[发明专利]一种短期电力负荷预测方法

说明书

本发明涉及一种短期电力负荷预测方法，包括以下步骤：获取电力历史数据，将历史数据输入预测模型中，得到预测的短期电力负荷，预测模型的训练过程具体为：S1、获取训练集，通过前向序列选择算法从训练集中提取特征；S2、将提取的特征输入极限学习机中进行训练，训练过程中，采用猎人猎物优化算法优化极限学习机的模型参数，经过迭代训练，得到最终的优化的模型参数；S3、将优化的模型参数代入极限学习机中，得到训练完成的预测模型。与现有技术相比，本发明具有能够快速找到全局最优解等优点。

技术领域

本发明涉及短期电力负荷预测领域，尤其是涉及一种短期电力负荷预测方法。

背景技术

目前的短期电力负荷预测主要分为以下两种方法：

①基于数理统计的方法：该方法基本原理在于借助各种统计学算法分析各种负荷影响因子，实现对未来电力负荷消耗情况的提前估计。目前用于短期电力负荷预测的数理统计方法有以下几类：时间序列预测技术、回归预测技、灰色预测技术等。总体来说，基于数理统计的方法实现较为简单，运算速度快，使用的历史数据比较少，同时计算量不大，当数据变化比较平滑时，统计技术的预测误差较小。但无法对电力系统中存在的大量非线性数据进行分析处理。

②基于机器学习的方法：机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。应用于短期电力负荷预领域的机器学习方法有：支持向量回归法、决策树回归、人工神经网络法等。相较于基于数理统计的方法，基于机器学习的方法具有较强的泛化能力和鲁棒性，并且具有强大的非线性数据拟合能力，适用于处理不平稳数据，并且能够在数据规模较大的复杂情况下高质量完成负荷预测工作。上述优势使得机器学习的方法在短期电力负荷预测领域的应用潜力更大。

上述的基于数理统计的方法虽然实现较为简单，运算速度快，但是该方法一般仅适用于对线性数据进行分析，并且对数据的平稳性要求较高，无法对电力系统中大量的非线性不稳定数据进行建模；上述的基于机器学习的方法具有较强的泛化能力和鲁棒性，并且适用于处理非线性数据，能够在数据规模较大较复杂的情况下高质量完成预测工作，但该方法很难确定全局最优解，虽然已有很多智能优化算法用于短期电力负荷预测任务中，但仍存在收敛较慢和训练时间较长等缺点。

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的一种短期电力负荷预测方法，使用特征选择算法有效筛选出复杂参数间的主要控制参数，并使用具有全局寻优能力的算法优化预测模型参数，能够快速找到全局最优解。

本发明的目的可以通过以下技术方案来实现：

一种短期电力负荷预测方法，包括以下步骤：

获取电力历史数据，将历史数据输入预测模型中，得到预测的短期电力负荷，将预测的结果进行展示，其中，预测模型的训练过程具体为：

S1、获取训练集，通过前向序列选择算法从训练集中提取特征；

S2、将提取的特征输入极限学习机中进行训练，训练过程中，采用猎人猎物优化算法优化极限学习机的模型参数，经过迭代训练，得到最终的优化的模型参数，优化的模型参数包括最优的学习率、训练次数、批处理大小和隐含层节点数；

S3、将优化的模型参数代入极限学习机中，得到训练完成的预测模型。

进一步地，采用猎人猎物优化算法优化极限学习机的模型参数的具体步骤为：

S21、随机初始化群体，初始群体中每个搜索代理的位置在搜索空间中随机生成，定义搜索空间的上界和下界，所述搜索代理为猎人或猎物；

S22、生成初始化群体后，使用目标函数计算每个解的适应度值，将最优的适应度值对应的搜索代理的位置作为当前的全局最优位置，所述目标函数为均方误差；