[发明专利]一种短期负荷预测方法、装置及系统

说明书

技术领域

本发明实施例涉及电力系统技术领域，特别是涉及一种短期负荷预测方法、装置及系统。

背景技术

在电力系统中，精准的短期负荷预测在安排购电计划和运行计划中极其重要。随着社会经济的不断发展，负荷日益复杂，准确的负荷预测可以保证电力系统的稳定性和安全性，提高电网的经济效益和社会效益。

目前，在短期负荷预测的研究中，传统方法采用如傅里叶展开法、时间序列法、多元线性回归法和神经网络预测法等方法对短期负荷进行预测，，但由于电力负荷与天气条件、假期等多种因素有着密切的关系，负荷曲线往往呈随机性变化，传统的预测方法难以预测负荷的变化，全局收敛精度较低，使预测结果难以满足现在负荷预测精度的需求。

因此，如何提供一种解决上述技术问题的短期负荷预测方法、装置及系统成为本领域技术人员目前需要解决的技术问题。

发明内容

本发明实施例的目的是提供一种短期负荷预测方法、装置及系统，使用过程中降低了负荷的波动性对负荷预测精确度的影响，加强了模型局部搜索能力，提高了全局收敛精度，使预测结果更加精确。

为解决上述技术问题，本发明实施例提供了一种短期负荷预测方法，包括：

S11：获取经预处理后的历史负荷数据及天气数据；

S12：利用小波包分解法将所述历史负荷数据分解为多个不同频段的分量数据；

S13：通过小波包重构算法对各个所述分量数据分别进行单支重构得到各个第一子序列；

S14：分别向各个所述第一子序列中添加天气数据，得到各个第二子序列；

S15：将各个所述第二子序列输入至预先建立的极限学习机优化模型中进行预测，得到与各个所述第二子序列一一对应的各个子预测结果；

S16：将各个所述子预测结果进行叠加，得到短期负荷预测结果；

其中，所述极限学习机优化模型的建立过程为：

S21：获取训练样本数据，并将所述训练样本数据输入至极限学习机中；

S22：采用粒子群引力搜索混合算法对极限学习机的参数进行寻优处理，得到训练后的所述极限学习机优化模型；所述参数包括输入权值和隐含层偏置。

可选的，所述采用训练样本数据及粒子群引力搜索混合算法对极限学习机的参数进行寻优处理的过程为：

S221：依据极限学习机的参数随机初始化种群，所述参数包括输入权值和隐含层偏置；

S222：采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值，其中：

所述适应度值计算关系式为其中，fit_i为第i个初始粒子的适应度值，为预测值，P为期望输出值，N为所述训练样本数据中输出预测值的总数，i＝1,2,…,M，M为初始粒子总数；

S223：对所述初始种群中的各个所述初始粒子的位置和速度进行更新，得到当前种群，并计算出所述当前种群中各个当前粒子的适应度值；

S224：若当前种群中的第i个当前粒子的适应度值小于所述初始种群中的第i个初始粒子的适应度值，则将第i个当前粒子作为新种群中的第i个粒子；若当前种群中的第i个当前粒子的适应度值大于所述初始种群中的第i个初始粒子的适应度值，则将第i个初始粒子作为新种群中的第i个粒子，以得到新种群；

S225：判断当前迭代次数是否达到最大迭代次数，如果是，则从所述新种群中找到适应度值最优的粒子作为全局最优粒子进行输出，并依据所述全局最优粒子得到最优参数；否则，继续下次迭代，直至达到最大迭代次数。

可选的，所述历史负荷数据包括为预测日前1天的负荷数据；所述天气数据包括预测日前一天的天气数据及预测日的天气预报数据。

可选的，各个所述负荷数据的时间分辨率为1小时。

可选的，所述天气数据包括每天的最高气温、最低气温、降雨量及湿度。

本发明实施例相应的提供了一种短期负荷预测装置，包括：

获取模块，用于获取经预处理后的历史负荷数据及天气数据；

分解模块，用于利用小波包分解法将所述历史负荷数据分解为多个不同频段的分量数据；

重构模块，用于通过小波包重构算法对各个所述分量数据分别进行单支重构得到各个第一子序列；

添加模块，用于分别向各个所述第一子序列中添加天气数据，得到各个第二子序列；

预测模块，用于将各个所述第二子序列输入至预先建立的极限学习机优化模型中进行预测，得到与各个所述第二子序列一一对应的各个子预测结果；