[發(fā)明專利]基于小波變換和和聲搜索改進(jìn)灰色模型的負(fù)荷預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710776660.2
• 申請(qǐng)日: 2017-08-31
• 公開（公告）號(hào): CN107590557A
• 公開（公告）日: 2018-01-16
• 發(fā)明（設(shè)計(jì)）人: 衛(wèi)志農(nóng);郭勉;臧海祥;王苗苗;孫國強(qiáng);朱瑛
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06F17/14
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙)32204
• 代理人: 劉淵

技術(shù)領(lǐng)域

發(fā)明涉及一種基于小波變換和和聲搜索改進(jìn)灰色模型的負(fù)荷預(yù)測(cè)方法，屬于 短期負(fù)荷預(yù)測(cè)領(lǐng)域。

背景技術(shù)

在電力系統(tǒng)計(jì)劃與運(yùn)行管理中，負(fù)荷預(yù)測(cè)是對(duì)發(fā)電、輸電和電能分配等合理 安排的必要前提。電力系統(tǒng)負(fù)荷預(yù)測(cè)是電力系統(tǒng)規(guī)劃的重要組成部分，也是電力 系統(tǒng)經(jīng)濟(jì)運(yùn)行的基礎(chǔ)，。負(fù)荷預(yù)測(cè)包含兩方面含義：對(duì)未來需求量(功率)的預(yù) 測(cè)和未來用電量(能量)的預(yù)測(cè)。電力需求量的預(yù)測(cè)決定發(fā)電、輸電、配電系統(tǒng) 新增容量的大小；電能預(yù)測(cè)決定發(fā)電設(shè)備的類型(如調(diào)峰機(jī)組、基荷機(jī)組等)。 電力系統(tǒng)負(fù)荷預(yù)測(cè)的結(jié)果可以在一定程度上反映負(fù)荷的發(fā)展?fàn)顩r和水平，電力生 產(chǎn)部門和管理部門以此為依據(jù)制定生產(chǎn)計(jì)劃和發(fā)展規(guī)劃，確定各供電區(qū)域各規(guī)劃 年供用電量、供用電最大負(fù)荷和規(guī)劃地區(qū)總的發(fā)展水平，確定各規(guī)劃年用電負(fù)荷 構(gòu)成。提高負(fù)荷預(yù)測(cè)水平，有利于計(jì)劃用電管理，有利于合理安排電網(wǎng)運(yùn)行方式 和機(jī)組檢修計(jì)劃，有利于節(jié)煤、節(jié)油和降低發(fā)電成本，有利于制定合理的電源建 設(shè)規(guī)劃，有利于提高電力系統(tǒng)的經(jīng)濟(jì)效益和社會(huì)效益，對(duì)電力系統(tǒng)的安全經(jīng)濟(jì)運(yùn) 行與國民經(jīng)濟(jì)的發(fā)展具有非常重要的影響。

目前適合用于負(fù)荷短期預(yù)測(cè)的方法有很多。其中一些統(tǒng)計(jì)方法包括有線性回 歸，多元回歸分析，ARMA(自回歸移動(dòng)平均)，基于卡爾曼濾波器技術(shù)方法，博 克斯和詹金斯模型。同時(shí)越來越多的智能算法也被運(yùn)用于此，如利用專家系統(tǒng)， ANN(人工神經(jīng)網(wǎng)絡(luò))，模糊邏輯，ESN(回聲狀態(tài)網(wǎng)絡(luò))。將多種方法組合，如基 于模糊推理和人工神經(jīng)網(wǎng)絡(luò)方法的組合模型，基于WT(小波變換)，人工神經(jīng)網(wǎng) 絡(luò)，EA(進(jìn)化算法)的組合模型，基于ARMAX(自回歸(AR)和移動(dòng)平均(MA) 的外生變量)和PSO(粒子群搜索法)的組合模型，以及ANN和ANFIS的組合模 型很常用。組合模型的優(yōu)越性是顯而易見的。GM(灰色模型)獨(dú)立進(jìn)行預(yù)測(cè)得到 的短期負(fù)荷預(yù)測(cè)結(jié)果有時(shí)候不夠精確，因而需要結(jié)合其他方法來提高它的性能。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明提出一種基于小波變換和和聲搜索改進(jìn)灰色模型的負(fù)荷預(yù) 測(cè)方法，可應(yīng)用于電力負(fù)荷相關(guān)領(lǐng)域的科學(xué)研究和工程應(yīng)用，提高了預(yù)測(cè)精度和 穩(wěn)定性。

技術(shù)方案：本發(fā)明一種基于小波變換和和聲搜索改進(jìn)灰色模型的負(fù)荷預(yù)測(cè)方 法，包括以下步驟：

1)輸入負(fù)荷數(shù)據(jù)，對(duì)負(fù)荷數(shù)據(jù)構(gòu)成的原始序列進(jìn)行數(shù)據(jù)預(yù)處理；

2)對(duì)步驟1)得到的預(yù)處理后的負(fù)荷序列進(jìn)行小波分解與重構(gòu)；

3)建立基于灰色理論的負(fù)荷預(yù)測(cè)模型；

4)利用和聲搜索算法改進(jìn)步驟3)得到的灰色負(fù)荷預(yù)測(cè)模型；

5)將步驟2)中負(fù)荷序列經(jīng)過小波分解與重構(gòu)后的各分量作為輸入逐一投 入步驟4)中經(jīng)和聲搜索優(yōu)化后的灰色負(fù)荷預(yù)測(cè)模型，進(jìn)行預(yù)測(cè)；

6)獲取負(fù)荷預(yù)測(cè)值。

進(jìn)一步的，所述步驟1)中，進(jìn)行數(shù)據(jù)預(yù)處理是指當(dāng)預(yù)測(cè)時(shí)刻的負(fù)荷數(shù)據(jù)與 前一時(shí)刻的負(fù)荷數(shù)據(jù)大小相差超過10％時(shí)，基于以下方程對(duì)負(fù)荷數(shù)據(jù)進(jìn)行預(yù)處 理：

其中，X_s(m+1)表示m+1時(shí)刻的負(fù)荷數(shù)據(jù)，X_s(m)表示m時(shí)刻的負(fù)荷數(shù)據(jù)。

進(jìn)一步的，所述步驟2)中，選取3層小波分解，則小波分解和重構(gòu)后，原 始序列表示為：

X_s＝G₁+G₂+G₃+X₃

其中，X_s為原始序列，G₁、G₂、G₃分別為第一層至第三層重構(gòu)后的高頻信號(hào)， X₃為第三層重構(gòu)的低頻信號(hào)，X_s、G₁、G₂、G₃中的第i個(gè)元素可以表示如下：

X_s,i＝G_1,i+G_2,i+G_3,i+X_3,i。

進(jìn)一步的，所述步驟3)中，建立基于灰色理論的負(fù)荷預(yù)測(cè)模型，包括以下 步驟：

A)對(duì)重構(gòu)后的分量進(jìn)行累加生成操作，如下：