一种基于变分模态分解的短期电力负荷预测方法及系统

技术领域

本发明涉及电力技术领域，特别涉及一种基于变分模态分解的短期电力负荷预测方法及系统。

背景技术

电力负荷预测在电力系统的调度运行中起着重要作用。有研究表明，每增加1％的短期负荷预测误差，英国全年的电网成本增加约1770万英镑；而在挪威，短期负荷预测的误差每增加1％，将导致450-900万欧元的附加运行成本。因此，准确的短期负荷预测有助于发现系统临界状态、合理制定转供电方案，提高电力需求侧管理水平、减少设备过载，对于提升电网安全保障能力，提升供电服务水平，以及深入推进电力现货市场建设均具有重要意义。

电力系统负荷数据是一种典型的具有周期性和随机性的非平稳时间序列，可以看作是由若干分量叠加而成，不同分量随带负载的负荷特性是不一样的，有的与周几、温度明显相关，有的相关性则不大，且同一分量在不同时段与外界影响因素的相关性也大不相同。

关于电力负荷预测的研究，业内已经开展了很多年，典型方法如一元以及多元回归、指数平滑、灰色系统GM方法等，这类方法模型简单、速度较快，但非线性数据的拟合能力欠佳。自回归模型(Auto regression model,AR)、移动平均模型(Moving average model,MA)、自回归移动平均模型(Auto regression integrated moving average model,ARIMA)等对于平稳的时间序列预测精度较高，但由于电力负荷受季节、温度、节假日等营销较大多为非平稳序列，因此此类方法具有很大的局限性；卡尔曼滤波法；BP神经网络、多层感知机(MLP)、小波神经网络(wavelet neural network，WNN)和广义神经网络(generalizedneural network，GNN)等人工神经网络方法，具有自学习、自适应能力，能充分解决大规模负荷数据中存在的非线性问题，因此在预测领域应用广泛；近年来随着深度学习的广泛应用，基于深度神经网络的方法在负荷预测领域得到广泛应用，尤其是具备时间步记忆特征的循环神经网络(recurrent neural network，RNN)、长短期记忆网络(Long Short-TermMemory,LSTM)等方法，但是深度神经网络方法其建模速度过慢，无法满足大规模线路的在线负荷预测要求，也无法有效应对天气突变、负荷转供等问题。

目前，负荷预测技术大致分为传统预测技术、现代预测技术和组合预测技术。其中回归分析法和时间序列法是两类典型的传统预测技术。回归分析法是一种定量预测方法，目前被广泛应用，其任务是在相同的时间维度上挖掘各影响因子与待测目标值之间的线性或非线性关系，从而依据外来某时刻已知的各因子预测可能的目标值。时间序列法依据一定的假设基础：历史数据波动具有一定的规律性，且这种规律性会不断延续到将来，因此可以通过探索历史波动随时间变化的规律从而建立时序模型，以推测未来负荷数值。

如专利CN 111126659 A，公开了一种电力负荷预测方法及系统，包括利用集总经验模态分解算法分解原始负荷序列；计算每个模态分量的近似熵并组合以获得重构的新序列；每个新的子序列都由极限学习机的负荷预测模型进行预测；叠加每个子序列的预测结果以获得最终预测值。利用本发明提供的方法对实际电网负荷数据的预测分析表明，该方法有效提高了预测精度。再如专利CN 105404939 A，公开了一种短期电力负荷预测方法。但是上述专利均存在以下缺点：首先，虽然该专利采用的是模态分解，但他们采用的是经验模态分解，效果不佳，稳定相对较差。其次，其没有考虑负荷信息与节假日、温度等环境因素的影响。第三，没有考虑负荷突变的情况，无法有效应对负荷突变情况，导致精度陡然降低；第四，直接利用模型结果作为最终的预测结果，精度相对较低。

短期负荷预测一般假设为负荷具有周期性变化规律且趋势较稳定，常采用回归分析法、时间序列法等主流预测方法进行预测。根据短期负荷预测的实际需求和数据基础对现有技术进行分析，发现主要存在以下几点不足：(1)现有技术对存在转供、温度突变等导致的负荷急剧变化的情况不能很好的预测；(2)平稳状态下的负荷波动具有一定的周期性，但非平稳状态下这种周期性会被打破，仅仅依靠这种周期性规律不能及时感知负荷波动状态，从而导致一定程度的预测滞后性；(3)电力负荷可以看作是由一系列复杂的基础单元用电数据的叠加而成。各个基础单元的负荷特性并不完全一致。例如同一个母线下，不同馈线随带负载的负荷特性是不一样的，有的与周几、温度明显相关，有的相关性则不大。

为进一步提高负荷预测的精度，很多研究基于小波分解开展相关研究。然而小波分解以傅里叶变换为基础，基函数以及参数的选择对分解结果影响很大，迫切需要采用更加灵活、普适的分解方法。

发明内容

针对现有技术存在的不足，本发明所要解决的技术问题是，提供一种负荷预测精度高，使用更灵活，普适性好的基于变分模态分解的短期电力负荷预测方法及系统。

本发明为实现上述目的采用的技术方案是：一种基于变分模态分解的短期电力负荷预测方法，包括以下步骤：

S1、获取预测日及预测日前三个月的负荷数据和多元相关数据，并形成初始数据集；

S2、数据预处理与关联，对初始数据集的数据进行规范化处理，并根据日期、时刻值关联在一起，按照96个时刻点进行分组，提取每个时刻点的序列形成数据宽表；

S3、电力负荷序列模态分解，使用变分模态分解算法将原始负荷序列分解得到多个分量，并根据不同分量的特殊性质将多个分量进行分类、合并，最终得到三个主要分量；

S4、对步骤S3得到的三个主要分量进行温度相关性判别；

S5、生成各分量特征向量，根据步骤S4的温度相关性判别结果，若分量负荷与温度相关，则以历史时刻点负荷、时刻点多元相关数据以及预测日的时刻负荷、时刻点多元相关数据构建多通道时序特征向量；若分量负荷与温度不相关，不再考虑温度影响；

S6、根据三个主要分量的负荷波动状况判断是否平稳、是否突变，建立自适应步长负荷预测模型；

S7、利用LGBM梯度提升算法，对每个主要分量建立负荷预测基础模型，使用每个主要分量的训练集进行模型训练与测试，并对LGBM梯度提升算法的关键参数进行调优，得到最优参数组合的电力负荷预测模型，并对每个主要分量进行预测；

S8、将三个主要分量的电力负荷预测模型预测结果进行叠加重构，即得到初步的负荷预测结果；

S9、以S8步骤得到的负荷预测结果为基础，在历史数据中查找与负荷预测结果最相似的负荷曲线，然后根据不同的权重分配进行加权，最后得到最终的电力负荷预测结果。

上述的基于变分模态分解的短期电力负荷预测方法，步骤S2所述的数据预处理与关联还包括：

(1)、缺失值处理

针对计量设备的缺失数据进行同时刻相邻日期数据的线性插值填充；

(2)、检测异常突变的数据点

检测异常突变数据的方法为，先计算数据的第一四分位数Q1和第三四分位数Q3，然后计算IQR＝Q3-Q1，将小于Q1-1.5*IQR或者大于Q3+1.5*IQR的数据设置为异常数据，最后对异常数据进行平滑处理。

上述的基于变分模态分解的短期电力负荷预测方法，步骤S3中三个所述主要分量为负荷序列走势分量、周期分量和高频随机分量。

上述的基于变分模态分解的短期电力负荷预测方法，步骤S4中的温度相关性判别的方法为，先将三个主要分量与温度序列按照式(5)进行相关系数计算，然后判断，若abs(corr)≥0.5，则认为温度与该分量强相关，使用温度作为该分量预测模型的特征，否则，弃用温度这一特征；其中式(5)的公式为：

式中，x，y分别为温度、IMF分量。

上述的基于变分模态分解的短期电力负荷预测方法，步骤S1中所述的多元相关数据包括温度数据、星期属性数据、节假日信息，线路编号、时刻点。

上述的基于变分模态分解的短期电力负荷预测方法，步骤S5中所述的时刻点多元相关数据包括时刻点温度、平均温度、星期几属性。

上述的基于变分模态分解的短期电力负荷预测方法，步骤S6中所述的自适应步长负荷预测模型包括短步长负荷预测模型，长步长负荷预测模型；步骤S7中的所述关键参数包括LGBM梯度提升算法的学习率、树的深度数和数量。

一种基于变分模态分解的短期电力负荷预测系统，包括：数据获取模块，数据预处理与关联模块，负荷序列模态分解模块，温度相关性判别模块，生成各分量特征向量，负荷波动情况判别模块，各分量预测模块，各分量预测结果整合模块，预测结果修正模块；

数据获取模块，用于获取预测日及预测日前三个月的负荷数据和多元相关数据，并形成初始数据集；

数据预处理与关联模块，用于将规范化处理的初始数据集数据根据日期、时刻值关联在一起，按照96个时刻点进行分组，提取每个时刻点的序列形成数据宽表；

负荷序列模态分解模块，用于将原始负荷序列分解得到多个分量，并根据不同分量的特殊性质将多个分量进行分类、合并，最终得到三个主要分量；

温度相关性判别模块，用于判断温度是否与三个主要分量强相关；

各分量特征向量生成模块，用于根据温度相关性判别结果，构建多通道时序特征向量；

负荷波动情况判别与模型调整模块，用于根据三个主要分量的负荷波动状况判断是否平稳、是否突变，建立自适应步长负荷预测模型；

各分量预测模块，利用LGBM梯度提升算法，对每个分量建立负荷预测基础模型，使用每个主要分量的训练集进行模型训练与测试，并对LGBM梯度提升算法的关键参数进行调优，得到最优参数组合的电力负荷预测模型，并对每个主要分量进行预测；

各分量预测结果整合模块，将三个主要分量的电力负荷预测模型预测结果进行叠加重构，得到初步的负荷预测结果；

预测结果修正模块，用于以负荷预测结果为基础，在历史数据中查找与负荷预测结果最相似的负荷曲线，然后根据不同的权重分配进行加权，最后得到最终的电力负荷预测结果。

上述的基于变分模态分解的短期电力负荷预测系统，还包括数据预处理模块，所述数据预处理模块包括缺失值处理模块，检测异常突变数据点模块；

缺失值处理模块，用于针对计量设备的缺失数据进行同时刻相邻日期数据的线性插值填充；

检测异常突变数据点模块，用于检测出异常突变数据，并对异常数据进行平滑处理。

上述的基于变分模态分解的短期电力负荷预测系统，检测异常突变数据的方法为，先计算出数据的第一四分位数Q1和第三四分位数Q3，然后利用计算公式计算得到IQR值，计算公式为IQR＝Q3-Q1，最后将小于Q1-1.5*IQR或者大于Q3+1.5*IQR的数据设置为异常数据。

本发明基于变分模态分解的短期电力负荷预测方法及系统，与现有技术相比：

首先，本发明通过在前期数据处理的基础上，先将电力负荷分解为不同的信号分量，然后根据需要去除噪声，综合考虑转供等异常情况、温度、星期属性等多因素影响，然后基于历史数据着重挖掘天气因素与负荷波动之间的相关性，针对不同的分量采用梯度提升方法分别建模预测；对保留的分量预测结果进行重构之后形成初始预测值，最后根据相似日负荷对预测结果进行修正。采用本发明的方法可实现自动感知电力负荷态势变化，从而满足具体应用中高效、精确的要求。

其次，本发明适用电力负荷各分量复杂组成情况，使用更灵活，普适性更高，具体优点如下：

1、通过采用变分模态分解方法产生一系列具有不同特征尺度的数据序列，根据序列特性一一分析从多尺度空间进行预测，最大限度减少了负荷序列随机因素的影响；

2、首次直面解决了因天气突变与负荷转供等原因导致负荷突变的问题。通过采用自适应的变步长向量预测机制，有效改善了负荷预测模型在因温度突变、转供等因素导致负荷突然剧烈变化时表现，提升了模型的预测精度；

3、首次在利用时序多通道方法针对96点数据分别建模预测的结果之上辅之以负荷相似日修正初始预测结果，形成一种面对复杂多因素情况下具有普适性的负荷预测技术方案。

本发明适用于电力负荷各分量复杂组成情况，可根据精度变化灵活调整预测模型，预测精度较高，使用更灵活，普适性好，值得被广泛推广应用。

附图说明

图1为本实施例电力负荷预测流程图；

图2为本实施例负荷序列模态分解示意图；

图3为某时刻连续三个月的负荷序列及其模态分解结果，(a)为原始负荷序列，(b)为负荷走势分量，(c)～(e)为周期分量，(f)为高频随机分量；

图4为主变样例1负荷曲线；

图5为主变样例2负荷曲线。

具体实施方式

下面结合附图及具体实施例对本发明做进一步详细说明；

如图1所示，一种基于变分模态分解的短期电力负荷预测方法，包括以下步骤：

S1、获取预测日及预测日前三个月的负荷数据和多元相关数据，并形成初始数据集；

S2、数据预处理与关联，对初始数据集的数据进行规范化处理，并根据日期、时刻值关联在一起，按照96个时刻点进行分组，提取每个时刻点的序列形成数据宽表；

S3、电力负荷序列模态分解，使用变分模态分解算法将原始负荷序列分解得到多个分量，并根据不同分量的特殊性质将众多分量进行分类、合并，最终得到三个主要分量；

S4、对步骤S3得到的三个主要分量进行温度相关性判别；

S5、生成各分量特征向量，根据步骤S4的温度相关性判别结果，若分量负荷与温度相关，则以历史时刻点负荷、时刻点多元相关数据以及预测日的时刻负荷、时刻点多元相关数据构建多通道时序特征向量；若分量负荷与温度不相关，不再考虑温度影响；

S6、根据负荷波动状况判断是否平稳、是否突变，建立自适应步长负荷预测模型；

S7、利用LGBM梯度提升算法，对每个主要分量建立负荷预测基础模型，使用每个主要分量的训练集进行模型训练与测试，并对LGBM梯度提升算法的关键参数进行调优，得到最优参数组合的电力负荷预测模型，并对每个主要分量进行预测；

S8、将三个主要分量的电力负荷预测模型预测结果进行叠加重构，即得到初步的负荷预测结果；

S9、以S8步骤得到的负荷预测结果为基础，在历史数据中根据欧式距离查找与其最相似的负荷曲线，之后根据不同的权重分配进行加权，以加权计算的结果作为最终的预测结果。

本实施例中还包括对步骤S1得到的初始数据集进行数据预处理的步骤，所述数据预处理包括：

(1)、缺失值处理

针对计量设备的缺失数据进行同时刻相邻日期数据的线性插值填充；

(2)、检测异常突变的数据点

检测异常突变数据的方法为，先计算数据的第一四分位数Q1和第三四分位数Q3，然后计算IQR＝Q3-Q1，将小于Q1-1.5*IQR或者大于Q3+1.5*IQR的数据设置为异常数据，最后对异常数据进行平滑处理。

步骤S3中三个主要分量为负荷序列走势分量、周期分量和高频随机分量。

步骤S4中的温度相关性判别的方法为，先将三个主要分量与温度序列按照式(5)进行相关系数计算，然后判断，若abs(corr)≥0.5，则认为温度与该分量强相关，使用温度作为该分量预测模型的特征，否则，弃用温度这一特征；其中式(5)的公式为：

式中，x，y分别为温度、IMF分量；

其中，步骤S1中所述的多元相关数据包括温度数据、星期属性数据、节假日信息，线路编号、时刻点。步骤S5中所述的时刻点多元相关数据包括时刻点温度、平均温度、星期几属性。步骤S6中所述的自适应步长负荷预测模型包括短步长负荷预测模型，长步长负荷预测模型。步骤S7中的所述关键参数包括LGBM梯度提升算法的学习率、树的深度数和数量。

一种基于变分模态分解的短期电力负荷预测系统，包括：数据获取模块，数据预处理与关联模块，负荷序列模态分解模块，温度相关性判别模块，各分量特征向量生成模块，负荷波动情况判别与模型调整模块，各分量预测模块，各分量预测结果整合模块，预测结果修正模块；还包括数据预处理模块，数据预处理模块包括缺失值处理模块，检测异常突变数据点模块。

1.【数据获取模块】

获取预测日及其前三个月的负荷数据、温度数据、星期属性数据、节假日信息等形成初始数据集。

2.【数据预处理模块】

数据预处理步骤主要包括2个方面：

缺失值处理，针对计量设备故障、传输噪声等原因导致的数据存在缺失问题，对缺失数据进行同时刻相邻日期数据的线性插值填充；

检测异常突变的数据点，首先计算数据的第一四分位数Q1和第三四分位数Q3，计算IQR＝Q3-Q1，则小于Q1-1.5*IQR或者大于Q3+1.5*IQR的数据为异常数据，之后对异常数据进行平滑处理。

3.【数据关联模块】，将规范化的数据包括线路编号、日期、时刻、负荷、温度值等多元数据根据日期、时刻值关联在一起，按照96个时刻点进行分组，提取每个时刻点的序列形成数据宽表。

4.【负荷序列模态分解模块】

4.1变分经验模态分解算法简介

变分模态分解是一种分析非平稳信号的新方法，该方法在获取分解分量的过程中通过迭代搜寻变分模型最优解来确定每个分量的频率中心和带宽，从而能够自适应地实现信号的频域剖分及各分量的有效分离，每个分量作为一个本征模态函数—IMF。

4.2电力负荷序列模态分解

如图2所示，使用变分模态分解算法将原始负荷序列分解得到各分量，并根据不同分量的特殊性质将众多分量进行分类、合并。

模态分解所得的周期分量数量较多，为了在有针对性地建模的同时避免分量过多导致建模数量过多从而引发的计算量大、预测耗时等问题，将各周期分量进行合并，最终得到3个主要分量，即负荷序列走势分量(如图3所示，(b)为分解得到的负荷序列走势分量)、周期分量(图(c)、(d)、(e)所示的IMF分量合并之后为周期分量)和高频随机分量(图(f)为高频随机分量)。之后的步骤即对这3个主要分量进行预测。

5.【温度相关性判别模块】

考虑到温度对负荷的影响，将变分模态分解后经过分类合并得到的3个主要分量与温度序列按照式(5)进行相关系数计算，若abs(corr)>＝0.5，则认为温度与该分量强相关，使用温度作为该分量预测模型的特征，否则，则弃用温度这一特征。

式中，x，y分别为温度、IMF分量。

6.【各分量特征向量生成模块】

根据温度相关性判别结果，若分量负荷与温度相关，则以历史时刻点负荷、时刻点温度、平均温度、星期几属性以及预测日当日的时刻温度值、预测日星期几属性、预测日平均温度值等属性构建多通道时序特征向量；反之，不再考虑温度影响，仅以历史时刻点负荷、星期几属性以及预测日当日的星期几属性等属性构建多通道时序特征向量。各分量依次生成相应的特征向量。

7.【负荷波动情况判别模块】

根据负荷波动状况判断是否平稳、是否突变，建立自适应步长的负荷预测模型。经验以及相关实验表明，大多数电力负荷曲线带有明显的周期性，且周期大多为7天。在负荷突变幅度较小时负荷波动平稳，主要考虑温度积聚效应和周期性对负荷波动的影响，采用长步长预测模型(以7天为时间步长)；在负荷突变幅度较大时波动平稳性较差，主要考虑温度大幅度突变、转供等情况影响，采用短步长预测模型(以2天为时间步长)进行预测。

8.【各分量预测模块】

梯度提升算法LGBM是一种常用于回归和分类问题的集成学习算法和机器学习技术。其主要思想是通过弱预测模型集合的形式产生预测模型，每一次建立模型都是在之前建立模型损失函数的梯度下降方向，即通过优化损失函数来生成这些模型。受益于LGBM梯度提升框架在大规模数据挖掘问题上的优异效果，本文基于LGBM梯度提升算法，针对每个分量建立负荷预测模型，使用每个分量的训练集进行模型训练与测试，对LGBM算法的学习率、树的深度数和数量等关键参数进行调优，得到最优参数组合，从而实现电力负荷预测任务。

9.【各分量预测结果整合模块】

将3个主要分量的LGBM模型预测结果进行叠加重构即可得到初步的负荷预测结果，需要说明的是LGBM模型的测试与调优是建立在整合重构分量预测结果之上的。

10.【预测结果修正模块】

由于96点各自形成序列并单独预测，虽然各序列之内保持了一定的时序关系，但96点负荷预测结果之间打破了这种时序关系，在波形上表现为局部连续性较差，与历史负荷波动趋势具有一定的差别。因此采用以下方式对预测结果进行修正：以LGBM的预测结果为基础，在历史数据中根据欧式距离查找与其最相似的负荷曲线，之后根据不同的权重分配进行加权，以加权计算的结果作为最终的预测结果。

实验效果

为了验证本方案的可行性、可用性，开展了以下对比实验：

实验一、分别使用上述基于模态分解的电力负荷预测模型和不使用模态分解直接基于LGBM算法建立的电力负荷模型对南方某地区电网负荷进行预测。使用预测日过去三个月的历史数据作为训练集预测当日的负荷，将预测所得结果与实际负荷数据作比较，定义预测日各时刻点的预测负荷l

按照上述试验方案对某负荷线路进行任意连续七天的负荷预测并计算日平均精度，对比两种模型所得结果如表1所示。

表1某线路连续七日预测结果对比表

由表1可知，基于变分模态分解的电力负荷预测模型连续七日预测平均精度大于无模态分解的直接基于LGBM算法的电力负荷预测模型，精度提升为0.95％，表明使用变分模态分解将原负荷序列分解后分别建模预测的方法可提升负荷的预测精度，验证了该方法的有效性和模型建立的正确性。

为进一步验证模型的一般性和适应性，开展多线路的负荷预测结果对比，按照与上表相同的七天日期进行该地区电网负荷多条线路的测试，结果如表2所示。

表2多线路七日预测结果对比表

从表2可知，在多条线路上，基于变分模态分解的电力负荷预测模型仍优于无模态分解的直接基于LGBM算法建立的电力负荷预测模型，平均精度提升为0.72％，表明该方法与模型具有一定的适应性和可靠性。

实验二、选取部分负荷幅度波动较大的时段进行测试，对比固定步长模型与自适应步长模型再负荷突变时段的预测精度。

表3主变样例1中不同模型下的精度对比表

表4主变样例2中不同模型下的精度对比表

如图4、5所示，以及从表3、4中可知，主变样例1负荷、主变样例2负荷在2020年8月份开始有较大范围的波动，主要受外界降雨降温因素的影响，平均温度降低7度左右，判断该时段为负荷突变时段，此时自适应步长预测模型的步长调整为2，为短步长预测模型。其中样例1幅度降低接近一半，其整体预测精度相对较差，但通过对比发现，采用自适应步长预测模型能够在突变发生2天之后将预测精度提高到80％以上，说明模型对突变感知能力较强。样例2负荷幅度波动程度相对较小，因此整体预测精度较高，且采用自适应步长的模型结果较固定步长模型平均值高4％。通过该实验说明，本文提出的自动判别负荷突变情况以及采用自适应步长的短期负荷预测模型能够感应负荷变化态势，提高了负荷预测的精度。

实验三：负荷曲线拟合实验：如算法所述，在对选择的线路的LGBM预测结果进行负荷相似度拟合修正之后，在实验数据中，其与不进行符合修正的结果对比如下表5：

表5负荷修正前后的精度对比表

上述实验结果表明，基于负荷相似进行预测结果的修正可以有效的提升短期负荷预测的精度。

本发明采用变分模态分解方法将负荷分解为具有不同特性的分量，对各分量特性逐个分析并预测，最后合并预测结果，提高了整体预测效果；综合考虑历史波动延续性、数据周期性、日期类型及气象等多因素，构建多通道的时序特征，既考虑了外界多因素的影响作用同时兼顾了负荷自身的波动趋势作用；自动判别转供、温度突变等引起的负荷突变情况，从而调整负荷预测模型的步长，保证了在平稳和非平稳时段负荷预测精度要求。也就是说，本发明通过采用变分模态分解，效果更佳稳定。通过考虑负荷信息与节假日、温度等的环境因素的影响，实行自适应的构造不同的特征属性进行预测；通过考虑负荷突变的情况下，针对原有模型无法有效应对导致精度陡然降低的情况，本发明可根据精度变化灵活调整预测模型从而提升预测精度；通过增加了预测结果修正的过程，基于历史负荷曲线对预测结果进行曲线塑形修正，从而进一步提升负荷预测精度。

为了兼顾基于机器学习的短期负荷预测建模性能以及预测结果的准确性，提出了本发明，本发明的优点如下：

1、电力负荷在不同季节所表现出不同的负荷特性，如冬夏季节每日的负荷峰谷波动会有明显区别，仅用单一的预测模型不能涵盖多样的负荷波动情况。即使是在相同季节，若气象条件变化不平稳，比如连续高温(或连续低温)、前后日温度突升(或突降)、负荷出现反季节规律等都会加大预测难度。夏季持续高温下的热累积效应和冬季持续低温下的冷累积效应，会导致负荷变化会滞后于气温的变化。本方案针对该难题着重分析温度影响下的负荷波动规律。

2、电力转供、温度突变等会导致负荷幅度突增、突减，负荷曲线不满足平稳性条件，若针对历史负荷数据统一建模，则在非平稳时很难满足预测精度要求。本方案针对该问题需判别负荷时序波动特性，从而提高模型广泛的适应能力。

3、针对电力负荷不稳定特性影响各分量分解质量的情况，本方案采用了更灵活、普适、稳定的负荷模态分解方法。

4、针对以往短期负荷预测时的独立点预测从而导致预测点曲线与实际负荷趋势吻合差的问题，本方案采用了预测结果的二次相似度拟合从而进一步提升了预测结果的精度。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修改，都应涵盖在本发明的保护范围内。