯然本發(fā)明具體實現(xiàn)并不受上述方式的限制，只要采用了本發(fā)明的方法構(gòu)思和技術(shù)方案進行的各種非實質(zhì)性的改進，或未經(jīng)改進將本發(fā)明的構(gòu)思和技術(shù)方案直接應(yīng)用于其它場合的，均在本發(fā)明的保護范圍之內(nèi)。當前第1頁12