[发明专利]一种基于数据挖掘的短期电力负荷预测方法

说明书

本发明公开了一种基于数据挖掘的短期电力负荷预测方法，包括步骤：采用变分模态分解方法，将原始电力负荷序列分解成不同有限带宽的子模态分量；确定各子模态分量对应的输入变量；将输入变量输入电力负荷预测模型中，得到电力负荷的预测结果。本发明一并公开了用于执行上述方法的计算设备。

技术领域

本发明涉及能源电力技术领域，更具体地，涉及一种基于数据挖掘的短期电力负荷预测方法。

背景技术

短期电力负荷预测是电力能源管理系统合理安排生产调度计划、实现节能、经济运行的重要保障。然而短期电力负荷受到天气、日类型(日类型例如包括工作日、节假日等)、市场等诸多因素的影响，加大了准确进行电力负荷预测的困难。因此，提高短期电力负荷预测的准确性，成为重要的研究内容。

长期以来，国内外学者对短期电力负荷预测展开大量研究。在考虑的影响因素方面，现有研究中主要包括天气因素、时间、历史负荷等。常见的一种处理方式是，通过对若干影响因素进行主成分分析，选取了平均气温、相对湿度和降雨量三个因素预测短期电力负荷。还有一种处理方式为，通过综合考虑气温和时间两种影响因素预测短期负荷，来提高预测准确度。然而，现有研究考虑热、冷负荷等多种负荷与电负荷相关性的研究还相对较少。在短期电力负荷预测方法方面，主要采用传统预测方法和人工智能预测法对短期电力负荷进行预测。尽管以回归分析、时间预测等方法为代表的传统预测方法计算简单且易于实现，但对处理具有非线性特征的电力负荷数据的能力较差，无法达到理想的预测精度。

综上，现有短期电力负荷预测具有影响因素考虑不足、非平稳性数据特征处理不当以及算法仍需优化等问题。

因此，需要一种针对短期电力负荷的预测方法，来解决上述问题。

发明内容

为此，本发明提供了一种基于数据挖掘的短期电力负荷预测方法，以力图解决或者至少缓解上面存在的至少一个问题。

根据本发明的一个方面，提供了一种基于数据挖掘的短期电力负荷预测方法，适于在计算设备中执行，包括步骤：采用变分模态分解方法，将原始电力负荷序列分解成不同有限带宽的子模态分量；确定各子模态分量对应的输入变量；将输入变量输入电力负荷预测模型中，得到电力负荷的预测结果。

可选地，根据本发明的方法还包括步骤：预先构造电力负荷预测模型。

可选地，在根据本发明的方法中，预先构造电力负荷预测模型的步骤包括：构造基于混合核函数的最小二乘支持向量机模型；利用布谷鸟搜索算法对最小二乘支持向量机模型进行参数优化，来得到电力负荷预测模型。

可选地，在根据本发明的方法中，混合核函数包括：全局核函数与局部核函数。

可选地，在根据本发明的方法中，采用变分模态分解方法，将原始电力负荷序列分解成不同有限带宽的子模态分量的步骤包括：通过构造变分函数，将原始电力负荷序列分解为多个具有中心频率的有限带宽的子模态分量。

可选地，在根据本发明的方法中，确定各子模态分量对应的输入变量的步骤包括：计算各子模态分量下，电负荷分量与预设影响因素的序列之间的相关性；将相关性高的预设影响因素的序列，作为该子模态分量对应的输入变量。

可选地，在根据本发明的方法中，预设影响因素包括：热、冷、气负荷的耦合关系、温度、湿度、日类型。

可选地，在根据本发明的方法中，计算各子模态分量下，电负荷分量与预设影响因素的序列之间的相关性的步骤包括：利用Kendall秩相关系数，来计算相关性。

根据本发明的再一方面，提供了一种计算设备，包括：一个或多个处理器；和存储器；一个或多个程序，其中一个或多个程序存储在存储器中并被配置为由一个或多个处理器执行，一个或多个程序包括用于执行如上所述方法中的任一方法的指令。