[发明专利]基于VMD分解机制的TCN-SVM组合用电负荷预测方法

说明书

本发明公开一种基于VMD分解机制的TCN‑SVM组合用电负荷预测方法，包括：首先获取历史电力负荷数据和天气因素数据并进行预处理；分别对预处理后的数据进行标记得到、天气因素分析、VMD分解分别得到构建的负荷数据特征、天气因素特征和用电负荷子分量；将上述特征为训练集对TCN预测模型和SVM预测模型进行训练、预测分别得到TCN预测模型和SVM预测模型的预测结果，在TCN预测模型和SVM预测模型得到预测结果中选择误差较小的结果进行叠加求和，得到最终的预测结果。本发明综合考虑了电力负荷数据分解之后的不同模态的特征，采用的预测模型能够更好的发挥各自的特性，解决了现有技术中存在的电负荷预测精度不高的问题。

技术领域

本发明属于电力负荷预测技术领域，涉及一种基于VMD分解机制的TCN-SVM组合用电负荷预测方法。

背景技术

随着新能源时代的到来，电力的发展到了前所未有的程度，对电力负荷预测进行准确的预测，有助于电网的安全运行，合理规划发电计划，提高经济效益。

目前电力负荷预测方法存在对电力负荷数据分析不足，直接将电力负荷数据代入预测模型影响了预测精度，同时没有考虑不同数据对不同预测模型的适用性，也影响了预测精度。

发明内容

本发明的目的是提供一种基于VMD分解机制的TCN-SVM组合用电负荷预测方法，解决了现有技术中存在的电负荷预测精度不高的问题。

本发明所采用的技术方案是：

基于VMD分解机制的TCN-SVM组合用电负荷预测方法，步骤包括：

步骤1：获取历史电力负荷数据和天气因素数据并对缺失值进行填补和对异常值进行替换；

步骤2：对步骤1到的数据进行节假日和季节做标记，得到构建的负荷数据特征；

步骤3：通过最大信息系数对天气因素数据进行分析得到天气因素特征；

步骤4：将用电力负荷数据进行VMD分解，得到不同的IMF用电负荷子分量；

步骤5：构建TCN预测模型和SVM预测模型，分别IMF用电负荷子分量、构建的负荷数据特征和天气因素特征作为训练集对TCN预测模型和SVM预测模型进行训练；采用训练好的TCN预测模型和SVM预测模型对带预测数据进行预测中，分别得到TCN预测模型和SVM预测模型的预测结果；

步骤6：在TCN预测模型和SVM预测模型得到预测结果中选择误差较小的结果进行叠加求和，得到最终的预测结果。

本发明的特点还在于：

步骤1中获取的电力负荷数据采样频率不同，通过对数据进行合并处理，将电力负荷数据处理成为每15分钟间隔采样一次，将获取到的数据进行可视化分析、缺失值检索和异常值检查，并通过线性插值法对缺失值进行填补和对异常值进行替换。

步骤2中采用标注的方法对季节进行标注，春季标记为0，夏季标记为1，秋季标记为2，冬季标记为3；采用标注的方法对节假日进行标注，节假日标记为0，非节假日标注为1。

步骤3具体的为：

步骤3.1，采用最大信息数对天气因素进行计算相关性，如公式(1)和公式(2)：

其中mic为最大信息数，x和y分别要求相关性的两组数据，p(x,y)为变量x和y之间的联合概率，I(x；y)为相互信息；

步骤3.2，设置阈值，将最大信息数大于阈值的天气因素特征进行保留得到天气因素特征，阈值的设置在0.6～0.7范围内。

步骤4中具体的VMD分解过程即为求解变分约束公式的过程，变分约束公式为：