[發明專利]一種基于稀疏表示的電力負荷預測方法

有效

• 申請號: 201810304089.9
• 申請日: 2018-04-04
• 公開（公告）號: CN108537380B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 於志勇;郭文忠;黃昉菀;鄭香平
• 申請（專利權）人: 福州大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

本發明涉及一種基于稀疏表示的電力負荷預測方法，包括以下步驟：通過電力公司獲取真實電力負荷數據，對數據進行預處理得到，包括數據缺失、數據異常和數據歸一化等具體操作等處理；通過拼接基礎字典、單位矩陣字典和外部因素字典，使其構成過完備字典，過完備字典包括用于求解稀疏系數向量的訓練字典和用于預測未來電力負荷的測試字典兩部分；根據預處理的電力負荷數據和的訓練字典使用正交匹配追蹤OMP算法來求解系數向量；結合測試字典和稀疏系數向量來預測未來的電力負荷。該方法在真實存在的電力負荷數據集的基礎上，可以有效地預測未來的電力負荷，在添加外部因素的條件下，可以顯著地提高負荷預測的精度。

技術領域

本發明涉及電力負荷預測的技術領域，特別是涉及一種基于稀疏表示的電力負荷預測方法。

背景技術

隨著國家經濟技術的發展和人們生活水平的提高，電能已經成為了人們日常生產和生活中必不可少的二次能源，給人們的生產和生活帶來了無盡的便利。電力負荷預測是電網運行的重要研究課題和重要發展方向之一。目前，基于短期負荷預測研究理論和方法已做了大量預測研究，提出了很多方法，大致可以分為兩類：一類是以時間序列法為代表的傳統方法，如時間序列法等，這些方法算法簡單，速度快，應用廣泛，但由于其本質上都是線性模型方法，因此存在著很多缺點和局限性，無法真實地反映電力公司不同負荷模型的非線性特性；另一類是以人工神經網絡為代表的新型人工智能方法，神經網絡具有并行分布信息和自學習及任意逼近連續函數的能力，能夠捕獲電力短期負荷的各種變化趨勢。BP網絡需要大量歷史數據進行訓練，且學習及處理不確定性和人工信息的能力較差。FUZZY預測，是近幾年來在電力公司負荷預測中不斷出現的一種預測方法，但是從實際應用來看，FUZZY方法對于負荷預測的精度往往是不盡人意的。此外，隨著電網規模的擴大，涉及各方面的因素越來越多，不可避免地出現大量不確定性信息，因此目前的常用的負荷預測方法在這方面并不能很好的適應。

發明內容

有鑒于此，本發明的目的在于提供一種基于稀疏表示的電力負荷預測方法，該方法在給定的電力負荷信息數據集的基礎上，通過稀疏表示有效地刻畫電力負荷內在結構與特質，預測未來的電力負荷。

為實現上述目的，本發明采用如下技術方案：

一種基于稀疏表示的電力負荷預測方法，其特征在于：包括以下步驟：

步驟S1：通過電力公司獲取真實電力負荷數據y并對其進行預處理操作得到預處理的電力負荷數據y′，預處理操作包括數據缺失、數據異常和數據歸一化；

步驟S2：構建過完備字典：通過拼接使用離散小波變換或者離散余炫變換來構造基礎字典、由delta函數生成的單位矩陣字典和由外部因素構成的外部因素字典，使其構成過完備字典D，過完備字典分為兩部分D1是訓練字典，用于求解稀疏系數向量；D2是測試字典，通過結合稀疏系數向量來預測未來一段時間的電力負荷；

步驟S3：根據預處理的電力負荷數據y′和訓練字典D1使用正交匹配追蹤OMP算法來求解稀疏系數向量α；

步驟S4：得到的測試字典D2結合稀疏系數向量α來預測未來的電力負荷y″，通過公式(4)來預測未來電力負荷：

y＝D₂α (4)

得到的電力負荷預測值與實際的電力負荷值進行比較，來驗證該方法的有效性。

進一步的，所述步驟S1具體包括：

步驟S11：對數據進行數據缺失處理：為了減少誤差，使用數據填充的方法，當天的數據與前一天，后一天，一星期前，這個時間段有關，具體如公式(1)所示；

y(d,t)＝w₁y(d-1,t)+w₂y(d+1,t)+w₃y(d-7,t) (1)