[发明专利]一种钢铁企业电力超短期负荷预测方法

说明书

技术领域

电力系统短期负荷预测无论是对制定电力系统规划还是实现电力系统自动化、安全发供电等都有着十分重要的意义。一般来说，超短期电力预测是指未来半小时至一小时内的负荷预测，按照钢铁企业特殊的电网结构和负荷特点，准确的预测出钢铁企业用电负荷曲线，可以提高用电的计划性和经济合理性，从而减少非计划用电给企业带来的损失，为全面降低钢铁企业的综合能耗打下基础，提高钢铁企业的经济效益。 

背景技术

现有方法大都使用神经网络实现电力系统的短期预测，通常是根据足够的先验知识来确定输入和输出变量间的关系，倘若网络结构选取不当，预测结果难以令人满意，同时已存在的负荷数据量通常有限，此时神经网络的逼近能力和泛化能力大大降低。因此准确有效的电力负荷预测方法是确定机组组合方案、钢铁企业与当地电网功率输送方案和负荷调度方案所不可缺少的前提保障。 

发明内容

本发明所要解决的技术问题是，提出了一种基于粒子群优化(PSO)支持向量机(SVM)的电力负荷预测方法。在对历史数据进行分析基础上，通过小波变换方法将负荷数据分解成不同频段的子序列，将反映负荷趋势的低频部分作为SVM预测模型输入序列进行预测，可使SVM模型输入序列平稳同时又能反映负荷的基本特性，再利用粒子群算法对支持向量机参数进行选择，减少预测误差，最终得电力系统超短期负荷预测模型。 

本发明采用的技术方案是： 

1.负荷数据的小波分解 

电力系统负荷数据序列是一种典型具有周期性和随机性的非线性非平稳时间序列特点的信号，由于负荷中包含随机因素，因而负荷变化的精确数学表达往往很复杂，但是通过小波变换则可以把负荷中的随机高频分量和线性分量明显分开，从而分别对各自的特性进行分析。小波分析是一种时域-频域分析法，在时域和频域上同时具有良好的局部化性质，并且能根据信号频率高低自动调节采样的疏密，容易捕捉和分析微弱信号以及信号的任意细小部分。其优点：能对不同的频率采用逐渐精细的采样率，从而获得信号的细节，并能很好的处理微弱或突变的信号，基于此理论，可以对电力系统负荷序列进行二进小波变换，体现出负荷序列周期性。分别对各子序列进行预测，最后合并重构出完整序列的预测结果。 

双正交小波具有很好的对称性及线性相位，在小波分解和重构时不容易发生失真。经实验表明，尺度的合理选择也很关键，数据分解的层数越多，数据变得越光滑，突变峰值越少，尺度选的太大对精度的提高将没有明显的优势，同时还会降低计算的效率，故将负荷数据分解至尺度2是比较合理的。 

2.粒子群优化SVM算法 

粒子群优化算法是一种基于群体进化的全局优化算法，它能获得近似最优的全局解，并且不会陷入局部极小。适应度函数的好坏是衡量进化算法优劣的关键之一。在PSO-SVM算法中，每一个粒子代表SVM的一组参数，粒子所对应的适应度是该组参数下算法的性能。本文选取平均绝对误差(MAPE)作为适应度函数，其形式如下： 

fMAPL=1/nΣi=1n|(yi-yi′)/yi|---(9)]]>

其中：n是训练样本个数；yi是实际值；yi’是预测值；fMAPE是适应度函数值。在搜索过程中，当预测误差达到某给定值，或已到达最大迭代次数，则算法结束。PSO算法流程如下： 

Step1.读入样本集并对样本集进行预处理；