CN109146063B - 一种基于重要点分割的多分段短期负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于重要点分割的多分段短期负荷预测方法，包括以下步骤：1)采集地区历史负荷数据、历史温度数据以及历史相对湿度数据；2)根据月份对电力负荷进行季节性划分；3)使用非参数核密度拟合提取分季典型日负荷曲线；4)对分季典型日负荷曲线使用重要点分割进行重要点的确定；5)基于已确定好的分割点对待预测负荷曲线及气象因素曲线进行多分段处理；6)对各子分段建立基于鲁棒极限学习机(outlier robust extreme learning machine,ORELM)短期负荷预测模型。

Description

一种基于重要点分割的多分段短期负荷预测方法

技术领域

本发明涉及基于机器学习回归领域，更具体地，涉及一种基于重要点分割的多分段短期负荷预测方法。

背景技术

短期负荷预测是根据电力负荷、经济、社会、气象等历史数据，探索电力负荷历史数据变化规律对未来短期负荷的影响，寻求电力负荷与各种相关因素之间的内在联系，从而对未来短期的电力负荷进行科学的预测。同时分布式能源和新能源储能装置正逐步并入坚强智能电网，潮流负荷变化加大，因此准确的短期负荷预测成为保障智能电网安全健康运行的重要一环。考虑到在电力系统负荷中温度和相对湿度对负荷的影响程度最大且气象因素对负荷的影响强弱程度是在不断变化的，因此需对计及气象因素的短期负荷预测进行深入的研究。

与本发明最接近的技术方案为：1)通过采用气温、湿度、风速等因素计算人体舒适度指数，以综合反映气象因素，作为外部影响因素输入量，并根据相异度筛选相似日，结合支持向量机建立电力系统短期负荷预测模型；2)结合皮尔逊相关系数法，建立完全气象因子序列分析各类天气因素对电力负荷的影响程度，并通过K-means聚类算法选择相似日，对负荷曲线进行预测。

上述技术方案存在的问题及缺点为：1)上述方法中相似日的选择是根据日整体气象因素相似度确定的，因此整体相似度最高并不能代表局部相似度最高；2)在使用机器学习的方法进行短期负荷预测时，其模型建立是以训练集日整体训练误差确定的，因此建立的预测模型，并不能充分体现各时间段的用电特点；3)气象因素在不同时间点对负荷的影响是有区别的，仅以传统相似度计算方法进行相似日筛选会忽略此部分信息。

发明内容

本发明的目的是解决上述一个或多个缺陷，提出一种基于重要点分割的多分段短期负荷预测方法。

为实现以上发明目的，采用的技术方案是：

一种基于重要点分割的多分段短期负荷预测方法，包括以下步骤：

S1：采集地区历史负荷数据、历史温度数据以及历史相对湿度数据；

S2：根据月份对电力负荷进行季节性划分；

S3：使用非参数核密度拟合提取分季典型日负荷曲线；

S4：对分季典型日负荷曲线使用重要点分割进行重要点的确定；

S5：基于已确定好的分割点对待预测负荷曲线及气象因素曲线进行多分段处理；

S6：对各子分段建立基于鲁棒极限学习机(outlier robust extreme learningmachine,ORELM)短期负荷预测模型。

进一步的，步骤S1具体包括：

(1)采集地区某季历史负荷数据，设x_i＝[x_i1,x_i2,L,x_in]^T与x_j＝[x_j1,x_j2,L,x_jn]^T为某区域电网第i日与第j日的负荷数据，X＝(x₁,x₂,K,x_i,K,x_n)为某季共n个历史日负荷数据的集合；

(2)采集地区某季历史温度数据，设y_i＝[y_i1,y_i2,L,y_in]^T与y_j＝[y_j1,y_j2,L,y_jn]^T为某地第i日与第j日的温度数据，Y＝(y₁,y₂,K,y_i,K,y_n)为某季共n个历史日温度数据的集合；

(3)采集地区某季历史相对湿度数据，设z_i＝[z_i1,z_i2,L,z_in]^T与z_j＝[z_j1,z_j2,L,z_jn]^T为某地第i日与第j日的相对湿度数据，Z＝(z₁,z₂,K,z_i,K,z_n)为某季共n个历史日相对湿度数据的集合。

进一步的，步骤S3包括以下步骤：

S3.1：基于非参数核密度理论计算某季历史负荷数据第k时间点负荷值x_{k_value}的概率密度函数f_k(x_{k_value})，其计算公式为：

式中，h为带宽；T为某季历史负荷样本数；x_ik为第i日第k时间点负荷值；K为核函数；x_{k_min}为某季历史负荷数据第k时间点最小负荷值；x_{k_max}为某季历史负荷数据第k时间点最大负荷值；

S3.2：核函数K采用Gaussian核函数，其计算公式为：

式中K(x)满足

c为大于0的常数；

S3.3：根据步骤S3.1计算所得的各时间点的概率密度函数，并记录下f_k(x_{k_value})取最大值时对应x_{k_value}的值x_{k_index}，即

并组成典型日负荷曲线指标向量x_index＝[x_{index_1},x_{index_2},L,x_{index_n}]^T；

S3.4：计算

x_i＝[x_i1,x_i2,L,x_in,L,x_i48]^T到x_index＝[x_{index_1},x_{index_2},L,x_{index_n},L,x_{index_48}]^T的欧氏距离d_i，计算公式为：

S3.5：确定历史负荷样本日i的曲线权重w_i，计算公式为：

式中，λ为区间[0,1]内的可调参数，用以调整d_i对w_i的影响程度；

S3.6：对样本日的日负荷曲线进行加权叠加以获得季节典型日负荷曲线，计算公式为：

S3.7：季节典型日负荷时间序列还可表示为：

式中，x_{typical_n}＝(t_n,y_n)表示时间序列在t_n时刻的记录值为y_n，y_n∈R且t_n-t_n-1＝t_n+1-t_n；

S3.8：计算季节典型日负荷时间序列中连续三点x_{typical_n-1}、x_{typical_n}、x_{typical_n+1}两两连线所构成的三角形Δn的面积S_Δn，S_Δn的计算公式为：

S3.9：式中D_o称之为点到直线的正交距离，其计算公式为：

S3.10：则形成负荷曲线趋势变化向量S_form＝[S_Δ2,S_Δ3,L,S_Δ47]，其对应的时标向量为t_form＝[2,3,L,47]，对该向量进行降序排列形成降序负荷曲线趋势变化向量S_{form_descend}，时标向量也进行与负荷曲线趋势变化向量相一致的元素位置更改，并记为t_{form_descend}＝[t_{d_2},t_{d_3},L,t_{d_47}]；

S3.11：计算Δt_{d_n}＝t_{d_n+1}-t_{d_n}，n∈[2,46]，记录下令Δt_{d_n}值大于2的t_{d_n+1}与t_{d_n}对应的时标值，并将该时标值对应的季节典型日负荷点作为重要点。

进一步的，步骤S6包括以下步骤：

S6.1：设重要点个数为k个，则按各重要点位置将对应季节历史负荷数据、历史温度数据、历史相对湿度数据分为k+1段；

S6.2：建立第一分段短期负荷预测模型；

S6.3：计算第k时间点温度与负荷的皮尔逊相关系数r_k，其计算公式为：

式中，Y_k表示k时刻温度或相对湿度变量，X_k表示k时刻负荷变量，y_mk为第m日k时刻温度或相对湿度变量，x_mk为第m日k时刻负荷变量，T为变量样本个数，r_k越大相关性越高。日皮尔逊相关系数向量R_p＝[r₁,r₂,L,r_T]；

S6.4：则加权相似性系数R_ij'的计算公式为：

S6.5：根据步骤S6.4所示加权相似性系数判断历史日气象数据与待预测日气象数据相似性，选取加权相似性系数较大的历史日作为参考日；

S6.6：设定ORELM的隐含层个数为L，激活函数的模型为：

式中w_i＝[w_i1,w_i2,K,w_in]^T为隐含层第i个神经元随机生成的权值，X_j为训练集第j个输入值，y_j为训练集第j个输出值，b_i为隐含层i个神经元随机生成的阈值，β_i为连接隐含层和输出层神经元的权重；

S6.7：步骤S6.6中N个激活函数的模型可组成个线性系统:

Hβ＝y (12)

式中，

β＝[β₁,β₂,K,β_L]^T，y＝[y₁,y₂,K,y_N]^T；

S6.8：由于H为非方阵，所以β可能无解。解决该问题的方法为寻找β的最小二乘解

根据压缩感知以及鲁棒性分析，将式中训练误差e的二范数替换为一范数，即

其中e＝y-Hβ，C为正则化参数；

S6.9：通过增广拉格朗日乘子法(augmented Lagrange multiplier,ALM)转换上述问题为约束优化问题。增广拉格朗日函数式为：

式中μ＝2N/||y||₁；

S6.10：该增广拉格朗日乘子法通过以下迭代方程解决了步骤S6.9中的优化问题：

式中k为迭代次数；

S6.11：将步骤S6.10中解得的β值带入式

中，输入预测用历史负荷数据，即可得预测结果；

S6.12：重复步骤S6.3至步骤S6.11k次，建立剩余k-1个分段短期负荷预测模型。

与现有技术相比，本发明的有益效果是：

1)使用重要点分割技术对负荷序列进行分割时，能根据曲线形态对负荷趋势变化较大的点进行识别，提高负荷序列切割的效率；

2)加权相似性系数一定程度上克服了传统相似性系数在进行参考日选择时，无法考虑气象因素在不同时间点对负荷影响是有区别的这一缺陷；

3)将重要点分割技术应用于短期负荷预测中形成多分段短期负荷预测，一定程度上使参考日的选择更具针对性，相似性更强。同时，进行多分段短期负荷预测建模，模型能充分体现各时间段用电特点，在一定程度上提高预测精度。

附图说明

图1为本发明的流程图；

图2为两点时间序列模式变化图；

图3为点到直线的正交距离图；

图4为各季节典型日负荷曲线图；

图5各季节性负荷曲线重要点选取图；

图6为ORELM典型周负荷预测结果；

图7为BP典型周负荷预测结果；

图8为SVR典型周负荷预测结果。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

一种基于重要点分割的多分段短期负荷预测方法，请参考图1，包括以下步骤：

S1：采集地区历史负荷数据、历史温度数据以及历史相对湿度数据；

S2：根据月份对电力负荷进行季节性划分；

S3：使用非参数核密度拟合提取分季典型日负荷曲线；

S4：对分季典型日负荷曲线使用重要点分割进行重要点的确定；

S5：基于已确定好的分割点对待预测负荷曲线及气象因素曲线进行多分段处理；

S6：对各子分段建立基于鲁棒极限学习机(outlier robust extreme learningmachine,ORELM)短期负荷预测模型。

本实施例中，步骤S1具体包括：

(1)采集地区某季历史负荷数据，设x_i＝[x_i1,x_i2,L,x_in]^T与x_j＝[x_j1,x_j2,L,x_jn]^T为某区域电网第i日与第j日的负荷数据，X＝(x₁,x₂,K,x_i,K,x_n)为某季共n个历史日负荷数据的集合；

(2)采集地区某季历史温度数据，设y_i＝[y_i1,y_i2,L,y_in]^T与y_j＝[y_j1,y_j2,L,y_jn]^T为某地第i日与第j日的温度数据，Y＝(y₁,y₂,K,y_i,K,y_n)为某季共n个历史日温度数据的集合；

(3)采集地区某季历史相对湿度数据，设z_i＝[z_i1,z_i2,L,z_in]^T与z_j＝[z_j1,z_j2,L,z_jn]^T为某地第i日与第j日的相对湿度数据，Z＝(z₁,z₂,K,z_i,K,z_n)为某季共n个历史日相对湿度数据的集合。

本实施例中，步骤S3包括以下步骤：

S3.1：基于非参数核密度理论计算某季历史负荷数据第k时间点负荷值x_{k_value}的概率密度函数f_k(x_{k_value})，其计算公式为：

式中，h为带宽；T为某季历史负荷样本数；x_ik为第i日第k时间点负荷值；K为核函数；x_{k_min}为某季历史负荷数据第k时间点最小负荷值；x_{k_max}为某季历史负荷数据第k时间点最大负荷值；

S3.2：核函数K采用Gaussian核函数，其计算公式为：

式中K(x)满足

c为大于0的常数；

S3.3：根据步骤S3.1计算所得的各时间点的概率密度函数，并记录下f_k(x_{k_value})取最大值时对应x_{k_value}的值x_{k_index}，即

并组成典型日负荷曲线指标向量x_index＝[x_{index_1},x_{index_2},L,x_{index_n}]^T；

S3.4：计算

x_i＝[x_i1,x_i2,L,x_in,L,x_i48]^T到x_index＝[x_{index_1},x_{index_2},L,x_{index_n},L,x_{index_48}]^T的欧氏距离d_i，计算公式为：

S3.5：确定历史负荷样本日i的曲线权重w_i，计算公式为：

式中，λ为区间[0,1]内的可调参数，用以调整d_i对w_i的影响程度；

S3.6：对样本日的日负荷曲线进行加权叠加以获得季节典型日负荷曲线，计算公式为：

S3.7：季节典型日负荷时间序列还可表示为：

式中，x_{typical_n}＝(t_n,y_n)表示时间序列在t_n时刻的记录值为y_n，y_n∈R且t_n-t_n-1＝t_n+1-t_n；

S3.8：计算季节典型日负荷时间序列中连续三点x_{typical_n-1}、x_{typical_n}、x_{typical_n+1}两两连线所构成的三角形Δn的面积S_Δn，S_Δn的计算公式为：

S3.9：式中D_o称之为点到直线的正交距离，其计算公式为：

S3.10：则形成负荷曲线趋势变化向量S_form＝[S_Δ2,S_Δ3,L,S_Δ47]，其对应的时标向量为t_form＝[2,3,L,47]，对该向量进行降序排列形成降序负荷曲线趋势变化向量S_{form_descend}，时标向量也进行与负荷曲线趋势变化向量相一致的元素位置更改，并记为t_{form_descend}＝[t_{d_2},t_{d_3},L,t_{d_47}]；

S3.11：计算Δt_{d_n}＝t_{d_n+1}-t_{d_n}，n∈[2,46]，记录下令Δt_{d_n}值大于2的t_{d_n+1}与t_{d_n}对应的时标值，并将该时标值对应的季节典型日负荷点作为重要点。

重要点分割是时序数据模式表示方法中分段线性表示(piecewise linearrepresentation,PLR)法的一种，其主要是通过特征点以及序列趋势来刻画整个序列的主要形态而不计细节上的差异，以更鲜明的反映时间序列自身的特点。

1)设时间序列可表示为：

式中，x_k＝(t_k,y_k)表示时间序列在t_k时刻的记录值为y_k，y_k∈R，且t_k-t_k-1＝t_k+1-t_k；

2)对时间序列中任意连续两点x_k、x_k+1，构成的变化趋势可分为“上升”、“下降”和“保持”三种模式，如图2所示。

3)任意三点x_k-1、x_k、x_k+1之间的模式则由上述三种模式两两组合而成。因此本专利采用时间序列中连续三点构成的三角关系来描述模式特征的变化。

4)定义：对时间序列

的子序列X_i～j＝(x_i,x_i+1,L,x_j)，x_k∈X_i～j，x_k成为重要点的可能性与x_k到线段c的距离D_o有关，D_o的值越大，x_k成为重要点的可能性越大，反之越小。D_o如图3所示；

5)图3可以看出，相邻两个模式间的变化幅度可用三角形的面积S_ΔABC表示，由于时间序列

中，点之间的时间间隔t是相同的，因此S_ΔABC的面积为：

当S_ΔABC越大时，相邻模式的变化越剧烈，即正交距离D_o越大。

本实施例中，步骤S6包括以下步骤：

S6.1：设重要点个数为k个，则按各重要点位置将对应季节历史负荷数据、历史温度数据、历史相对湿度数据分为k+1段；

S6.2：建立第一分段短期负荷预测模型；

S6.3：计算第k时间点温度与负荷的皮尔逊相关系数r_k，其计算公式为：

式中，Y_k表示k时刻温度或相对湿度变量，X_k表示k时刻负荷变量，y_mk为第m日k时刻温度或相对湿度变量，x_mk为第m日k时刻负荷变量，T为变量样本个数，r_k越大相关性越高。日皮尔逊相关系数向量R_p＝[r₁,r₂,L,r_T]；

S6.4：则加权相似性系数R_ij'的计算公式为：

S6.5：根据步骤S6.4所示加权相似性系数判断历史日气象数据与待预测日气象数据相似性，选取加权相似性系数较大的历史日作为参考日；

S6.6：设定ORELM的隐含层个数为L，激活函数的模型为：

式中w_i＝[w_i1,w_i2,K,w_in]^T为隐含层第i个神经元随机生成的权值，X_j为训练集第j个输入值，y_j为训练集第j个输出值，b_i为隐含层i个神经元随机生成的阈值，β_i为连接隐含层和输出层神经元的权重；

S6.7：步骤S6.6中N个激活函数的模型可组成个线性系统:

Hβ＝y (12)

式中，

β＝[β₁,β₂,K,β_L]^T，y＝[y₁,y₂,K,y_N]^T；

S6.8：由于H为非方阵，所以β可能无解。解决该问题的方法为寻找β的最小二乘解

根据压缩感知以及鲁棒性分析，将式中训练误差e的二范数替换为一范数，即

其中e＝y-Hβ，C为正则化参数；

S6.9：通过增广拉格朗日乘子法(augmented Lagrange multiplier,ALM)转换上述问题为约束优化问题。增广拉格朗日函数式为：

式中μ＝2N/||y||₁；

S6.10：该增广拉格朗日乘子法通过以下迭代方程解决了步骤S6.9中的优化问题：

式中k为迭代次数；

S6.11：将步骤S6.10中解得的β值带入式

中，输入预测用历史负荷数据，即可得预测结果；

S6.12：重复步骤S6.3至步骤S6.11k次，建立剩余k-1个分段短期负荷预测模型。

实施例2

1)本实例选取实验数据集为澳大利亚AEMO电力公司提供的新南威尔士州悉尼市2006年1月1日至2010年12月31日的实时负荷数据和实时温度数据。数据采样频率为每日48点。

2)将2006年1月1日-2009年12月31日共4年954个工作日数据作为训练集进行模型搭建，2010年全年共243个工作日数据作为测试集以验证模型预测精度。

3)根据式(1)和(2)，使用分参数密度拟合以获得典型日负荷曲线指标向量，并确定历史负荷样本日曲线权重。

4)根据式(3)-式(5)对样本日的日负荷曲线进行加权叠加以获得各季节典型日负荷曲线，如图4所示：

5)根据式(7)-式(8)对各季节典型日负荷曲线进行重要点分割，各季负荷曲线重要点确定如下图所示：

分析图5可知，对于夏季典型日负荷曲线，当出现第3个重要点时，其与前面所确定的重要点较为接近，因此该曲线重要点个数确定为2个。同理，对于冬季典型日负荷曲线，共4点重要点；春秋季典型日负荷曲线，共3个重要点。根据图中所示重要点可见，分割点均为负荷曲线变化趋势较大的拐点或负荷曲线的极值点，说明该分割方法能有效辨识曲线形态，作出较优的分割选择。

6)分割详细情况如下表所示：

表1各季负荷曲线详细分割情况

7)各季历史负荷数据、历史相对数据依据对应季节重要点进行分割。

8)根据式(9)和式(10)确定预测日对应的参考日。

9)根据式(11)-式(15)建立各分段短期负荷预测模型，其中模型的输入变量包括温度序列T；考虑温度累积效应的前一日温度序列T^(-1)，前两日温度序列T^(-2)；相对湿度序列H；日前负荷序列L^(-1)。输出变量为待预测负荷序列L。

10)ORELM参数设置如下：隐含层神经元个数为20，正则化参数C为230。

11)本实施例选用平均绝对百分比误差作为评判标准，其计算公式为：

式中，x_i、x_i为时刻i的电力负荷实际值和预测值；n为预测天数。

12)ORELM各季典型周负荷的预测结果如图6所示：

13)为说明本专利的普遍适用性，本实施例给出前向反馈神经网络(backpropagation neural network,BPNN)以及支持向量回归(support vector regression,SVR)的预测精度对比，如图7所示；

由图6到图8中可以看出，BP神经网络分段算法以及ORELM分段算法相较于对应的非分段算法在各季典型周负荷预测精度上有较为明显的提升，而SVR分段算法在预测精度上则提升不明显。

14)表2至表4给出了2010年全年各季工作日的日平均预测精度对比。

表2夏季工作日平均预测精度对比

表3冬季工作日平均预测精度对比

表4春秋季工作日平均预测精度对比

从表中可以看出，本文所提分段算法在三种预测方法中，相较于整体48点非分段预测算法在预测精度上均有不同程度的提高，且各季各分段平均预测精度基本高于非分段全日平均预测精度。其中BP神经网络分段算法预测精度提升最大，其次为ORELM分段算法，SVR分段预测算法预测精度提升则不明显。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种基于重要点分割的多分段短期负荷预测方法，其特征在于，包括以下步骤：

S1：采集地区历史负荷数据、历史温度数据以及历史相对湿度数据；

S2：根据月份对电力负荷进行季节性划分；

S3：使用非参数核密度拟合提取分季典型日负荷曲线；

S4：对分季典型日负荷曲线使用重要点分割进行重要点的确定；

S5：基于已确定好的分割点对待预测负荷曲线及气象因素曲线进行多分段处理；

S6：对各子分段建立基于纵横交错算法优化的鲁棒极限学习机短期负荷预测模型；

步骤S3包括以下步骤：

S3.1：基于非参数核密度理论计算某季历史负荷数据第k时间点负荷值x_{k_value}的概率密度函数f_k(x_{k_value})，其计算公式为：

式中，h为带宽；T为某季历史负荷样本数；x_ik为第i日第k时间点负荷值；K为核函数；x_{k_min}为某季历史负荷数据第k时间点最小负荷值；x_{k_max}为某季历史负荷数据第k时间点最大负荷值；

S3.2：核函数K采用Gaussian核函数，其计算公式为：

式中K(x)满足

c为大于0的常数；

S3.3：根据步骤S3.1计算所得的各时间点的概率密度函数，并记录下f_k(x_{k_value})取最大值时对应x_{k_value}的值x_{k_index}，即

并组成典型日负荷曲线指标向量x_index＝[x_{index_1},x_{index_2},…,x_{index_n}]^T；

S3.4：计算

x_i＝[x_i1,x_i2,…,x_in,…,x_i48]^T到x_index＝[x_{index_1},x_{index_2},…,x_{index_n},…,x_{index_48}]^T的欧氏距离d_i，计算公式为：

S3.5：确定历史负荷样本日i的曲线权重w_i，计算公式为：

式中，λ为区间[0,1]内的可调参数，用以调整d_i对w_i的影响程度；

S3.6：对样本日的日负荷曲线进行加权叠加以获得季节典型日负荷曲线，计算公式为：

S3.7：季节典型日负荷时间序列还可表示为：

式中，x_{typical_n}＝(t_n,y_n)表示时间序列在t_n时刻的记录值为y_n，y_n∈R且t_n-t_n-1＝t_n+1-t_n；

S3.8：计算季节典型日负荷时间序列中连续三点x_{typical_n-1}、x_{typical_n}、x_{typical_n+1}两两连线所构成的三角形Δn的面积S_Δn，S_Δn的计算公式为：

S3.9：式中D_o称之为点到直线的正交距离，其计算公式为：

S3.10：则形成负荷曲线趋势变化向量S_form＝[S_Δ2,S_Δ3,…,S_Δ47]，其对应的时标向量为t_form＝[2,3,…,47]，对该向量进行降序排列形成降序负荷曲线趋势变化向量S_{form_descend}，时标向量也进行与负荷曲线趋势变化向量相一致的元素位置更改，并记为t_{form_descend}＝[t_{d_2},t_{d_3},…,t_{d_47}]；

S3.11：计算Δt_{d_n}＝t_{d_n+1}-t_{d_n}，n∈[2,46]，记录下令Δt_{d_n}值大于2的t_{d_n+1}与t_{d_n}对应的时标值，并将该时标值对应的季节典型日负荷点作为重要点。

2.根据权利要求1所述的一种基于重要点分割的多分段短期负荷预测方法，其特征在于，步骤S1具体包括：

(1)采集地区某季历史负荷数据，设x_i＝[x_i1,x_i2,…,x_in]^T与x_j＝[x_j1,x_j2,…,x_jn]^T为某区域电网第i日与第j日的负荷数据，X＝(x₁,x₂,...,x_i,…,x_n)为某季共n个历史日负荷数据的集合；

(2)采集地区某季历史温度数据，设y_i＝[y_i1,y_i2,…,y_in]^T与y_j＝[y_j1,y_j2,…,y_jn]^T为某地第i日与第j日的温度数据，Y＝(y₁,y₂,...,y_i,...,y_n)为某季共n个历史日温度数据的集合；

(3)采集地区某季历史相对湿度数据，设z_i＝[z_i1,z_i2,…,z_in]^T与z_j＝[z_j1,z_j2,…,z_jn]^T为某地第i日与第j日的相对湿度数据，Z＝(z₁,z₂,...,z_i,...,z_n)为某季共n个历史日相对湿度数据的集合。

3.根据权利要求1-2任一项所述的一种基于重要点分割的多分段短期负荷预测方法，其特征在于，步骤S6包括以下步骤：

S6.1：设重要点个数为k个，则按各重要点位置将对应季节历史负荷数据、历史温度数据、历史相对湿度数据分为k+1段；

S6.2：建立第一分段短期负荷预测模型；

S6.3：计算第k时间点温度与负荷的皮尔逊相关系数r_k，其计算公式为：

式中，Y_k表示k时刻温度或相对湿度变量，X_k表示k时刻负荷变量，y_mk为第m日k时刻温度或相对湿度变量，x_mk为第m日k时刻负荷变量，T为变量样本个数，r_k越大相关性越高，日皮尔逊相关系数向量R_p＝[r₁,r₂,…,r_T]；

S6.4：则加权相似性系数R_ij'的计算公式为：

S6.5：根据步骤S6.4所示加权相似性系数判断历史日气象数据与待预测日气象数据相似性，选取加权相似性系数较大的历史日作为参考日；

S6.6：设定ORELM的隐含层个数为L，激活函数的模型为：

式中w_i＝[w_i1,w_i2,...,w_in]^T为隐含层第i个神经元随机生成的权值，X_j为训练集第j个输入值，y_j为训练集第j个输出值，b_i为隐含层i个神经元随机生成的阈值，β_i为连接隐含层和输出层神经元的权重；

S6.7：步骤S6.6中N个激活函数的模型可组成个线性系统:

Hβ＝y (12)

式中，

β＝[β₁,β₂,...,β_L]^T，y＝[y₁,y₂,...,y_N]^T；

S6.8：由于H为非方阵，所以β可能无解，解决该问题的方法为寻找β的最小二乘解

根据压缩感知以及鲁棒性分析，将式中训练误差e的二范数替换为一范数，即

其中e＝y-Hβ，C为正则化参数；

S6.9：通过增广拉格朗日乘子法(augmented Lagrange multiplier,ALM)转换上述问题为约束优化问题，增广拉格朗日函数式为：

式中μ＝2N/||y||₁；

S6.10：该增广拉格朗日乘子法通过以下迭代方程解决了步骤S6.9中的优化问题：

式中k为迭代次数；

S6.11：将步骤S6.10中解得的β值带入式

中，输入预测用历史负荷数据，即可得预测结果；

S6.12：重复步骤S6.3至步骤S6.11 k次，建立剩余k-1个分段短期负荷预测模型。

Images