[发明专利]基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法

权利要求书

1.一种基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法，其特征在于，包括以下步骤：

步骤S1:获取电力用户负荷的实际用能数据，并预处理；

步骤S2:根据预处理后的负荷数据，采取预设阈值的小波去噪剔除负荷数据中的潜在噪声，并进行离散小波分解；

步骤S3:根据分解后的各层小波系数作为训练样本构建并训练Holt-Winters模型；

步骤S4:根据预处理后的负荷数据，采用深度学习框架搭建深度长短时记忆网络模型；

步骤S5：将Holt-Winters模型和深度长短时记忆网络模型进行组合，并计算各模型在组合模型中的权重；

步骤S6:根据得到的权重，对Holt-Winters模型和深度长短时记忆网络模型输出进行加权平均得到最终预测曲线。

2.根据权利要求1所述的基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法，其特征在于，所述预处理包括对负值、空值、零值、异常值的剔除处理以及归一化处理。

3.根据权利要求2所述的基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法，其特征在于，所述归一化处理具体为：

式中，P_j是某用户某天的第j点的负荷，P_j.min和P_j.max分别是该用户当天第j点负荷的最小值和最大值；P_j'为某用户某天的第j点的负荷归一化后的值。

4.根据权利要求1所述的基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法，其特征在于,所述步骤S3具体为:

步骤S31:对离散信号进行分解得到对应的小波系数，分解公式如下所示：

根据小波系数构建新的离散信号,重构公式如下所示：

公式可简写为：

式中，为第j层的小波系数，k为位置索引，为小波函数，x(t)为原始信号，A_j(t)为原始信号在第j层的低频分量，而D_j(t)为第j层的高频分量；

步骤S32:Holt-Winters模型由三个指数平滑方程和一个预测方程组成，具体的公式如下所示：

s_i＝α(x_i-p_i-l)+(1+α)(s_i-1+t_i-1)

t_i＝β(s_i-s_i-1)+(1-β)t_i-1

p_i＝γ(x_i-s_i)+(1-γ)p_i-l

x_i+h＝s_i+ht_i+p_i-k+h

式中，s_i、t_i、p_i分别表示原数据的水平特征、趋势特征以及季节特征在第i个时间点的大小，α、β、γ则分别对应三个分量的阻尼因子，范围在0—1之间，x_i是数据在第i个时间点的实际值，h是观察点到预测点的步长大小，l为季节分量的周期。

5.根据权利要求1所述的基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法，其特征在于,所述Holt-Winters模型在训练过程中使用PSO算法来对模型的参数进行优化，具体为:使用PSO算法寻找Holt-Winters模型中季节参数l的最优值，算法的适应度函数为Holt-Winters模型的预测值与测试样本真实值的平均绝对误差，计算公式如下所示：

式中，y_i表示样本序列的实际值，而则为序列的预测值。

6.根据权利要求1所述的基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法，其特征在于,所述步骤S5具体为：

步骤S51:根据两个模型的拟合效果，确定两个预测模型在组合模型中的权重ω_i，则其组合预测模型的公式可以记录为：

式中：f_t为t时刻组合预测模型的预测值；f_it为t时刻第i个预测模型的预测值；

步骤S52:根据最优化理论，将损失函数定义为预测误差误差平方和最小，公式如下所示：

并且满足条件：

式中，e_t为t时刻组合预测的误差；y_t为观测值；E为误差平方和；

步骤S53:将Holt-Winters模型和LSTM模型的权重分别设置为ω₁、ω₂，预测值为Y₁、Y₂，两个模型最终的预测值为Y_c，则公式可以记为：

Y_c＝ω₁Y₁+ω₂Y₂

通过两个模型的预测误差得到两个模型误差的方差及协方差，分别设为σ₁₁，σ₁₂，σ₂₂，最终计算得到两预测模型的权重系数为：