[发明专利]一种日高峰负荷预测方法、计算机设备以及可读存储介质

说明书

本发明属于电力系统负荷预测技术领域，具体公开了一种日高峰负荷预测方法、计算机设备以及可读存储介质。本发明首先通过改进的自适应噪声完全集合经验模态分解方法对原始日高峰负荷数据进行分解，然后将分解得到的各个模态分量重构为高频部分和低频部分；对于高频部分，本发明采用XGBoost作为Bagging并行集成学习方法的基学习器，并引入麻雀搜索算法对XGBoost的超参数进行优化，可以实现对高频部分的精细化预测，更好的跟踪负荷变化细节；对于低频部分，本发明使用多元线性回归快速准确地预测；此外，与传统的预测方式所采用的直接累积重构方法不同，本发明使用Bagging‑RBFNN对负荷的高频部分和低频部分进行误差修正重构，从而输出最终预测结果，大大提高了负荷预测精度。

技术领域

本发明属于电力系统负荷预测技术领域，特别涉及一种基于多算法融合的双层精细化日高峰负荷预测方法、计算机设备以及可读存储介质。

背景技术

日高峰值负荷是指一天中用电侧需要的最大负荷值。日高峰负荷预测主要服务于电网的调峰、调频和安全运行。预测日高峰负荷可为电力系统后备容量的计算、需求响应措施的实施和峰谷电价的制定提供重要参考，特别是在夏季和冬季用电高峰期，电力供需缺口较大，准确预测未来几天的高峰负荷状况，有助于电网制定调度方案，帮助发电企业制定生产计划，缩小供需缺口；同时，准确的峰值负荷预测对电网结构薄弱、负荷较重地区的安全稳定运行具有积极作用。

目前，国内外对连续天数高峰负荷预测的分析较少，这是因为与大多数单一时间尺度的负荷预测不同，该问题的预测时间尺度介于短期预测和中期预测之间，对模型的泛化能力和鲁棒性提出了更高的要求，此外，假期和天气因素使峰值负荷预测更加困难，因此，如何能够准确预测未来某一时期的高峰负荷趋势和发生时间是一个亟待解决的问题。

目前针对电力负荷预测的方法大致可分为三类：传统的预测方法、深度学习方法以及集成树的预测方法。其中，传统的预测方法主要包括线性回归算法、灰色预测算法、马尔科夫链预测算法、支持向量机算法以及人工神经网络算法，而深度学习预测方法主要以LSTM神经网络为代表，LSTM神经网络具有长时记忆与短时记忆功能,十分擅长处理具有时序特性的数据，因此，以LSTM神经网络以及由其扩展出来的BiLSTM神经网络，GRU神经网络，BiGRU神经网络被广泛应用于负荷预测领域。基于树的集成算法在工业界与学术界取得了良好的应用效果，在Kaggle、天池等数据科学竞赛中，树的集成算法取得了极好的成绩，树的集成算法也逐渐被应用电力系统预测领域。

专利文献1公开了一种结合VMD分解和时间卷积网络的短期电力负荷预测方法，该方法首先使用变分模态分解(VMD)对原始负荷数据进行处理，将负荷序列分解得到多个模态分量(IMF),然后，分别计算各个IMF分量的样本熵(SE)，将相近样本熵值的分量合并为一个新的序列，以减少所需训练的模型数量，最后利用时间卷积网络(TCN)来拟合各个序列的历史数据和预测数据的非线性关系，并叠加各模型的预测结果得到最后的预测值。

专利文献2公开了一种基于VMD-BiGRU的短期负荷预测方法，该方法选取预设时间段预设区域的多个观测点的历史负荷数据作为原始数据集并进行预处理；采用VMD方法将原始负荷序列分解为多个特征互异的模态分量，对每个分量分别建立BiGRU网络学习其内部动态变化规律，使用Adam算法，根据损失函数对BiGRU网络进行更新；将各分量的预测结果分别进行反归一化处理，重构叠加各分量的预测值，可以得到最终的负荷预测结果。

专利文献3公开了一种基于IVMD-SSA-LSSVM的电力负荷预测方法，该模型使用改进的变分模态分解技术IVMD，将负荷信号分解为多个IMF；再利用分散熵对IMF进行复杂度分析将复杂度相近的合并重组；然后将各序列分别建立IVMD-SSA-LSSVM子模型，然后预测指定长度的负荷点序列；最后累计所有子模型的预测值，来完成对未来时间序列预测。