[发明专利]基于改进Shapley值模型的短期负荷预测方法

说明书

本发明公开了一种基于改进Shapley值模型的短期负荷预测方法，通过希尔伯特黄(HHT)变换对非平稳负荷进行重构得到随机、周期、趋势分量；通过改进shapley值模型确定组合预测各个预测方法的权重分配，并分别应用于随机、周期、趋势分量的预测，将得到的各个预测分量进行叠加得到最终预测值。相对于现有预测方法，本发明提出的预测方法具有更高的精确度和稳定性。

技术领域

本发明涉及电力系统负荷预测技术领域，具体而言涉及一种基于改进Shapley值模型的短期负荷预测方法。

背景技术

在电力系统运行控制和计划管理中，负荷预测决定了发电、输电和配电的合理安排，是电力系统规划的重要组成部分。其中，短期符合预测最主要的应用是为发电计划程序提供数据，用来确定满足安全要求、运行约束、以及自然环境和设备的运行方案。如何提高预测精度是目前研究短期负荷预测理论与方法的中心和重点。

有部分研究人员针对单一预测方法预测精度不高的问题，提出了组合预测模型进行预测的理念，针对单一预测方法同时对呈现不同平稳特征的三种分量进行预测将产生较大误差的问题，组合预测方法可以有效结合各个预测方法的优势，提高预测精度，难点是权值的分配问题。

例如专利号为CN201811334912.7的发明专利中提出一种基于改进shapley值的风电汇聚趋势性分状态量化方法，针对仅利用测风数据及气象数据对汇聚效应预测精度较低、传统 shapley值法在单一模型预测结果偏差过大时仍参与组合的问题，本发明基于改进shapley值法对风电汇聚效应的趋势性进行量化分析，在对不同风电输出状态量化分析的基础上，得到各风电输出状态下的风电持续出力曲线，进而构建基于汇聚特性分析的风电持续出力曲线分状态组合预测模型，并建立预测精度评价体系。相对于单一的预测模型，风电持续出力曲线的分状态组合预测方法能更准确地描述风电汇聚的趋势，为风电基地扩建后的外送输电容量规划提供一定的理论依据。但是这类方法比较适合稳定运行环境下的电力系统负荷预测，并不适用于实际运行过程中出现不稳定特征的复杂负荷数据的预测能力，其中包含的权值分配方法也不适用于短期负荷预测方法。

而随着国家电网的进一步推进，需求侧用户终端的智能化水平不断提高，用户负荷时序特征显著改变，短期负荷数据具有非平稳性的特点，单一的负荷预测模型和常规的组合预测模型忽略负荷数据的时序性特点，难以达到满意的预测准确度。新形势下如何更加精准科学地分析和挖掘负荷的内部特征，提高短期负荷预测的精确性亟待解决。

发明内容

本发明目的在于提供一种基于改进Shapley值模型的短期负荷预测方法，通过希尔伯特黄(HHT)变换对非平稳负荷进行重构得到随机、周期、趋势分量；通过改进shapley值模型确定组合预测各个预测方法的权重分配，并分别应用于随机、周期、趋势分量的预测，将得到的各个预测分量进行叠加得到最终预测值。相对于现有预测方法，本发明提出的预测方法具有更高的精确度和稳定性。

为达成上述目的，结合图1，本发明提出一种基于改进Shapley值模型的短期负荷预测方法，所述短期负荷预测方法包括：

S1：通过经验模态分解对呈现不稳定特征的负荷数据进行分解，得到有限个本征模态函数；

S2：通过希尔伯特变换得到各个本征模态函数对应的时间-频率曲线；

S3：按各个时间-频率曲线交叠最少为原则将各个本征模态函数重构为随机、周期、趋势分量；

S4：针对随机、周期、趋势分量分别采用改进shapley值组合预测方法进行预测，得到随机、周期、趋势分量对应的预测分量；

S5：将随机、周期、趋势分量对应的预测分量进行叠加后得到最终预测分量。

进一步的实施例中，步骤S1中，所述通过经验模态分解对呈现不稳定特征的负荷数据进行分解，得到有限个本征模态函数的过程包括以下步骤：