[发明专利]考虑季节特性的改进小波包用电量预测方法

说明书

技术领域

本发明属于电力市场需求预测的技术领域，涉及一种考虑季节特性的改进小波包用电量预测方法，能够有效提高波峰谷季节的月度预测精度。

背景技术

随着我国电力市场愈加合理、完善，电力行业需分析投资需求趋势，从而调整公司发展战略，适应电改后复杂的电力交易市场环境因而对用电量预测的质量和精确度提出了更高标准，要求做到对次年12个月份的用电量预测，才能策略性地安排投资融资计划，为电力系统规划提供有力支撑。

温度、湿度、风速等气象因素会对月度用电量的波动产生随机性干扰，这种称之为噪声的干扰在时域和频域作用于用电量，在预测用电量时寻找电量波动的规律性和连续性都产生影响，带来误差。对原始数据进行降噪预处理，尽量还原用电量的波动性、连续性等规律成为电量预测的一个重要步骤。此外，季节性气候。节假日等因素会给月度用电量产生规模性影响，但降噪处理会低估季节波峰波谷，需要进行用电量修正。

由于中短期用单量变化存在随机性和复杂性，但又有着周期波动，横向和纵向时间点连续。传统预测及修正方法如线性回归法、滑动时间预测法以及模拟退火等无法适应，不能准确区分信号中的噪声，影响了预测用电量的修正工作，从而使最终预测值达不到准确率的要求。

发明内容

本发明提供一种考虑季节特性的改进小波包用电量预测方法，其目的是有效提高波峰谷季节的月度预测精度。

为了实现上述目的，本发明采取的技术方案为：

本发明的考虑季节特性的改进小波包用电量预测方法，所述的预测方法是将连续的二维用电量矩阵进行去噪处理，拟合出规律性更强的电量数据；同时基于径向基函数(RBF)神经网络模型预测用电量，通过引入季节指数识别用电量季节特性明显的季度，对季节性明显的月度用电量，使用多月合成预测，再按比例分配来修正月度预测值。

有鉴于小波包变换相比小波变换，能更强地在时域与频域进行分析，又因为电量的横向和纵向连续性，横向上将同月数据排成行，纵向上将相邻月份数据拍成列，进行归一化，形成类似灰度图像矩阵的二维矩阵。

根据所述二维矩阵，引入起源于图像分析的二维小波包分解，以阈值区分有效信号与噪声，采用基于二维小波包阈值的去噪方法对用电量数据进行处理。

所述季节特性考虑到春夏季的用电量处于谷峰值，小波包去噪会消除季节特性，因而选择RBF-合成分解法预测并修正用电量，并通过季节特征月及其相邻月的累加进行预测，再分解为各月度数据，从而修正用电量季节波峰波谷预测数据。

所述的预测方法使用径向基函数(RBF)神经网络为前馈型神经网络，结构包含隐含层节点数、各激活函数的中心、宽度以及隐含层与输出层之间的连接权值。

所述的预测方法包含以下具体步骤：

1)、数据按行为一年12个月，列为不同年的相同月份排成二维矩阵，并进行归一化处理；

2)、使用二维小波包分解，小波基函数取db4，分解层数为3，熵标准取Shannon，构造最优树；

3)、使用双曲线阈值函数进行去噪处理，并重构，反归一化，并与使用硬阈值、软阈值函数的去噪效果对比；

4)、对去噪数据进行RBF预测，并与未去噪数据的RBF预测结果作准确率及绝对误差对比；

5)、计算季节指数判断季节特性的强弱；若季节性强，则使用合成分解法修正预测数据。

在所述的步骤5)中，所述修正预测数据方法包含以下步骤：

a)、使用基于径向基函数(RBF)对小波包去噪后的序列进行预测；

b)、计算季节指数，判断是否需要修正用电量预测结果；

c)、对季节指数与平均季节指数相对偏差较大的季节使用合成修正法。

所述的季节特性使用季节指数来表述，将季节指数定义为该季度的实际值与季度所在年的平均值之比；设置N取近期3～5年的时间长度，实现随用电量历史数据的更新，季节指数亦发生滚动更新，将季节分为K段，记Sij为第i年第j季的季度用电量实际值，单年季节指数表示第i年第j季的季度用电量占第i年全年用电量的比例，但年季节指数为：

式中：i＝1，2，…，N；j＝1，2，…，K；

季节指数Fj为N年的单年季节指数的平均，即：

式中：j＝1，2，…，K；

平均季节指数为K个季度的平均值，即：

式中：j＝1，2，…，K；

季节指数与平均季节指数的相对偏差为：