[发明专利]电力负荷预测方法、装置、计算机可读存储介质及设备

权利要求书

1.一种电力负荷预测装置的预测方法，其特征在于包括如下步骤：

(1)：采集负荷数据以及与负荷指标相关的温度和降雨量这两个气象数据；

(2)：采用关联度分析对采集到的温度和降雨量数据进行分析，剔除关联度较低的因素；

(3)：利用变分模态分解算法对数据进行分解；

(4)：建立广义回归神经网络模型；

(5)：将分解后的数据代入广义回归神经网络模型进行预测，得到预测结果。

2.根据权利要求1所述的电力负荷预测方法，其特征在于：上述步骤(2)的关联度分析过程为确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷数据，比较数列为温度数据和降雨量数据；并将变量无量纲化；

根据关联规则，计算关联度的三个指标，为支持度Support、置信度Confident和提升度Lift来考核数据之间的关联程度。

3.根据权利要求1所述的电力负荷预测方法，其特征在于：上述步骤(3)的利用变分模态分解算法对数据进行分解过程为：

利用变分模态分解算法将数据分解成一系列有限带宽模态函数{u_k(t)},k＝1,2…；k为输入数据的维数，u为固有模态函数分量，t为时刻，构造变分问题，计算各模态的带宽；

采用二次惩罚、拉格朗日乘数和假体方向乘子法求解变分问题,并通过迭代搜寻最优解。

4.根据权利要求1所述的电力负荷预测方法，其特征在于：上述步骤(4)的建立广义回归神经网络模型过程为：

假设f(x,y)作为模型的联合概率密度，观测值作为模型x值，y表示其回归值，也称条件均值；当x＝x₀时，y对x₀的条件均值为：

设计模型的样本值，一般GRNN模型的概率密度函数：

其中，x_i和y_i都是第i(i＝0,1,2…n)个观测值，n作为样本的总数，p是x的维数，σ为平滑因子(核宽度)；

距离D_i为x和x_i之间的欧几里得距离，可以用下式表示：

将条件均值和概率密度函数代入，再将积分求和的次序进行互换，进而可得到条件平均估值：

令变量z＝y-y_i，可得广义回归神经网络(GRNN)模型期望值，该期望值即为模型输出值：

5.一种电力负荷预测装置，其特征在于包括：

采集模块：用于采集负荷数据、温度数据和降雨量；

关联度模块：用于对负荷数据、温度数据、降雨量进行关联度分析；

分解模块：用于利用变分模态分解算法对关联度模块的数据进行分解；

建模模块：用于建立广义回归神经网络模型；

预测模块：用于将分解模块分解后的数据带入建立好的广义回归神经网络模型，获得预测结果。

6.一种计算机可读存储介质，其特征在于：计算机可读存储介质上存储有指令，所述指令被处理器执行时实现权利要求1-4所述的任一项方法的步骤。

7.一种计算设备，其特征在于：包括，一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至4所述的方法中的任一方法的指令。