[发明专利]一种基于EWT神经网络的电力负荷短时预测方法

说明书

本发明公开了一种基于EWT神经网络的电力负荷短时预测方法，特点是将供电区域内每小时测量得到的电力负荷数据组成一个列向量，并根据如下所示公式对其实施标准化处理得到列向量，利用EWT将列向量转换成D个子信号向量，并实施归一化处理，以新输入矩阵中的各个行向量作为输入，同时以新输出矩阵中的各个行向量做为输出，搭建Elman神经网络模型，并确定中间层神经元的传递函数，利用BP算法训练Elman神经网络模型并建立电力负荷短时预测模型，使用最近七天内的168个电力负荷数据对未来一天的电力负荷数据进行预测；优点是通过前7天的电力负荷数据实现对未来一天的24小时的电力负荷数据的预测，提高预测的精准度。

技术领域

本发明涉及一种电力负荷预测方法，特别涉及一种基于EWT神经网络的电力负荷短时预测方法。

背景技术

电力负荷短时预测的作用主要是通过某个区域或地区的电力负荷数据来预测未来一天的电力负荷情况，电力负荷短时预测的精度对于电力系统安全和经济效益具有重要的研究意义。特别是在电力竞争激烈的资本自由市场上，电力负荷短时预测的精度是优化电力系统管理能力的关键。然而，电力负荷的动态变化情况非常复杂，且电力负荷会受到多种因素的影响，比如天气数据。因此，建立一个合适的短时预测模型，需要考虑到电力负荷变化的复杂特征。

近些年来，针对电力负荷短时预测问题的研究，最常见的是使用自回归移动平均、线性回归和广义指数平滑等广泛应用于时间序列预测分析的技术手段。但是，这些方法已被证实无法处理电力负荷变化的随机非线性变化特性。最近，神经网络模型成了电力负荷短时预测研究的宠儿，其最大优势在于强大的非线性拟合能力。考虑到电路负荷变化按照天、周、月、季度等进行区分的话，会呈现出非常明显的周期性特点，傅里叶变换和小波变换(Wavelet Transformation，缩写：WT)已被应用于提取电力负荷的频域变化特征。更有甚者，结合使用WT与径向基神经网络模型，建立相应的电力负荷短时预测模型。此外，为了分解电力负荷数据的变化特征，经验模式分解(Empirical Mode Decomposition，缩写：EMD)同样可以用于将电力负荷数据进行信号分解。

经验小波变换(Empirical Wavelet Transformation，缩写：EWT)做为一种非常有效的时间序列分析工具，它结合了EMD与小波变换的优势。EWT可以将原始信号分解成多个不同频率带宽的子信号序列，而且可以自动确定子信号序列的个数。此外，给定多个不同频率带宽的子信号序列，还可以通过逆向EWT重构出时域的测量信号。再者，在现有专利与科研文献中，Elman神经网络因其反馈回路的存在，使其具有适应时变特性的能力，能直接动态反应过程系统的时序特性。因此，Elman神经网络同样可进行电力负荷的预测。然而，传统Elman神经网络无法实现电力负荷数据的频率特征分解，其电力负荷预测的准确性还有待商榷。

发明内容

本发明所要解决的技术问题是：如何利用EWT将电力负荷数据序列转换成多个不同的序列，并在此基础上并行实施基于Elman神经网络的短时预测建模，通过逆向EWT实现对电力负荷的短时精准预测。

本发明解决上述技术问题所采用的技术方案为：一种基于EWT神经网络的电力负荷短时预测方法，包括以下步骤：

步骤1、将供电区域内每小时测量得到的电力负荷数据组成一个列向量x∈R^N×1，并根据如下所示公式对其实施标准化处理得到列向量

上式中，μ与δ分别表示列向量x中所有元素的平均值与标准差，R^N×1表示N×1维的实数向量；