[發(fā)明專利]小波降噪和EMD-ARIMA的電力系統(tǒng)負荷預測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202010777451.1
• 申請日: 2020-08-05
• 公開（公告）號: CN111985361A
• 公開（公告）日: 2020-11-24
• 發(fā)明（設計）人: 何怡剛;吳曉欣;段嘉珺;張慧;時國龍;張朝龍
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06Q10/04;G06Q50/06
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 張宇

本發(fā)明公開了一種基于小波降噪和EMD?ARIMA的電力系統(tǒng)負荷預測方法及系統(tǒng)，屬于電力系統(tǒng)負荷預測領域。首先，獲取電力系統(tǒng)原始負荷數(shù)據(jù)，接著，利用小波分析對負荷數(shù)據(jù)進行降噪處理；接著利用經(jīng)驗模態(tài)分解EMD方法對降噪后的數(shù)據(jù)進行進一步處理得到不同的負荷分量；最后，對不同的負荷分量構建對應的差分自回歸滑動平均ARIMA模型，同時利用赤池信息準則、貝葉斯信息準則對ARIMA模型進行優(yōu)選，最終對不同ARIMA模型預測得到的負荷分量進行重構得到最終的預測結果，有效提供了負荷預測的準確率。

技術領域

本發(fā)明屬于電力系統(tǒng)負荷預測領域，更具體地，涉及一種基于小波降噪和EMD-ARIMA的電力系統(tǒng)負荷預測方法及系統(tǒng)。

背景技術

電力系統(tǒng)短期負荷預測是智能電網(wǎng)集成智能能源管理系統(tǒng)的核心部分之一。一個精確的短期負荷預測模型，可以方便在資源有效管理的情況下，合理地規(guī)劃正在進行的電網(wǎng)運行。負荷曲線的隨機性、不平穩(wěn)性和非線性使得短期負荷預測的精確建模成為一項相當具有挑戰(zhàn)性的工作。

目前關于電力系統(tǒng)負荷預測的相關研究有很多，包括差分自回歸滑動平均(Autoregressive Integrated Moving Average Model，ARIMA)模型、卡爾曼濾波預測、馬爾科夫預測、支持向量機(Support Vector Machine，SVM)、人工神經(jīng)網(wǎng)絡(ArtificialNeural Network，ANN)、長短時記憶網(wǎng)絡(Long Short Term Memory Network，LSTM)等等。但這些單一的預測方法都存在著各自的缺點，比如，ARIMA作為經(jīng)典時間序列分析方法，充分考慮時序數(shù)據(jù)間的聯(lián)系，是時間序列預測的重要工具。但該模型適用于處理平穩(wěn)數(shù)據(jù)，而電力系統(tǒng)負荷具有不確定的特點，盡管通過差分方法可以使負荷趨于平穩(wěn)，但面對波動較大的負荷數(shù)據(jù)，ARIMA模型仍然有待進一步改進。而濾波器預測模型盡管能夠有效去除高斯噪聲以及非高斯噪聲，計算量需求極小，但需人為給定系統(tǒng)模型，當系統(tǒng)模型不精確時預測效果會有所下降，難以得到廣泛應用。而傳統(tǒng)人工智能算法無法有效捕捉序列數(shù)據(jù)的時序關聯(lián)性，在進行時序數(shù)據(jù)預測時較不理想。LSTM作為一種RNN的改進算法，是當下深度學習的研究熱點之一，但研究表明其在負荷長期預測方面更具優(yōu)勢，且深度學習方法訓練時間較長，收斂速度較慢，模型的泛化能力有待進一步檢驗。

一些研究也開始考慮充分利用不同算法的優(yōu)勢，將之進行有機組合從而進一步提高預測精度。如基于ARIMA模型建立卡爾曼狀態(tài)方程和測量方程，最后利用卡爾曼濾波算法建立預測模型，但缺乏與其他方法的對比，難以看出預測精度優(yōu)勢。使用經(jīng)驗模態(tài)分解(Empirical Mode Decomposition，EMD)將原始負荷序列分解為一系列的子序列，并通過粒子群(Particle Swarm Optimization，PSO)優(yōu)化輸出層權重的核極限學習機(KernelExtreme Learning Machine，KELM)建立預測模型，對各序列進行區(qū)間構造，取得了較好的預測精度。但PSO優(yōu)化和KELM的訓練需要花費較多時間，且當數(shù)據(jù)量較少時，算法容易產(chǎn)生過擬合。

此外，關于負荷預測的大部分研究一般直接使用在線監(jiān)測數(shù)據(jù)，并未對數(shù)據(jù)進行清洗和降噪，難以保證數(shù)據(jù)的可靠性，這也降低了后期預測結果的說服力。當前，也有少部分開始考慮對負荷數(shù)據(jù)進行預處理，以進一步改善后期預測精度。比如，利用模糊信息粒化與支持向量機進行負荷預測，有效降低了異常數(shù)據(jù)對最終結果的干擾。首先針對原始數(shù)據(jù)利用兩種時間序列模型進行匹配，檢測出異常值的種類，進而對其中存在的噪音點、缺失值進行修補處理，接著基于SVM構造預測模型，但其所用預測方法缺乏進一步的優(yōu)化。

發(fā)明內容

針對現(xiàn)有技術的以上缺陷或改進需求，本發(fā)明提出了一種基于小波降噪和EMD-ARIMA的電力系統(tǒng)負荷預測方法及系統(tǒng)，有效提高了負荷預測的準確率。

為實現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于小波降噪和EMD-ARIMA的電力系統(tǒng)負荷預測方法，包括：