一种基于EWT神经网络的电力负荷短时预测方法

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

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

步骤2、利用EWT将列向量

上式中，d∈{1,2,…,D}，z

步骤3、分别对X

步骤4、以新输入矩阵

步骤5、利用BP算法训练第d个Elman神经网络模型，并保留中间层权重系数W

步骤6、重复步骤4至步骤5从而训练完成第1个Elman神经网络模型，第2个Elman神经网络模型，直至第D个Elman神经网络模型，并保留相应的权重系数、连接权值和阈值；

步骤7、通过上述步骤1至步骤6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。

更进一步地，步骤3中的归一化处理为将X

更进一步地，步骤7中对未来一天的电力负荷数据预测步骤为：

步骤(1)：收集最新7天的168个电力负荷数据，按照时间先后顺序依次记录为y

步骤(2)：按照步骤2中的EWT将列向量

步骤(3)：对

步骤(4)：以

步骤(5)：分别对

步骤(6)：利用步骤2中的EWT对D个估计信号向量c

更进一步地，步骤(5)对

与现有技术相比，本发明的优点是：首先，本发明方法在建立电力负荷短时预测模型时，先利用EWT将电力负荷数据转换成频域下的多个子信号，然后利用多个Elman神经网络模型实施对子信号的预测。可以说，本发明方法充分结合了EWT与Elman神经网络的优势。其次，本发明方法是通过前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。

附图说明

图1为本发明方法的实施流程示意图；

图2为本发明方法预测的未来一天的电力负荷结果图。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

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

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

步骤2、通过MATLAB工具进行数据处理，并利用其中的EWT工具将列向量

上式中，d∈{1,2,…,D}，z

步骤3、分别对X

步骤4、以新输入矩阵

步骤5、利用现有的BP算法(反向传播，即Back-Propagation)训练第d个Elman神经网络模型，并保留中间层权重系数W

步骤6、重复步骤4至步骤5从而训练完成第1个Elman神经网络模型，第2个Elman神经网络模型，直至第D个Elman神经网络模型，并保留相应的权重系数、连接权值和阈值；

步骤7、通过上述步骤1至步骤6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。

上述步骤7中对未来一天的电力负荷数据预测的具体步骤为：

步骤(1)：收集最新7天的168个电力负荷数据，按照时间先后顺序依次记录为y

步骤(2)：按照步骤2中的EWT将列向量

步骤(3)：对

步骤(4)：以

步骤(5)：分别对

步骤(6)：利用步骤2中的EWT工具对D个估计信号向量c

未来一天的电力负荷数据被实时采集得到后，将实际的电力负荷数据与预测数据皆绘制于图2中。从图2的对比可知，本发明方法预测的电力负荷数据与实际的电力负荷数据拟合程度较高，验证了本发明方法的可行性与可靠性。

以上所述实施例仅为本发明的优选实施例，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干的变形和改进，这些都属于本发明的保护范围。