CN110009145B - 基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置 - Google Patents

Abstract

本发明公开了一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置，根据经验可知气温和节假日因素是影响负荷变化的重要的因素，采用小波分解将负荷曲线分解为低频和高频信息，根据影响低频和高频系数变化的因素，采用不同的预测方法，与气温和节假日相关的采用回归分析法预测，其余部分采用三次指数平滑算法进行预测，这样能够考虑影响负荷变化的多种因素，从而保障负荷预测的精度。

Description

基于时频变换特征提取及自回归趋势预测技术的电力负荷预 测方法及装置

技术领域

本发明涉及一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

电力是国民经济的命脉，它对经济建设、国家安全、社会稳定具有至关重要的作用。近年来，随着电力市场改革的深入开展，用电用户的电量和负荷对电力系统输送的电能质量的要求也越来越高。由于电能不能大量的储存，这就要求发电出力应该与电量和负荷的变化保持动态平衡。否则，轻则影响供电质量，重则危及系统的安全和稳定。因此负荷的变化进行预测估计是电力系统运行与发展的重要内容。

电力负荷预测是电力市场的重要组成部分，是经济调度和电力生产规划的重要依据，也是电力市场顺利发展的必需数据。它从已知的用电需求出发，充分考虑经济、气候等相关因素的影响，预测未来的用电需求。负荷预测的准确程度将直接影响到投资、网络布局和运行的合理性，若负荷及电量预测不足，电网的发展便不能适应实际发展的需要，无法满足用户正常用电需求，甚至还可能缺电；另一方面，若负荷及电量预测过高，则又会导致一些过多而不能充分利用的设备，从而引起投资的浪费。

因此，在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，研究或利用一套系统，预测未来某些特定时刻的负荷数据，有利于计划用电管理，合理安排电网运行方式和建立机组检修计划，有利于节煤、节油，减少能耗和降低发电成本，有利于合理的安排电网的增容和改建、决定电网的建设和发展，有利于提高电力系统的经济效益和社会效益。

发明内容

本发明为了解决上述问题，提出了一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法及装置，本发明能够有效提高负荷预测的准确性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一目的是提供一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法,包括以下步骤:

获取气温与节假日影响因素：采集相关日期日最高温和最低温，对每日气温做归一化处理，根据日期结合农历年辨识出节假日；

对用户负荷做n层小波分解，利用最高层的低频系数反映负荷变化的趋势, 通过聚类提取具有相同趋势的负荷曲线，将分类后的每一类变化曲线与气温及节假日进行关联分析，得到每一类变化曲线与影响因素的相关性；

对得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，得到初步预测计算结果；

采用基于小波分解和三次指数平滑算法的短期负荷预测模型进行预测，预测出的每日24点负荷与得到的最大负荷、最小负荷及平均负荷进行对比，进行初步预测计算结果的修正，得到最终的短期预测结果。

进一步的，获取气温与节假日影响因素中，具体包括从网页爬取相关日期的日最高温和最低温，对每日气温做归一化处理，根据权重将最高温和最低温合并到一起，根据日期结合农历年辨识出节假日，并对节假日加以量化。

进一步的，在进行n层小波分解后的聚类之前，对每个用户的小波系数进行归一化，采用的方法是使每个用户的系数特征的模为1。

进一步的，采用基于欧式距离的Kmeans算法进行聚类，实现数据的噪音滤波，将具有相同用电行为特征的用户划分在一类。

进一步的，进行影响因素的关联时，将分类后的每一类变化曲线与气温及节假日的外部因素采用Apriori算法做关联分析，得到每一分类结果分别与哪一种或哪几种外部因素相关的结果。

进一步的，获得分类和关联结果后，对于不同类用户，采用不同的预测方法，对于得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，将两者得到的预测结果相加得到初步短期预测结果。

进一步的，基于小波分解和三次指数平滑算法的短期负荷预测模型的预测过程包括：

对现有的用户每天24点的数据做小波n层分解，得到第n层的低频系数和高频系数；

对第n层的低频系数和高频系数进行小波系数重构；

对重构后的小波系数采用三次指数平滑算法进行预测，将每部分预测结果相加即为最终短期负荷预测结果。

进一步的，分别根据初步预测计算结果以及短期预测模型计算出的最大负荷值、最小负荷值和平均负荷值，求取除了最大最小值外的负荷之和S₁、S₂，利用短期预测模型计算出S₂和初步预测计算结果S₁对各个时刻的负荷值进行修正。

本发明的第二目的是提供一种基于时频变换特征提取和自回归趋势预测方法的负荷预测系统，包括：

数据爬取模块，与特征提取模块和短期预测模块相连，所述数据爬取模块上部署气温处理模块以及节假日处理模块，气温处理模块将从网站爬取到的每日最高温和最低温做归一化处理，根据设定的权重将最高温和最低温合并，节假日处理模块根据日期结合农历年辨识出节假日并对判定结果做出标记以进行后续分析；

特征提取模块，分别与数据爬取模块和修正模块相连，所述特征提取模块上部署小波分解模块、分类模块和关联分析模块，小波分解模块是为了提取用户自身负荷变化的特征，分类模块采用聚类的方式，将提取到的用户特征聚成具有明显特征的几类，关联分析模块将每一类中的负荷数据曲线与相对应的数据爬取模块输出的天气数据和节假日数据采用关联规则方法做关联分析，得到与每一类变化曲线相关的因素特征；

修正模块，分别与特征提取模块和短期预测模块相连，将特征提取模块中得到的与气温和节假日因素特征相对应的小波系数采用回归分析的方式预测，将小波系数中与气温/节假日因素无关的部分采用三次指数平滑预测方法进行预测；

短期预测模块，与数据爬取模块和修正模块相连，所述短期预测模块上部署基于小波分解和三次指数平滑的负荷预测模型，对负荷进行短期预测，对负荷进行小波分解重构，各层系数采用三次指数平滑方法进行预测最后相加的方法，修正模块的输出结果即最高、最低和平均负荷对短期预测模块中得到的日 24点负荷值的结果进行修正。

进一步的，所述修正模块上部署回归分析模块和基于三次指数平滑的趋势预测模块，所述回归分析模块将特征提取模块中得到的与气温和节假日因素特征相对应的小波系数采用回归分析的方式预测，基于三次指数平滑的趋势预测模块将小波系数中与气温/节假日因素无关的部分采用三次指数平滑预测方法进行预测，将两模块结果相加即为最终的修正模块结果。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法。

一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法。

与现有技术相比，本发明的有益效果为：

1.电力负荷数据是典型的时序数据，在预测过程中需要尽可能保留负荷自身发展趋势，同时映射各类因素在时间维度上对负荷的影响情况，因此使用基于时频变换的时序数据特征提取及自回归趋势预测技术。为了更好的提取出负荷曲线变化的特征，采用小波分解特征提取的方式，小波分解能够同时分解时域和频域的信息，更好的显示负荷曲线本身的变化趋势，并且不会丢失原信号的重要信息。

2.由于负荷的变化受许多外界因素的影响，如气温、节假日、经济发展等因素，根据经验可知气温和节假日因素是影响负荷变化的重要的因素，采用小波分解将负荷曲线分解为低频和高频信息，根据影响低频和高频系数变化的因素，采用不同的预测方法，与气温和节假日相关的采用回归分析法预测，其余部分采用三次指数平滑算法进行预测，这样能够考虑影响负荷变化的多种因素，从而保障负荷预测的精度。

3.由于短期负荷曲线受气温及节假日因素的影响不明显，所以直接采用基于小波分解和三次指数平滑算法的短期预测模型来进行预测，预测得到每日24 点的负荷值，并根据和修正模块结果即日最高、最低和平均负荷做比较进行修正，从而提高负荷预测的准确性。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为一种基于小波分解和三次指数平滑算法的负荷预测系统配置图；

图2为短期负荷方法流程图；

图3为一种基于小波分解和三次指数平滑算法的负荷预测方法流程图。

图4为合并后的气温曲线；

图5为调整后的气温曲线；

图6为工作日节假日量化曲线图；

图7(a)-图7(h)为具有显著特征的几类分类结果图；

图8(a)-图8(g)为几类预测结果示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

如图1所示，一种基于时频变换特征提取和自回归趋势预测方法的负荷预测系统，包括：

数据爬取模块，与特征提取模块和短期预测模块相连，所述数据爬取模块上部署气温处理模块以及节假日处理模块，气温处理模块将从网站爬取到的每日最高温和最低温做归一化处理，根据设定的权重将最高温和最低温合并，节假日处理模块根据日期结合农历年辨识出节假日并对判定结果做出标记以进行后续分析。

特征提取模块，分别与数据爬取模块和修正模块相连，所述特征提取模块上部署小波分解模块、分类模块和关联分析模块，小波分解模块是为了提取用户自身负荷变化的特征，分类模块采用聚类的方式，将提取到的用户特征聚成具有明显特征的几类，关联分析模块将每一类中的负荷数据曲线与相对应的数据爬取模块输出的天气数据和节假日数据采用关联规则方法做关联分析，得到与每一类变化曲线相关的因素特征。

修正模块，分别与特征提取模块和短期预测模块相连，所述修正模块上部署(气温/节假日)回归分析模块和基于三次指数平滑的趋势预测模块，(气温/ 节假日)回归分析模块将特征提取模块中得到的与气温和节假日因素特征相对应的小波系数采用回归分析的方式预测，基于三次指数平滑的趋势预测模块将小波系数中与气温/节假日因素无关的部分采用三次指数平滑预测方法进行预测，将两模块结果相加即为最终的修正模块结果。

短期预测模块，与数据爬取模块和修正模块相连，所述短期预测模块上部署基于小波分解和三次指数平滑的负荷预测模型，对负荷进行短期预测，首先对负荷进行小波分解重构，然后各层系数采用三次指数平滑方法进行预测最后相加的方法，修正模块的输出结果即最高、最低和平均负荷对短期预测模块中得到的日24点负荷值的结果进行修正。

采用所述基于时频变换特征提取和自回归趋势预测方法的负荷预测系统进行负荷预测的方法，如图3所示，包括以下具体步骤：

A.从网页爬取相关日期(如一年内)的日最高温和最低温，对每日气温做归一化处理，根据权重将最高温和最低温合并到一起，根据日期结合农历年辨识出节假日，并对节假日加以量化，将处理后的气温数据和节假日数据传送至特征提取模块和短期预测模块；

B.小波分解模块分别对用户负荷(日均负荷、最高负荷和最低负荷)做n 层小波分解，利用最高层的低频系数能够大致反映出负荷变化的趋势即低频系数代表着用户负荷的趋势特征的特点，通过聚类将具有相同趋势的负荷曲线提取出来，在进行聚类之前，首先对每个用户的小波系数进行归一化，采用的方法是使每个用户的系数特征的模为1，即

其中，e_i为某用户负荷的第i个系数特征，总特征数为m。经过归一化处理，基于欧式距离的Kmeans聚类与基于余弦相似度的Kmeans聚类等价，而基于余弦相似度的Kmeans聚类能够把具有不同趋势的曲线区分出来，则采用基于欧式距离的Kmeans算法进行聚类，实现数据的噪音滤波，将具有相同用电行为特征的用户划分在一类；关联分析模块将分类后的每一类变化曲线与气温及节假日等外部因素采用Apriori算法做关联分析，得到每一分类结果分别是与哪一种或哪几种外部因素相关，将此关联结果传送至修正模块；

C.修正模块根据接受的受不同因素影响的分类结果，对于不同类用户，采用不同的预测方法，对于得到的小波系数与气温或节假日相关的分类采用回归分析法(二次回归、逐步回归等)进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，最后将两者得到的预测结果相加即为最终修正模块结果(包括最高负荷、最低负荷和平均负荷)，将此结果用以修正短期预测模块得到的短期预测结果；

D.短期预测模块预测的是短期时间内每个用户每天24点的负荷值，由于受外部因素的影响不明显，只能根据修正模块结果进行修正。短期预测模块采用基于小波分解和三次指数平滑算法的短期负荷预测模型进行预测，预测出的每日24点负荷与修正模块中得到的最大负荷、最小负荷及平均负荷进行对比，进行修正。设修正模块中得到的最大、最小和平均负荷值分别为Max、Min和Mean，首先令短期负荷中得到的每日最大、最小负荷等于修正模块中得到的最大和最小负荷，然后由修正模块的输出结果求出除最大最小值外的负荷之和，即：

而短期预测模块中除去最大最小负荷值的负荷之和为：

S₂＝∑x_i

其中x_i为第i时刻的负荷值，i不包括取得最大负荷和最小负荷值的时刻。则对剩下的22点负荷进行修正：

其中，x_i′为修正后的i时刻负荷值。

所述步骤D中基于小波分解和三次指数平滑算法的短期负荷预测模型，包括3个步骤：

D1.对现有的用户每天24点的数据做小波n层分解，得到第n层的低频系数和高频系数；

D2.对第n层的低频系数和高频系数进行小波系数重构；

D3.对重构后的小波系数采用三次指数平滑算法进行预测，将每部分预测结果相加即为最终短期负荷预测结果。

作为一种典型实施例，本发明提供一种基于时频变换特征提取和自回归趋势预测方法的负荷预测系统和方法，针对负荷变化易受气温、节假日等外界因素影响的特点，基于外部因素处理、负荷曲线特征提取，提出一种基于回归分析、小波变换和三次指数平滑趋势预测算法的修正模型和基于小波分解和三次指数平滑的短期负荷预测模型，并在得到短期负荷预测结果后，依据修正模块结果进行修正，实现较为准确的负荷预测，保障负荷预测的精度。

下面结合附图和实施例对本发明进行进一步详细说明：

实验数据以2016年4月1日到2017年3月31日期间，国网某电力公司电力负荷监测数据样本集四万余例进行说明。

具体步骤如下：

A.在网站天气网抓取与负荷相对应日期2016年4月1日至2017年3月31 日的气温数据，包括日最高温和最低温，进入气温数据处理模块，初步将气温数据与一些存在气温特性的负荷数据进行错略比对，发现在春夏时段气温与负荷数据存在正相关的关系，而秋冬时段存在负相关的关系，但不同的用户数据对气温变化的反应也存在明显的差异，所以后续对负荷数据与气温数据之间的关系进行较为精确的量化研究。

最高温与做低温数据合并方式:

注：其中t₁为日最高温，t₂为日最低温。得到气温曲线如图4所示。

对上述气温曲线进行处理，得到调整后的气温曲线如图5所示。

将日期结合农历年识别出节假日，用0或1量化节假日和工作日，量化方法如下：

用0和1量化工作日节假日

的到量化后的曲线如图6所示。

得到的结果传输至特征提取模块。

B.进入小波分解模块，取用户一年365天的数据，对每天24点的数据求取平均值，得到一年的平均负荷值曲线，对该负荷曲线做3层小波分解，得到最高层低频系数CA3，高频系数CD3，一二层高频系数CD1和CD2，采用最高层低频系数CA3所代表的特征对所有用户进行聚类，在聚类之前首先对数据进行归一化，使用户的所有特征的模为1，随后采用Kmeans进行聚类，聚类之后从每一类中挑选几个用户分别与数据爬取模块传输过来的气温和节假日数据做关联分析，采用Aprori算法，最终得到如图7(a)-图7(h)依次所示的具有显著特征的几类，将该结果传输至修正模块；

a)受气温影响敏感的

b)受节假日影响敏感的；

多集中于机关设施用电的情况；

银行类情况往往气温和节假日双敏感：

c)呈现规律性变化的；

d)集中突发性变化的；

多集中在农业用电相关情况中的两种情况。

e)基本恒定不变的；

f)随机变化的；

C.对于每个用户，小波分解后得到的小波系数与气温或节假日相关的采用回归分析法(线性回归、二次回归、逐步回归等)进行预测，反应负荷自身变化趋势的部分则采用三次指数平滑算法进行预测，最后将两者得到的预测结果相加即为最终修正模块结果，在进行预测时，每天的负荷值分别求取最大值、最小值、平均值，并分别进行预测，得出三种预测结果，将此结果传送至短期预测模块用以修正，本例中使用二次回归拟合的方法，即：

L＝at²+bt+c

其中，t为气温值，L为对应负荷值。由于同一气温下可能对应多种负荷值，这种方法仍不太准确，引入负荷变化率为：

则预测公式为：

L＝L′+ΔL

其中，L′为前一天的负荷值。

D.对于用户的短期负荷预测，采用基于小波分解和三次指数平滑算法的负荷预测模型进行预测，由于单个用户预测计算量大，将全省用户分为公变台区和高压用户两部分进行整体预测，首先用小波变换进行3层小波分解，重构最高层低频和高频系数，每层都采用三次指数平滑算法进行预测，预测出的每日 24点负荷与修正模块结果中的最大负荷、最小负荷及平均负荷进行对比，进行修正，最终预测结果依次如图8(a)-图8(g)所示。

公变台区预测结果；

单个预测结果、全省低压台区预测结果；

高压用户预测结果；

规律性高压用户预测结果、随机性高压用户预测结果；

全省高压用户预测结果；

整体数据预测结果；

以某市2016年7月(夏季)和2017年3月(冬季)的数据结果。

整体上到地市的汇总负荷可以一定程度上相互之间弥补误差情况，同时当整体具有较好的特征趋势时，按用户汇总的结果也较理想；但是夏季部分区间产生大幅度变化时，误差一度接近了20％，而冬季则变化较为平稳，误差较夏季略低。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：包括以下步骤:

获取气温与节假日影响因素：采集相关日期日最高温和最低温，对每日气温做归一化处理，根据日期结合农历年辨识出节假日；

对用户负荷做n层小波分解，利用最高层的低频系数反映负荷变化的趋势,通过聚类提取具有相同趋势的负荷曲线，将分类后的每一类变化曲线与气温及节假日进行关联分析，得到每一类变化曲线与影响因素的相关性；

对得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，得到初步预测计算结果；

采用基于小波分解和三次指数平滑算法的短期负荷预测模型进行预测，预测出的每日24点负荷与得到的最大负荷、最小负荷及平均负荷进行对比，进行初步预测计算结果的修正，得到最终的短期预测结果；

所述进行初步预测计算结果的修正，具体表现为：

除最大最小值外的负荷之和S₁为：

式中，Max、Min和Mean分别表示短期预测模型计算出的最大负荷值、最小负荷值和平均负荷值；

除去最大最小负荷值的负荷之和S₂为：S₂＝∑x_i，式中，x_i为第i时刻的负荷值，i为不包括取得最大负荷和最小负荷值的时刻；

修正后的i时刻负荷值x_i′为：

2.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：获取气温与节假日影响因素中，具体包括从网页爬取相关日期的日最高温和最低温，对每日气温做归一化处理，根据权重将最高温和最低温合并到一起，根据日期结合农历年辨识出节假日，并对节假日加以量化。

3.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：在进行n层小波分解后的聚类之前，对每个用户的小波系数进行归一化，采用的方法是使每个用户的系数特征的模为1；

或，采用基于欧式距离的Kmeans算法进行聚类，实现数据的噪音滤波，将具有相同用电行为特征的用户划分在一类；

或，进行影响因素的关联时，将分类后的每一类变化曲线与气温及节假日的外部因素采用Apriori算法做关联分析，得到每一分类结果分别与哪一种或哪几种外部因素相关的结果。

4.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：获得分类和关联结果后，对于不同类用户，采用不同的预测方法，对于得到的小波系数与气温或节假日相关的分类采用回归分析法进行预测，反应负荷自身变化趋势的高频系数部分则采用三次指数平滑算法进行预测，将两者得到的预测结果相加得到初步短期预测结果。

5.如权利要求1所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：基于小波分解和三次指数平滑算法的短期负荷预测模型的预测过程包括：

对现有的用户每天24点的数据做小波n层分解，得到第n层的低频系数和高频系数；

对第n层的低频系数和高频系数进行小波系数重构；

对重构后的小波系数采用三次指数平滑算法进行预测，将每部分预测结果相加即为最终短期负荷预测结果。

6.一种基于时频变换特征提取和自回归趋势预测方法的负荷预测系统，采用了权利要求1中所述的基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法，其特征是：包括：

数据爬取模块，与特征提取模块和短期预测模块相连，所述数据爬取模块上部署气温处理模块以及节假日处理模块，气温处理模块将从网站爬取到的每日最高温和最低温做归一化处理，根据设定的权重将最高温和最低温合并，节假日处理模块根据日期结合农历年辨识出节假日并对判定结果做出标记以进行后续分析；

特征提取模块，分别与数据爬取模块和修正模块相连，所述特征提取模块上部署小波分解模块、分类模块和关联分析模块，小波分解模块是为了提取用户自身负荷变化的特征，分类模块采用聚类的方式，将提取到的用户特征聚成具有明显特征的几类，关联分析模块将每一类中的负荷数据曲线与相对应的数据爬取模块输出的天气数据和节假日数据采用关联规则方法做关联分析，得到与每一类变化曲线相关的因素特征；

修正模块，分别与特征提取模块和短期预测模块相连，将特征提取模块中得到的与气温和节假日因素特征相对应的小波系数采用回归分析的方式预测，将小波系数中与气温/节假日因素无关的部分采用三次指数平滑预测方法进行预测；

短期预测模块，与数据爬取模块和修正模块相连，所述短期预测模块上部署基于小波分解和三次指数平滑的负荷预测模型，对负荷进行短期预测，对负荷进行小波分解重构，各层系数采用三次指数平滑方法进行预测最后相加的方法，修正模块的输出结果即最高、最低和平均负荷对短期预测模块中得到的日24点负荷值的结果进行修正。

7.如权利要求6所述的一种基于时频变换特征提取和自回归趋势预测方法的负荷预测系统，其特征是：所述修正模块上部署回归分析模块和基于三次指数平滑的趋势预测模块，所述回归分析模块将特征提取模块中得到的与气温和节假日因素特征相对应的小波系数采用回归分析的方式预测，基于三次指数平滑的趋势预测模块将小波系数中与气温/节假日因素无关的部分采用三次指数平滑预测方法进行预测，将两模块结果相加即为最终的修正模块结果。

8.一种计算机可读存储介质，其特征是：其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-5所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法。

9.一种终端设备，其特征是：包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-5中任一项所述的一种基于时频变换特征提取及自回归趋势预测技术的电力负荷预测方法。

Images