最近很多人再問電力負荷預測方法研究「電力系統有功負荷最優分配的目的」，今天小編給大家整理了電力負荷預測方法研究「電力系統有功負荷最優分配的目的」的相關內容，請往下看。

隨著電力市場的發展以及用戶需求的逐步提升，電網的安全及經濟運行變得至關重要。對電力負荷進行準確的短期預測，可以有效保障電網安全運行，降低發電成本，滿足用戶需求，提高社會經濟效益。由于電力能源的生產、輸送、分配和供應消費幾乎同時完成，電能作為一種較為特殊的能源，難以大量存儲，這就使得電力系統發電出力應該與系統負荷的變化隨時保持一致，達到動態平衡，滿足供需關系，否則輕則影響供電質量，重則危機整個電力系統的安全與穩定。由于電力系統負荷具有明顯的周期特性(天，周，月，年)，同時影響的因素復雜(天氣、經濟、節假日、觀測誤差等等)，電力系統負荷呈現出較強的隨機性和非周期成分，為短期預測帶來較大難度。

文獻“Zheng J,Xu C,Zhang Z,et al.Electric load forecasting in smartgrids using Long-Short-Term-Memory based Recurrent Neural Network[C]//Information Sciences and Systems.IEEE,2017.”使用LSTM對電力負荷進行了短期預測，并將LSTM與其他常見算法進行了對比，結果表明LSTM的預測誤差要優于其他算法。同時，文中指出季節性差分自回歸滑動平均模型(SARIMA)對于非平穩非季節性的電力負荷系統預測難以發揮作用。

但是，其文中給出結果并沒有對負荷的高頻局部特征進行準確的預測，預測曲線僅擬合了負荷的基本變化趨勢。在負荷隨機波動情況較大的時候方法具有局限性。

在實際應用中，負荷數據往往包含較多的噪音干擾，大大降低了負荷預測精度，另一方面，由于通信延遲等多方面原因，數據存在大量空缺，且空缺位置與長度通常無規律可循，空缺長度過長使得傳統的插值法難以合理的填充空缺，而簡單直接的填充固定值或歷史值，很可能破壞時間序列的周期性、規律性。因此，在有限長度的電力負荷數據中，如何充分挖掘數據包含的信息，是預測模型建立的關鍵。傳統數學模型為充分挖掘數據信息、提高預測精度，常使用增加數據維度或將數據進行細分的方法，在一定條件下能夠實現快速準確的預測，但是當數據維度較低、數據量較小的時候，對于復雜多變的電力負荷，由于其隨機性和非周期性的影響，傳統數學模型難以獲得有效預測精度。而基于人工智能的算法雖然能夠相比之下取得更高的預測精度，但往往存在超參數難以確立，資源耗費較多，計算速度相對較慢的缺點，且對于低維度時間序列數據，由于其各局部特征之間相互影響，使得模型難以從數據中清晰的找出規律建立規則。

問題拆分

以負荷數據的有功功率為數據基礎，通過將數據分解頻率由高到低的各個穩定頻率分量，再分別使用多元線性回歸與LSTM神經網絡對其低頻分量與中高頻分量進行預測，最后疊加所預測的結果，從而得到完整的預測結果；這樣解決了傳統負荷預測方法對于高頻局部特征難以進行有效預測的缺點，同時也能夠準確預測出負荷的變化趨勢，提高了復雜情況下的預測有效性。

問題解決

目的在于克服現有技術的不足，提供一種用于電力系統短期負荷的預測方法，通過將電力負荷數據進行分解，使得局部特征與變化趨勢分離，最后將預測結果進行疊加，得到精確的預測結果。

為實現上述發明目的，本發明一種用于電力系統短期負荷的預測方法，其特征在于，包括以下步驟：

(1)、從智能電表端提取用戶側負荷數據

(1.1)、從各個智能電表端采集每個用戶的用電負荷數據；

(1.2)、將每個用戶的用電負荷數據進行疊加，得到接近于發電側的區域負荷數據；

(1.3)、對區域負荷數據進行層次聚類，得到N類負荷數據，再以層次聚類得到的類別數N為基準，進行K均值聚類，得到代表用戶側負荷的N類用電負荷數據；

(2)、利用集合經驗模態分解算法EEMD對每一類用電負荷數據進行分解；

(2.1)、從N類用電負荷數據中隨機抽取一類用電負荷數據作為測試數據，并在測試數據中加入白噪聲，標記為s(n)；

(2.2)、對s(n)進行EMD分解，計算出若干本征模函數IMF分量；

(2.2.1)、找出s(n)的所有極值點，再使用三次樣條插值函數分別求出上下包絡曲線emax(n)和emin(n)，然后計算其均值m(n)；

(2.2.2)、計算s(n)與m(n)的差值d(n)；

d(n)＝s(n)-m(n)

(2.2.3)、設置篩分門限閾值利用d(n)計算本次分解時的篩分門限值SD；

其中，n＝0,1,…,M，M表示該類用電負荷數據的序列長度；i＝1,2,…,k表示第i次篩分，k表示篩分總次數，當i＝1時，d0(n)等于s(n)；

若SD小于則令cj(n)＝d(n)，即得到本次分解后的一個IMF分量cj(n)，j＝1,2,…,h，h表示IMF分量總個數，一次完整的篩分過程結束，跳轉到步驟(2.2.4)；否則以d(n)作為輸入信號，即d(n)＝s(n)，再返回步驟(2.2.1)進行下一輪的篩分，直到經過多輪篩分后滿足SD小于

(2.2.4)、令s(n)＝s(n)-cj(n)，判斷s(n)是否滿足繼續分解的條件，如果不滿足分解條件，則令殘余r(n)＝s(n)，且本次分解結束，得到本次分解后的一組IMF分量cj(n)及殘余；否則，以所得到的s(n)返回步驟(2.2.1)繼續下一輪分解，從而計算出下一個IMF分量cj 1(n)，然后依次類推，最終將原信號s(n)分解為了h個本征模函數IMF分量[c1(n),c2(n),…,ch(n)]以及殘余r(n)；

(2.3)、將步驟(2.1)中抽取的測試數據按照步驟(2.1)和(2.2)所述方法重復P次，且每次添加不同的白噪聲；

(2.4)、將P次分別得到的IMF分量求均值，得到IMF均值集合，即得到h個頻率從高到低不等的頻率負荷分量；

(3)、在IMF均值集合中，將前τ個頻率負荷分量劃分為中高頻負荷分量，剩余h-τ個頻率負荷分量劃分為低頻負荷分量；

(4)、利用多元線性回歸MLR模型和長短期記憶神經網絡LSTM模型進行負荷預測

(4.1)、利用利用MLR模型對低頻負荷分量進行預測

(4.1.1)、利用滑動窗口按照相等步長對低頻負荷分量進行滑動，建立起不同時刻下的若干長度一定的子序列；

(4.1.2)、建立MLR模型表達式：

Y＝X×β μ

展開表示為：

其中，yi表示電力負荷值；xij表示影響負荷的因素；β0表示常數項，βi表示回歸系數，i＝1,2...,n；μi表示隨機擾動；

(4.1.3)、采用最小二乘法估計回歸系數；

(4.1.4)、將回歸系數代入MLR模型中得到標準的MLR模型，再將當前時刻時的子序列代入到MLR模型中估計出下一刻的負荷值，然后將所得負荷預測值添加到當前時刻子序列中，重新帶入到模型，繼續向下一時刻預測，這樣重復Q次后，得到長度為Q的負荷預測值序列；

(4.2)、利用LSTM模型對中高頻負荷分量進行預測

(4.2.1)、利用滑動窗口按照相等步長對中高頻負荷分量進行滑動，建立起不同時刻下的若干長度一定的子序列；

(4.2.2)、將子序列作為LSTM模型的輸入，前向計算出LSTM模型中每個神經元的狀態參數與輸出值；

(4.2.3)、通過均方誤差公式反向計算出LSTM模型中每個神經元的誤差項MSE；

其中，Preal表示t時刻負荷真實值，Ppredict(t)表示t時刻LSTM輸出值，n表示數據長度；

(4.2.4)、以誤差項MSE為目標函數，使用Adam優化算法調整每個神經元的權重，優化誤差項，然后再返回步驟(4.2.2)，直到誤差項MSE不再減小時結束，得到標準的LSTM模型；

(4.2.5)、將當前時刻時的子序列代入到LSTM模型中估計出下一刻的負荷值，然后將所得負荷預測值添加到當前時刻子序列中，重新帶入模型，繼續向下一時刻預測，這樣重復Q次后，得到長度為Q的負荷預測值序列；

(4.3)、將MLR模型所得預測結果與LSTM模型所得預測結果相疊加，得到完整預測結果；

(5)、當該一類用電負荷數據得到完整預測結果后，按照步驟(2)-(4)所述方法繼續預測剩余N-1類用電負荷數據，最終得到電力系統短期負荷預測結果。

本發明的發明目的是這樣實現的：

本發明一種用于電力系統短期負荷的預測方法，以負荷數據的有功功率為數據基礎，通過將數據分解頻率由高到低的各個穩定頻率分量，再分別使用多元線性回歸與LSTM神經網絡對其低頻分量與中高頻分量進行預測，最后疊加所預測的結果，從而得到完整的預測結果；這樣解決了傳統負荷預測方法對于高頻局部特征難以進行有效預測的缺點，同時也能夠準確預測出負荷的變化趨勢，提高了復雜情況下的預測有效性。

同時，本發明一種用于電力系統短期負荷預測的方法還具有以下有益效果：

(1)、本發明即可以準確的預測負荷的變化趨勢，又能夠一定程度的預測隨機性很強的局部特征；

(2)、通過多元線性回歸與LSTM神經網絡方法的結合，有效的避免了過于繁瑣的神經網絡訓練以及參數設定，提高了模型整體的簡潔性與快速性；

(3)、相比于傳統負荷預測方法，本發明有效提高了預測的精確度。