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

本发明专利技术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，属于综合能源系统负荷预测领域，本发明专利技术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，提高了综合能源系统中各能源之间的耦合性，提高了负荷预测的精确度。

A Comprehensive Energy Load Forecasting Method Based on Wavelet Packet and Neural Network

【技术实现步骤摘要】
一种基于小波包与神经网络的综合能源负荷预测方法
本专利技术涉及综合能源系统负荷预测领域，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。
技术介绍
综合能源系统是一个集电力、热能和冷能等供应于一体的系统。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。综合能源系统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，没有考虑综合能源系统中各能源之间的相关性，割裂了能源系统之间的耦合关系。
技术实现思路
本专利技术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，本专利技术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，本专利技术具有以下有益效果：本专利技术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系统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，对本专利技术的具体实施方式进行详细描述：图1为本专利技术的流程示意图；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专利技术的特征，请参阅以下有关本专利技术的详细说明与附图。所附图仅供参考与说明之用，并非用来对本专利技术的保护范围加以限制。如图1所示，本专利技术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系统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：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，分别记作其中i表示频段，且i＝1,2,...本文档来自技高网...

【技术保护点】
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；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。

【技术特征摘要】
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；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。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，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...

【专利技术属性】
技术研发人员：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，
申请(专利权)人：国网安徽省电力有限公司经济技术研究院，
类型：发明
国别省市：安徽,34