[發明專利]基于頻域分解及人工智能算法的短期負荷預測方法

在審

• 申請號: 201910243384.2
• 申請日: 2019-03-28
• 公開（公告）號: CN109934418A
• 公開（公告）日: 2019-06-25
• 發明（設計）人: 張倩;丁津津;馬金輝;馬愿;謝毓廣;李順;李智;趙曉春;葉海峰;黃少雄;王璨
• 申請（專利權）人: 安徽大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳秉中

1.基于頻域分解及人工智能算法的短期負荷預測方法，其特征在于，包括：

用頻域分解算法對原始負荷數據的負荷時間序列進行分解，獲得日周期分量、周周期分量、低頻分量和高頻分量；

采用神經網絡算法對日周期和周周期進行預測；

采用隨機森林算法對低頻分量進行預測；

對高頻分量進行二次分解，對分解后的低頻部分采用神經網絡算法進行預測。

2.根據權利要求1所述的基于頻域分解及人工智能算法的短期負荷預測方法，其特征在于：用頻域分解算法對原始負荷數據的負荷時間序列進行分解，獲得日周期分量、周周期分量、低頻分量和高頻分量，包括如下步驟：

1)采用傅里葉變換對原始負荷數據的負荷時間序列進行分解，得到了彼此正交的諧波信號；

2)利用負荷變化周期性的特性對步驟1)分解后的負荷時間序列進行重構；

3)通過傅立葉變換結合歐拉公式獲得日周期分量、周周期分量、低頻分量和高頻分量。

3.根據權利要求2所述的基于頻域分解及人工智能算法的短期負荷預測方法，其特征在于：所述步驟1)中，對原始負荷數據的負荷時間序列P(t)作如下分解：

其中，N為歷史負荷數據個數，a_i和b_i為系數。

4.根據權利要求3所述的基于頻域分解及人工智能算法的短期負荷預測方法，其特征在于：所述步驟2)中，把P(t)分解為角頻率為w_i＝2π×i÷N，(i＝1，2，…，N-1)的分量，將P(t)重構如下式：

P(t)＝a₀+D(t)+W(t)+L(t)+H(t)，

其中，a₀+D(t)是日周期分量，W(t)是周周期分量，L(t)是低頻分量，H(t)是高頻分量。

5.根據權利要求4所述的基于頻域分解及人工智能算法的短期負荷預測方法，其特征在于：所述步驟3)，包括：

對負荷序列進行離散傅立葉變換，通過頻譜值獲得系數a_i，b_i；

利用傅里葉逆變換結合歐拉公式е^jθ＝cosθ+jsinθ，求得分解后的負荷時間序列。

6.根據權利要求1所述的基于頻域分解及人工智能算法的短期負荷預測方法，其特征在于：所述神經網絡算法為Elman神經網絡算法。

7.根據權利要求1所述的基于頻域分解及人工智能算法的短期負荷預測方法，其特征在于：所述隨機森林算法，包括：

使用自舉法從原始低頻分量數據中隨機提取i個樣本數據集作為每個決策樹的子樣本集，每個樣本大小與原始低頻分量數據集相同，并且每次未被取樣的數據構成袋外數據；

對各個子樣本集分別建立分類回歸樹，構建i棵決策樹，在構建過程中，對于決策樹的各個節點，隨機采樣原始低頻分量數據變量集，獲得變量子集，根據基尼指數最小準則從變量子集中選取最優特征進行分裂；

每棵分類回歸樹從頂部到底部遞歸分枝生長，達到設置葉節點的最小尺寸后決策樹停止生長，所有的決策樹組合成為隨機森林；

在隨機森林模型中輸入測試數據，利用i棵決策樹分別對子測試樣本集預測，取每個決策樹預測結果的平均值為預測值。

8.根據權利要求1所述的基于頻域分解及人工智能算法的短期負荷預測方法，其特征在于：對高頻分量采用Mallat算法進行二次分解。