[發(fā)明專利]一種采用優(yōu)化極限學習機的電力負荷預測方法

有效

• 申請?zhí)枺?/td>: 202010259530.3
• 申請日: 2020-04-03
• 公開（公告）號: CN111539558B
• 公開（公告）日: 2023-05-16
• 發(fā)明（設計）人: 王立輝;廖宇航
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06N3/006;H02J3/00
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 常虹

本發(fā)明公開了一種采用優(yōu)化極限學習機的電力負荷預測方法，包括：1、以采樣率fsubgt;s/subgt;采集電力負荷在待預測日之前N天內(nèi)的值，每天采集M次，得到長度為N*M的電力負荷采樣序列，對所述采樣序列進行歸一化，作為原始序列X(k)；2、對X(k)做EMD分解，得到多個IMF分量序列和一個殘差序列；3、對得到的每個IMF分量序列和一個殘差序列，分別建立基于極限學習機的預測模型進行預測，所述預測模型的輸出預測序列長度為M；將每個IMF分量序列的預測序列和殘差序列的預測序列進行融合和反歸一化，得到待預測日的電力負荷序列。該方法可以有效提高預測精度。

技術領域

本發(fā)明屬于智能電網(wǎng)、人工智能技術領域，具體涉及一種采用優(yōu)化極限學習機算法的短期電力負荷預測方法。

背景技術

短期電力負荷預測是電力系統(tǒng)經(jīng)濟調(diào)度中至關重要的一環(huán)，準確的負荷預測，能夠保障電力系統(tǒng)安全穩(wěn)定的運行，提高人民用電可靠性，從而提高電網(wǎng)公司積極效益和社會效益。目前國內(nèi)外學者對短期電力負荷預測做了大量的實驗研究，預測模型主要分為以下三類，第一類是運用時間序列模型、回歸模型和卡爾曼濾波模型等傳統(tǒng)數(shù)理統(tǒng)計方法進行構建電力負荷預測模型，如申請?zhí)枮?01710685610.3的中國專利文獻《基于經(jīng)濟數(shù)據(jù)的電力負荷預測方法》，首先根據(jù)相關性分析理論定量分析各個經(jīng)濟數(shù)據(jù)參數(shù)與電力消費之間的關系，之后采用一元線性回歸模型、彈性系數(shù)模型、時間序列的線性模型和灰色預測模型等對電力負荷進行預測。此類方法適用于規(guī)律性較強的負荷預測。第二類是運用基于機器學習算法的人工智能預測模型進行預測，其中主要方法有支持向量機、人工神經(jīng)網(wǎng)絡以及決策樹模型等，如申請?zhí)枮?01911172170.7的中國專利文獻《基于LSTM神經(jīng)網(wǎng)絡的電力負荷預測方法、裝置及系統(tǒng)》，公開了采用LSTM神經(jīng)網(wǎng)絡的方法來預測電力負荷；此類方法應用范圍相對較廣。第三類是運用組合預測的方法，通過對運用不同的模型預測結果進行加權組合，得到最終預測數(shù)據(jù)。在實踐中，各類方法均存在預測精度較低的問題。

發(fā)明內(nèi)容

發(fā)明目的：針對現(xiàn)有技術中存在的問題，本發(fā)明提供了一種預測精度較高的電力負荷預測方法。

技術方案：本發(fā)明采用如下技術方案：

一種采用優(yōu)化極限學習機的電力負荷預測方法，包括：

(1)以采樣率f_s采集電力負荷在待預測日之前N天內(nèi)的值，每天采集M次，得到長度為N*M的電力負荷采樣序列，對所述采樣序列進行歸一化，作為原始序列X(k)，k＝1,2,…,N*M；

(2)對原始序列X(k)做EMD分解，得到多個IMF分量序列和一個殘差序列；

(3)對得到的每個IMF分量序列和一個殘差序列，分別建立基于極限學習機的預測模型進行預測，所述預測模型的輸出預測序列長度為M；將每個IMF分量序列的預測序列和殘差序列的預測序列進行融合和反歸一化，得到待預測日的電力負荷序列。

有益效果：與現(xiàn)有技術相比，本發(fā)明公開的電力負荷預測方法首先采用經(jīng)驗模態(tài)分解方法將電力負荷序列分解為多個規(guī)律性強的模態(tài)分量，減小序列隨機性對負荷預測精度的影響；對各模態(tài)分量分別應用人工蜂群優(yōu)化的極限學習機進行預測，避免局部最優(yōu)，最后將各分量預測結果進行融合得到最終預測結果，提高了預測精度。

附圖說明

圖1為本發(fā)明公開的電力負荷預測方法的流程圖；

圖2為原始電力負荷曲線與EMD分解結果的示意圖；

圖3為采用本發(fā)明公開的方法進行預測與實際真實值的對比示意圖；

圖4為本發(fā)明公開的方法與其他預測方法的結果與真實值的對比示意圖；

圖5為本發(fā)明公開的方法與其他預測方法的結果與真實值的絕對誤差對比示意圖。

具體實施方式