CN110210995B - 一种基于小波包与神经网络的综合能源负荷预测方法 - Google Patents

一种基于小波包与神经网络的综合能源负荷预测方法 Download PDF

Info

Publication number
CN110210995B
CN110210995B CN201910481870.8A CN201910481870A CN110210995B CN 110210995 B CN110210995 B CN 110210995B CN 201910481870 A CN201910481870 A CN 201910481870A CN 110210995 B CN110210995 B CN 110210995B
Authority
CN
China
Prior art keywords
load
prediction
sequences
data
load data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910481870.8A
Other languages
English (en)
Other versions
CN110210995A (zh
Inventor
王绪利
胡斌
赵锋
代磊
周帆
杨欣
王加庆
江桂芬
胡旭东
张德广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Anhui Electric Power Co Ltd
Priority to CN201910481870.8A priority Critical patent/CN110210995B/zh
Publication of CN110210995A publication Critical patent/CN110210995A/zh
Application granted granted Critical
Publication of CN110210995B publication Critical patent/CN110210995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于小波包与神经网络的综合能源负荷预测方法，属于综合能源***负荷预测领域，本发明通过对历史负荷数据进行多层小波包变换，将负荷数据分解为不同频段的负荷序列，通过计算各频段上不同种类的负荷序列之间的相关系数筛选出合适的负荷序列，再用筛选后的负荷序列训练神经网络负荷预测模型，从而在考虑到负荷的频率特性的同时，提高了综合能源***中各能源之间的耦合性，提高了负荷预测的精确度。

Description

一种基于小波包与神经网络的综合能源负荷预测方法
技术领域
本发明涉及综合能源***负荷预测领域，特别涉及一种基于小波包与神经网络的综合能源负荷预测方法。
背景技术
综合能源***是一个集电力、热能和冷能等供应于一体的***。它是能源发展的重要趋势，对促进能源结构优化、提高能源效率、促进可再生能源消费具有重要作用。综合能源***的精确负荷预测是优化设计、运行、调度和能量管理的基本前提，具有重要的理论意义和实用价值。
当前，国内外学者对于负荷预测的研究已有许多，常用的负荷预测方法包括基于统计的传统算法和机器学习算法。传统算法又分为时间序列法，灰色预测法和回归分析法等，一般通过拟合历史负荷数据来预测未来负荷的变化趋势。机器学习算法包括深度学习，支持向量机和神经网络等，具有自组织、自学习和自适应的特性，能够实现负荷影响因子和负荷之间的非线性映射，相较于传统的负荷预测方法具有更好的预测精度因而得到更加广泛的应用。
然而，目前的负荷预测模型没有突出负荷的频段特性，忽略了高频噪声对负荷预测精度的影响；且大多数预测是只针对某一种能源负荷的预测，没有考虑综合能源***中各能源之间的相关性，割裂了能源***之间的耦合关系。
发明内容
本发明的目的在于提供一种基于小波包与神经网络的综合能源负荷预测方法，通过综合考虑负荷的频段特性以及各种负荷之间的相关性，提高对负荷预测的精确度。
为实现以上目的，本发明采用一种基于小波包与神经网络的综合能源负荷预测方法，包括如下步骤：
获取历史负荷数据；
对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列；
将负荷序列分为训练样本和预测样本，并根据负荷序列的种类和频段建立不同的BP神经网络；
将所述训练样本输入相应的BP神经网络，得到负荷预测模型；
将所述预测样本输入相应的负荷预测模型，得到负荷预测结果。
进一步地，在所述获取历史负荷数据之后，还包括：
对所述历史负荷数据的缺失数据进行填补，得到预处理后的历史负荷数据；
相应地，所述对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列，包括：
对所述预处理后的历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列。
进一步地，所述对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列，包括：
采用小波基函数分别对所述历史负荷数据中不同种类的负荷数据进行分解，得到每种负荷数据的小波包分解系数；
对小波包分解系数进行单支重构，得到每种负荷数据在不同频段下的负荷序列。
进一步地，在所述对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列之后，还包括：
计算在同一频段下不同种类的负荷序列每两种之间的相关系数；
筛选出在某一频段下相关系数绝对值均大于设定阈值的负荷序列；
相应地，所述将负荷序列分为训练样本和预测样本，并根据负荷序列的种类和频段建立不同的BP神经网络，包括：
将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的BP神经网络。
进一步地，所述将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的BP神经网络，包括：
将筛选后的负荷序列进行归一化处理；
将归一化处理后的负荷序列分为训练样本和预测样本；
根据筛选后的负荷序列的种类和频段建立不同的BP神经网络。
进一步地，所述将所述训练样本输入相应的BP神经网络，得到负荷预测模型，包括：
将训练样本中时刻k以前获取的归一化处理后的负荷序列输入相应的BP神经网络，得到时刻k的负荷序列的预测结果；
对BP神经网络进行迭代训练，直至预测误差达到设定的阈值后停止训练，得到负荷预测模型。
进一步地，所述将所述预测样本输入相应的负荷预测模型，得到负荷预测结果，包括：
将所述预测样本输入相应的负荷预测模型，得到每个负荷序列的预测结果；
将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果。
进一步地，在所述将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果之后，还包括：
对所述负荷预测结果进行反归一化处理，得到归一化后的负荷预测结果。
与现有的负荷预测方法相比，本发明具有以下有益效果：
本发明考虑到负荷的频段特性会对负荷预测产生影响，通过对历史负荷数据进行多层小波包变换，将负荷数据分解为多个频段下的负荷序列，再分别建立负荷预测模型，然后将不同频段下的负荷序列的预测结果相加，得到负荷预测结果，从而提高了负荷预测的精确度；此外，通过计算各频段上不同负荷之间的相关系数筛选出合适的负荷序列，从而提高了综合能源***中各能源之间的耦合性，进一步提高了负荷预测的精确度。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1为本发明的流程示意图；
图2为负荷数据小波包分解示意图；
图3为电负荷的预测值与实际值的拟合曲线图；
图4为热负荷的预测值与实际值的拟合曲线图；
图5为冷负荷的预测值与实际值的拟合曲线图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图1所示，本发明采用一种基于小波包与神经网络的综合能源负荷预测方法，包括如下步骤：
S1、获取历史负荷数据；
S2、对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列；
S3、将负荷序列分为训练样本和预测样本，并根据负荷序列的种类和频段建立不同的BP神经网络；
S4、将训练样本输入相应的BP神经网络，得到负荷预测模型；
S5、将预测样本输入相应的负荷预测模型，得到负荷预测结果。
进一步地，在S1之后，还包括：
对历史负荷数据的缺失数据进行填补，得到预处理后的历史负荷数据；
相应地，S2包括：
对预处理后的历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列。
具体地，本实施例采用历史负荷数据中的电负荷数据、热负荷数据和冷负荷数据进行具体说明：
首先，获取电负荷数据L(t)、热负荷数据H(t)和冷负荷数据F(t)，其中t＝1,2,…,T，T为历史记录时间。本实施例采集了某大学综合能源***2018年1月1日至2018年12月31日的电、热、冷负荷数据，采样的频率为1h，每天采集24次数据，每种负荷有8760点数据。
为了提高预测的精确度，需要对初始历史负荷数据进行预处理，填补缺失的数据，得到预处理后的历史负荷数据，填补公式为：
Figure BDA0002084112040000051
其中，x(t)表示填补后t时刻的电、热、冷负荷数据；β为修补因子，β∈(0.8,1.2)，一般取值为1；将预处理后的电、热、冷负荷数据分别记作
Figure BDA0002084112040000052
进一步地，S2包括如下细分步骤：
S21、采用小波基函数分别对所述历史负荷数据中不同种类的负荷数据进行分解，得到每种负荷数据的小波包分解系数；
S22、对小波包分解系数进行单支重构，得到每种负荷数据在不同频段下的负荷序列。
具体地，本实施例采用db3小波基函数对预处理后的电、热、冷负荷数据
Figure BDA0002084112040000053
分别进行多层小波包分解，比如N层，得到每种负荷的2N组小波包分解系数；再对小波包分解系数进行单支重构得到电、热、冷负荷数据在2N个频段上的负荷序列，分别记作
Figure BDA0002084112040000054
其中i表示频段，且i＝1,2,...,2N。
为了举例说明，本实施例对预处理后的电、热、冷负荷数据分别进行了3层小波包分解，如图2所示，分解重构得到8个频段，即8个负荷序列。
进一步地，在S2之后，还包括：
计算在同一频段下不同种类的负荷序列每两种之间的相关系数；
筛选出在某一频段下相关系数绝对值均大于设定阈值的负荷序列；
相应地，S3包括：
将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的BP神经网络。
具体地，由于不同负荷之间存在相关性，因此在预测负荷结果时考虑不同负荷之间的相关性可提高预测的精确度。
在得到每种负荷数据的8个负荷序列后，计算每种负荷序列两两之间的相关系数，计算公式如下：
Figure BDA0002084112040000061
Figure BDA0002084112040000062
Figure BDA0002084112040000063
其中，ρlh,i、ρlf,i、ρhf,i分别为电负荷序列和热负荷序列、电负荷序列和冷负荷序列、热负荷序列和冷负荷序列之间的相关系数；
Figure BDA0002084112040000064
Figure BDA0002084112040000065
分别为电负荷序列
Figure BDA0002084112040000066
热负荷序列
Figure BDA0002084112040000067
冷负荷序列
Figure BDA0002084112040000068
的平均值；相关系数的取值在-1到1之间，其绝对值越大表明相关性越强。
将三种负荷序列之间的相关系数分别与设定的阈值δ进行比较，筛选出min(|ρlh,i|,|ρlf,i|,|ρhf,i|)＞δ的负荷序列；假设删除m个负荷序列，则筛选后剩下2N-m个负荷序列。
表1是8个频段上的电、热、冷负荷序列之间的相关系数，阈值δ取0.05，选取相关系数绝对值均大于该阈值的负荷序列，也就是将在频段1，2，3，4下的负荷序列作为筛选后的负荷序列。
表1：不同频段下每种负荷序列对应的相关系数
负荷序列 电-冷相关系数 电-热相关系数 冷-热相关系数
1 0.9490 -0.7842 -0.8236
2 0.3315 -0.3613 -0.4292
3 0.6850 -0.1666 -0.1563
4 0.4857 0.0543 -0.1235
5 0.2259 -0.0568 0.0212
6 0.2951 -0.0489 0.0857
7 0.3029 0.0071 0.0110
8 0.3471 -0.1883 -0.0166
进一步地，将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的BP神经网络，细分为如下步骤：
将筛选后的负荷序列进行归一化处理；
将归一化处理后的负荷序列分为训练样本和预测样本；
根据筛选后的负荷序列的种类和频段建立不同的BP神经网络。
具体地，对筛选后的负荷序列进行归一化处理，公式如下：
Figure BDA0002084112040000071
Figure BDA0002084112040000072
Figure BDA0002084112040000081
其中，
Figure BDA0002084112040000082
分别为频段i中归一化处理后t时刻的电、热、冷负荷序列；
Figure BDA0002084112040000083
分别为
Figure BDA0002084112040000084
的最小值；
Figure BDA0002084112040000085
分别为
Figure BDA0002084112040000086
的最大值。
将截止到时刻S时获取的归一化处理后的负荷序列
Figure BDA0002084112040000087
Figure BDA0002084112040000088
t＝1,2,...,S作为训练样本，将时刻S后获取的归一化处理后的负荷序列
Figure BDA0002084112040000089
t＝S+1,S+2,...,T作为预测样本。
本实施例中选取了筛选后2N-m个频段中电、热、冷负荷序列中前358天共8592点数据作为训练样本，后7天共168点数据作为预测样本。
根据筛选后2N-m个频段中电、热、冷负荷序列建立不同结构的BP神经网络，其中输入层神经元数为al,l＝1,2,...,2N-m，隐含层的神经元数为bl,l＝1,2,...,2N-m，输出层的神经元数为cl,l＝1,2,...,2N-m，训练代数为dl,l＝1,2,...,2N-m，表2给出了各个频段下负荷序列的神经网络结构参数。
表2：不同负荷序列对应的神经网络结构参数
负荷序列 隐含层数 输入-隐含-输出层神经元数目 训练代数
1 1 20-12-1 20000
2 1 16-12-1 15000
3 1 12-12-1 10000
4 1 8-12-1 8000
进一步地，S4细分为如下步骤：
将训练样本中时刻k以前获取的归一化处理后的负荷序列输入相应的BP神经网络，得到时刻k的负荷序列的预测结果；
对BP神经网络进行迭代训练，直至预测误差达到设定的阈值后停止训练，得到负荷预测模型。
具体地，将待预测时刻k之前g个归一化处理后的负荷序列
Figure BDA0002084112040000091
Figure BDA0002084112040000092
t＝1,2,...,S输入各自所在频段和种类的BP神经网络，输出待预测时刻k的负荷数据，当输出的负荷数据的预测误差达到设定的阈值β后，迭代训练停止，从而得到不同的BP神经网络负荷预测模型。
本实施例中，将待预测时刻k前8个小时的归一化处理后的负荷序列作为输入BP神经网络的训练样本，训练样本为8584×8维数据，输出数据为待预测时刻k的负荷数据，为8584×1维数据，阈值β设定为0.0001。经过迭代训练实现了输入和输出的非线性映射，保存网络结构进而得到相应的负荷预测模型。
进一步地，S5细分为如下步骤：
将预测样本输入相应的负荷预测模型，得到每个负荷序列的预测结果；
将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果。
进一步地，在S5之后，还包括：
对负荷预测结果进行反归一化处理，得到归一化后的负荷预测结果。
具体地，将归一化处理后的负荷序列
Figure BDA0002084112040000093
t＝S+1,S+2,...,T输入各自所在频段和种类的负荷预测模型，得到每个负荷负荷的预测结果；再分别将电、热、冷负荷数据在2N-m个频段下的负荷序列的预测结果相加，得到负荷预测结果；再对负荷预测结果进行反归一化处理，得到电、热、冷负荷数据的最终负荷预测结果，分别记作Lp(t)，Hp(t)，Fp(t)，t＝S+1,S+2,...,T。
如图3-5所示，实验表明，本发明所提供的方法得到的电、热、冷负荷数据的预测结果曲线与实际电、热、冷负荷数据的曲线拟合度较高，验证了本发明的有效性和可行性。
进一步地，在对负荷预测结果进行反归一化处理，得到归一化后的负荷预测结果后，还包括：
计算负荷预测结果的相对误差和平均误差。
为了进一步验证采用本发明提供的方法预测负荷数据的结果有较高的精确度，分别计算负荷预测结果的相对误差和平均误差，计算公式如下：
Figure BDA0002084112040000101
Figure BDA0002084112040000102
Figure BDA0002084112040000103
Figure BDA0002084112040000104
Figure BDA0002084112040000105
Figure BDA0002084112040000106
其中，Rl(t)、Rh(t)、Rf(t)分别为电、热、冷负荷数据预测的相对误差，Ml、Mh、Mf分别为电、热、冷负荷数据预测的平均精度。
经计算，本发明所提供的方法预测的电、热、冷负荷数据的最大相对误差分别为4.82％，7.10％和6.99％，电、热、冷负荷数据预测的平均精度分别为97.57％，97.42％和96.87％。将本发明所提的预测模型与常用的机器学习算法模型(如神经网络模型、支持向量回归模型)进行对比，使用相同的预测样本数据，结果如表3：
表3：与机器学习法的预测精度比较
Figure BDA0002084112040000107
Figure BDA0002084112040000111
再将本发明所提供的方法与不考虑相关性的小波包神经网络法进行时间和精度上进行对比，结果如表4：
表4：不同预测方法各项指标比较
Figure BDA0002084112040000112
从实验结果可以看出，本发明所提的预测方法在缩短训练时间的同时能够有效提高对负荷预测的精确度。
本发明通过对历史负荷数据进行多层小波包变换，将负荷数据分解为不同频段的负荷序列，通过计算各频段上不同种类的负荷序列之间的相关系数筛选出合适的负荷序列，再用筛选后的负荷序列训练神经网络负荷预测模型，从而在考虑到负荷的频率特性的同时，提高了综合能源***中各能源之间的耦合性，提高了负荷预测的精确度。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于小波包与神经网络的综合能源负荷预测方法，其特征在于，包括如下步骤：
获取历史负荷数据；
对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列；
计算在同一频段下不同种类的负荷序列每两种之间的相关系数；
筛选出在某一频段下相关系数绝对值均大于设定阈值的负荷序列；
将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的BP神经网络；
将所述训练样本输入相应的BP神经网络，得到负荷预测模型；
将所述预测样本输入相应的负荷预测模型，得到负荷预测结果。
2.如权利要求1所述的方法，其特征在于，在所述获取历史负荷数据之后，还包括：
对所述历史负荷数据的缺失数据进行填补，得到预处理后的历史负荷数据；
相应地，所述对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列，包括：
对所述预处理后的历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列。
3.如权利要求1所述的方法，其特征在于，所述对历史负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列，包括：
采用小波基函数分别对所述历史负荷数据中不同种类的负荷数据进行分解，得到每种负荷数据的小波包分解系数；
对小波包分解系数进行单支重构，得到每种负荷数据在不同频段下的负荷序列。
4.如权利要求1所述的方法，其特征在于，所述将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的BP神经网络，包括：
将筛选后的负荷序列进行归一化处理；
将归一化处理后的负荷序列分为训练样本和预测样本；
根据筛选后的负荷序列的种类和频段建立不同的BP神经网络。
5.如权利要求4所述的方法，其特征在于，所述将所述训练样本输入相应的BP神经网络，得到负荷预测模型，包括：
将训练样本中时刻k以前获取的归一化处理后的负荷序列输入相应的BP神经网络，得到时刻k的负荷序列的预测结果；
对BP神经网络进行迭代训练，直至预测误差达到设定的阈值后停止训练，得到负荷预测模型。
6.如权利要求1所述的方法，其特征在于，所述将所述预测样本输入相应的负荷预测模型，得到负荷预测结果，包括：
将所述预测样本输入相应的负荷预测模型，得到每个负荷序列的预测结果；
将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果。
7.如权利要求6所述的方法，其特征在于，在所述将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果之后，还包括：
对所述负荷预测结果进行反归一化处理，得到归一化后的负荷预测结果。
CN201910481870.8A 2019-06-04 2019-06-04 一种基于小波包与神经网络的综合能源负荷预测方法 Active CN110210995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910481870.8A CN110210995B (zh) 2019-06-04 2019-06-04 一种基于小波包与神经网络的综合能源负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910481870.8A CN110210995B (zh) 2019-06-04 2019-06-04 一种基于小波包与神经网络的综合能源负荷预测方法

Publications (2)

Publication Number Publication Date
CN110210995A CN110210995A (zh) 2019-09-06
CN110210995B true CN110210995B (zh) 2022-05-31

Family

ID=67790679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910481870.8A Active CN110210995B (zh) 2019-06-04 2019-06-04 一种基于小波包与神经网络的综合能源负荷预测方法

Country Status (1)

Country Link
CN (1) CN110210995B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110909936B (zh) * 2019-11-21 2021-12-17 广东电网有限责任公司广州供电局 预测负荷获取方法、装置、计算机设备和存储介质
CN111950793A (zh) * 2020-08-17 2020-11-17 浙江工业大学 一种考虑多元负荷耦合特性的综合能源***负荷预测方法
CN113052400A (zh) * 2021-04-23 2021-06-29 国网吉林省电力有限公司 一种考虑电-热耦合特性的短期热负荷概率预测方法
CN113516291A (zh) * 2021-05-24 2021-10-19 国网河北省电力有限公司经济技术研究院 电力负荷预测方法、装置及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN106446494A (zh) * 2016-05-11 2017-02-22 新疆大学 基于小波包‑神经网络的风光功率预测方法
CN107392368A (zh) * 2017-07-17 2017-11-24 天津大学 一种基于气象预报的办公建筑动态热负荷组合预测方法
WO2017212880A1 (ja) * 2016-06-09 2017-12-14 株式会社日立製作所 データ予測システムおよびデータ予測方法
CN109472404A (zh) * 2018-10-31 2019-03-15 山东大学 一种电力负荷短期预测方法、模型、装置及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408529A (zh) * 2014-11-21 2015-03-11 广东工业大学 电网短期负荷预测方法
CN106446494A (zh) * 2016-05-11 2017-02-22 新疆大学 基于小波包‑神经网络的风光功率预测方法
WO2017212880A1 (ja) * 2016-06-09 2017-12-14 株式会社日立製作所 データ予測システムおよびデータ予測方法
CN107392368A (zh) * 2017-07-17 2017-11-24 天津大学 一种基于气象预报的办公建筑动态热负荷组合预测方法
CN109472404A (zh) * 2018-10-31 2019-03-15 山东大学 一种电力负荷短期预测方法、模型、装置及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Heating，cooling，and electrical load forecasting for a large-scale district energy system;POWELL K M etal.;《Energy》;20141231;第877-885页 *
基于Copula理论的综合能源***负荷相关性研究;马建鹏 等;《青岛大学学报（工程技术版）》;20181130;第33卷(第4期);第56-60页 *
基于小波包变换的信号去噪方法研究;范显峰 等;《哈尔滨工业大学学报》;20030731;第35卷(第7期);第809-811页 *

Also Published As

Publication number Publication date
CN110210995A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110210995B (zh) 一种基于小波包与神经网络的综合能源负荷预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN113962314B (zh) 一种基于联邦学习的非侵入式企业负荷分解方法
CN114091766B (zh) 基于ceemdan-lstm的空间负荷预测方法
CN110070228B (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN107292446B (zh) 一种基于考虑分量关联性小波分解的混合风速预测方法
CN112861992B (zh) 基于独立稀疏堆叠自编码器的风电场超短期功率预测方法
CN108537359B (zh) 基于小波分析和bp神经网络的光伏发电功率预测
CN112668611B (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
CN111783947A (zh) 一种基于lstm神经网络的能耗预测方法
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
CN113673768A (zh) 基于vmd和cnn-lstm的风功率概率预测模型
CN116245030A (zh) 一种参数自动反馈调节的深度学习需水预测方法
CN112508279A (zh) 基于空间相关性的区域分布式光伏预测方法及***
CN116151464A (zh) 一种光伏发电功率预测方法、***及可存储介质
CN113222234B (zh) 基于集成模态分解的用气需求预测方法及其***
CN112381667B (zh) 一种基于深度学习的配网电气拓扑识别方法
CN113434493A (zh) 一种基于Transformer的非侵入式负荷分解方法
CN111539558A (zh) 一种采用优化极限学习机的电力负荷预测方法
CN117034805A (zh) 一种基于wsblma的燃料电池离心式空压机寿命预测方法
Chen et al. Medium-term load forecast based on sequence decomposition and neural network
CN116128091A (zh) 基于vmd-cnn-lstm的短期电力负荷预测方法
CN112330046A (zh) 基于多维灰色-神经网络混合协调的电力需求预测方法
CN114298408A (zh) 一种基于ceemd-lstm-mlr的短期电力负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant