[发明专利]一种基于经验模态分解的微电网短期负荷预测方法

说明书

本发明涉及一种基于经验模态分解的微电网短期负荷预测方法，包括：S1、采集原始负荷数据并进行预处理，获得总负荷曲线；S2、通过经验模态分解，将总负荷曲线分解为趋势负荷曲线和波动负荷曲线；S3、构建基于振幅压缩方法的灰色预测模型，得到趋势负荷预测值；S4、建立考虑负荷相似日关联性的MIC历史矩阵以及包括气象和地理区位因素的UTCI历史库，得到波动负荷预测值；S5、重构趋势负荷预测值和波动负荷预测值，获取短期负荷预测值，以控制微电网中分布式电源的工作状态。与现有技术相比，本发明在分析负荷特性的基础上，综合考虑了气象和地理区位因素对负荷预测的影响作用，取得了较高的预测准确率，并且提高了预测速度。

技术领域

本发明涉及负荷预测技术领域，尤其是涉及一种基于经验模态分解的微电网短期负荷预测方法。

背景技术

微电网短期负荷预测是实现微电网智能调度、最优化能效管理的关键，根据短期负荷预测值控制微电网中分布式电源的出力，对微电网的安全供电、降低经济成本、稳定运行具有重要意义。用户侧微电网的负荷具有基数小、易受外界因素影响而呈现剧烈波动的特点，且其曲线的非线性复杂程度远高于大电网负荷曲线。在实际预测中，现有预测模型常因忽略多因素的影响而导致预测精度不足，或因模型构造不合理而导致运算效率较低的情况。

目前短期负荷预测常采用的预测方法包括灰色关联分析、BP神经网络、支持向量机等。上述方法大多在建模时对用电负荷曲线进行整体预测，导致预测速度慢、预测时间长；且未考虑多种气象因素综合影响的作用，使得预测结果的精度较低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种微电网短期负荷预测方法，通过经验模态分解(Empirical Mode Decomposition，EMD)的方法将总负荷分解为趋势和波动两部分，能够有效提高预测速度、缩短预测时间，针对不同负荷曲线分别建模预测，能够保证用户侧微电网短期负荷的预测准确性，同时基于通用热气候指数(Universal Thermal Climate Index，UTCI)和最大信息系数(Maximal InformationCoefficient，MIC)相似日矩阵对波动部分进行预测，进一步提高了用户侧微电网短期负荷预测结果的精度和运算效率。

本发明的目的可以通过以下技术方案来实现：一种基于经验模态分解的微电网短期负荷预测方法，包括以下步骤：

S1、采集原始负荷数据并进行预处理，获得总负荷曲线；

S2、采用经验模态分解方法，将总负荷曲线分解为趋势负荷曲线和波动负荷曲线；

S3、根据趋势负荷曲线，通过构建基于振幅压缩方法的灰色预测模型，得到趋势负荷预测值；

S4、根据波动负荷曲线，通过建立考虑负荷相似日关联性的MIC历史矩阵，同时建立包括气象因素和地理区位因素的UTCI历史库，得到波动负荷预测值；

S5、对趋势负荷预测值和波动负荷预测值进行重构，获取短期负荷预测值，根据短期负荷预测值，控制微电网中分布式电源的工作状态。

优选的，所述步骤S2具体包括以下步骤：

S21、获取总负荷曲线的局部极值点；

S22、采用三次样条插值法拟合出光滑的上包络线与下包络线，并求得上下包络线的算术平均值；

S23、根据总负荷曲线与上下包络线的算术均值，得到待检测数据序列；

S24、对待检测数据序列进行IMF(Intrinsic Mode Function，本质模式函数)条件判别，若待检测数据序列通过判别，则将该待检测数据序列称为IMF分量，并执行步骤S25，否则将该待检测数据序列作为总负荷曲线，返回步骤S21，直至出现满足判别条件的IMF分量；

S25、根据总负荷曲线与IMF分量，得到剩余分量；