一種短期電力負(fù)荷預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種短期電力負(fù)荷預(yù)測方法，具體設(shè)置一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和 極限學(xué)習(xí)機(jī)的短期電力負(fù)荷預(yù)測方法。
【背景技術(shù)】
[0002] 短期負(fù)荷預(yù)測是電力系統(tǒng)負(fù)荷預(yù)測研究中的一項(xiàng)研究重點(diǎn)。短期負(fù)荷預(yù)測的精度 直接影響到電力系統(tǒng)安全經(jīng)濟(jì)穩(wěn)定運(yùn)行，對實(shí)現(xiàn)電網(wǎng)科學(xué)管理具有重大意義。近年來，負(fù)荷 預(yù)測技術(shù)已然取得了長足的進(jìn)展，預(yù)測方法已經(jīng)從傳統(tǒng)方法發(fā)展到現(xiàn)代的人工智能預(yù)測技 術(shù)，負(fù)荷的預(yù)測精度也得到了相當(dāng)?shù)奶岣?。然而，隨著我國城鎮(zhèn)化建設(shè)的發(fā)展，用戶用電需 求將進(jìn)一步增加，同時(shí)也為可再生分布式電源的規(guī)?；尤胩峁┝丝蓪?shí)施的外部環(huán)境。以 居民小區(qū)、商業(yè)樓宇、工業(yè)廠區(qū)為主體的用戶側(cè)微電網(wǎng)將成為促進(jìn)可再生能源就地消納利 用，發(fā)揮分布式電源效能的有效方式。短期負(fù)荷預(yù)測是用戶側(cè)微電網(wǎng)能量管理系統(tǒng)的重要 組成部分，是實(shí)現(xiàn)微電網(wǎng)優(yōu)化調(diào)度的基礎(chǔ)，預(yù)測結(jié)果將直接影響微電網(wǎng)運(yùn)行策略與電能交 易。相關(guān)研究表明，較高的微電網(wǎng)負(fù)荷預(yù)測誤差將導(dǎo)致運(yùn)行成本大幅增加。因此，當(dāng)前的短 期負(fù)荷預(yù)測方法已不能完全滿足智能微電網(wǎng)的需求。
[0003]目前的負(fù)荷預(yù)測方法主要包括常規(guī)技術(shù)和人工智能方法，常規(guī)預(yù)測技術(shù)的原理比 較簡單且相對容易實(shí)現(xiàn)，但這些方法缺乏建立全面統(tǒng)一地準(zhǔn)確描述負(fù)荷變化特征的預(yù)測模 型的能力。與常規(guī)的預(yù)測方法相比，智能化方法在建立統(tǒng)一合理的負(fù)荷預(yù)測模型方面具有 很大的優(yōu)勢和潛力。但當(dāng)前廣泛采用的小波變化方法不能根據(jù)負(fù)荷樣本數(shù)據(jù)的具體本身特 點(diǎn)選擇合適的母小波及分解尺度，難以獲得令人滿意的分解結(jié)果和預(yù)測精度。另一方面，在 預(yù)測方法方面，當(dāng)前廣泛采用的人工神經(jīng)網(wǎng)絡(luò)方法存在過擬合及局部最優(yōu)解的問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種短期電力負(fù)荷預(yù)測方法，用以解決現(xiàn)有的負(fù)荷預(yù)測方法 均各自存在一定缺陷的問題。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明的方案包括一種短期電力負(fù)荷預(yù)測方法，包括以下步 驟：
[0006] (1)、采集若干天以及每天中的若干個(gè)時(shí)間點(diǎn)的電路負(fù)荷數(shù)據(jù)，構(gòu)成原始負(fù)荷序 列；
[0007] (2)、對所述原始負(fù)荷序列進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解，將原始負(fù)荷序列自適應(yīng)地分解 為一系列特定周期成分的本征模態(tài)函數(shù)和一個(gè)殘余量；
[0008] (3)、對于每一個(gè)分解得到的分量，分別采用極限學(xué)習(xí)機(jī)進(jìn)行預(yù)測；利用極限學(xué)習(xí) 機(jī)針對每一個(gè)本征模態(tài)分量以及殘余分量中連續(xù)日、相同時(shí)刻對應(yīng)的負(fù)荷數(shù)據(jù)分別進(jìn)行預(yù) 測模型建模，利用得到的預(yù)測模型進(jìn)行電力負(fù)荷的預(yù)測；
[0009] (4)、通過線性疊加處理，給出最終預(yù)測結(jié)果。
[0010] 在所述對原始負(fù)荷序列進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解之前，對原始負(fù)荷序列進(jìn)行不良數(shù) 據(jù)處理。
[0011] 所述步驟（2)具體包括以下步驟：
[0012] 1)、初始化整體重復(fù)的執(zhí)行次數(shù)Μ;
[0013] 2)、在原始負(fù)荷序列x(t)上添加白噪聲ni(t)得到新的信號Xl(t)，計(jì)算公式為： xjt) =χ(?)+η"?)，
[0014] 其中，該白噪聲服從（0,（ασ)2)的正態(tài)分布，σ=std(x(t))為信號的標(biāo)準(zhǔn)差， α為加性白噪聲的強(qiáng)度參數(shù)，這里njt)為第i次添加的白噪聲，Xl(t)是第i次添加白噪 聲后所得到的新的信號，i= 1，2,…，Μ;
[0015] 3)、采用經(jīng)驗(yàn)?zāi)B(tài)分解方法對新生成的信號Xl (t)進(jìn)行分解得到一系列本征模態(tài) 函數(shù)，計(jì)算公式為：
[0017] 其中，S是經(jīng)經(jīng)驗(yàn)?zāi)B(tài)分解方法分解所得到的本征模態(tài)函數(shù)的個(gè)數(shù)，&s (t)是殘余 量，cliS(t)是對第i次添加白噪聲得到的信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解后得到的第s個(gè)本征模態(tài) 函數(shù)，s= 1，2,…，S，i= 1，2,…，Μ;
[0018]4)、得到如下的本征模態(tài)函數(shù)的集合
[0019] 所述對原始負(fù)荷序列進(jìn)行不良數(shù)據(jù)處理的步驟為：
[0020] 1)、剔除異常數(shù)據(jù)，進(jìn)行數(shù)據(jù)的平滑；
[0021] 2)、對數(shù)據(jù)進(jìn)行歸一化。
[0022] 本發(fā)明提供的短期電力負(fù)荷預(yù)測方法中，采用的集合經(jīng)驗(yàn)?zāi)B(tài)分解能夠自適應(yīng)的 將經(jīng)不良數(shù)據(jù)處理的負(fù)荷序列分解為一系列本征模態(tài)分量，并且克服了傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解 的端點(diǎn)效應(yīng)問題。另一方面，極限學(xué)習(xí)機(jī)的泛化能力及計(jì)算速度優(yōu)于當(dāng)前普遍采用的人工 神經(jīng)網(wǎng)絡(luò)方法。
【附圖說明】
[0023] 圖1是短期電力負(fù)荷預(yù)測方法流程圖；
[0024]圖2是對原始負(fù)荷序列進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解的流程圖；
[0025]圖3是始負(fù)荷序列進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解的結(jié)果示意圖；
[0026] 圖4是某工作日預(yù)測負(fù)荷曲線與實(shí)際負(fù)荷曲線的比對圖。
【具體實(shí)施方式】
[0027] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步詳細(xì)的說明。
[0028] 不發(fā)明提供一種短期電力負(fù)荷預(yù)測方法，如圖1所示，包括以下步驟：
[0029] (1)、采集若干天以及每天中的若干個(gè)時(shí)間點(diǎn)的電路負(fù)荷數(shù)據(jù)，構(gòu)成原始負(fù)荷序 列，并對原始負(fù)荷序列進(jìn)行不良數(shù)據(jù)處理。
[0030] (2)、對所述原始負(fù)荷序列進(jìn)行集合經(jīng)驗(yàn)?zāi)B(tài)分解，將原始負(fù)荷序列自適應(yīng)地分解 為一系列特定周期成分的本征模態(tài)函數(shù)和一個(gè)殘余量；
[0031 ] 如圖2所示，該步驟具體包括為：
[0032] 1)、初始化整體重復(fù)的執(zhí)行次數(shù)Μ;
[0033] 2)、在原始負(fù)荷序列x(t)上添加白噪聲ni(t)得到新的信號Xl(t)，計(jì)算公式為： xjt) =χ(?)+η"?)，
[0034] 其中，該白噪聲服從（0,（αο)2)的正態(tài)分布，〇 =std(x(t))為信號的標(biāo)準(zhǔn)差， α為加性白噪聲的強(qiáng)度參數(shù)，這里njt)為第i次添加的白噪聲，Xl(t)是第i次添加白噪 聲后所得到的新的信號，i= 1，2,…，Μ;
[0035] 3)、采用經(jīng)驗(yàn)?zāi)B(tài)分解方法對新生成的信號Xl (t)進(jìn)行分解得到一系列本征模態(tài) 函數(shù)，計(jì)算公式為：
[0037] 其中，S是經(jīng)經(jīng)驗(yàn)?zāi)B(tài)分解方法分解所得到的本征模態(tài)函數(shù)的個(gè)數(shù)，&s (t)是殘余 量，cliS(t)是對第i次添加白噪聲得到的信號進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解后得到的第s個(gè)本征模態(tài) 函數(shù)，s= 1，2,…，S，i= 1，2,…，Μ;
[0038] 4)、得到如下的本征模態(tài)函數(shù)的集合
[0039] (3)、對于每一個(gè)分解得到的分量，分別采用極限學(xué)習(xí)機(jī)進(jìn)行預(yù)測；利用極限學(xué)習(xí) 機(jī)針對每一個(gè)本征模態(tài)分量以及殘余分量中連續(xù)日、相同時(shí)刻對應(yīng)的負(fù)荷數(shù)據(jù)分別進(jìn)行預(yù) 測模型建模。具體的過程可以參考極限學(xué)習(xí)機(jī)用來做回歸的過程，由于極限學(xué)習(xí)機(jī)屬于本 領(lǐng)域的公知常識，所以，這里不再贅述。
[0040] (4)、利用得到的預(yù)測模型進(jìn)行電力負(fù)荷的預(yù)測。
[0041] (5)通過線性疊加處理，給出最終預(yù)測結(jié)果。
[0042] 上述步驟（2)中，添加白噪聲的目的是為了消除經(jīng)驗(yàn)?zāi)B(tài)分解（EMD)的端點(diǎn)效應(yīng) 問題。端點(diǎn)效應(yīng)的出現(xiàn)時(shí)由于在應(yīng)用EMD方法時(shí)，在每一次的篩選過程中，要根據(jù)信號的上 下包絡(luò)來計(jì)算信號的局部平均值；上下包絡(luò)是由信號