CN112736902A - 一种基于stl分解的时间序列短期电力负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于STL分解的时间序列短期电力负荷预测方法。本发明首先对时间序列电力负荷数据进行预处理，去掉数据中的离群点；然后使用STL分解方法将经过预处理后的时间序列电力负荷数据分解为周期数据、趋势数据、随机数据；对分解得到的三种数据分别采用相应的预测方法进行预测；最后将三者结果叠加起来得到最后的预测结果。本发明应用在电力负荷预测领域，通过将负荷数据分解为不同类型的数据并分别进行处理，可有效提高预测精度，且实现流程比较简单，具有预测精度高、速度快等优点。

Description

一种基于STL分解的时间序列短期电力负荷预测方法

技术领域

本发明涉及电力负荷预测技术领域，特别涉及一种基于STL分解的时间序列短期电力负荷预测方法。

背景技术

电力负荷预测短期来看对维持电力的供需平衡有着重要的参考价值，长期来看对电厂投建、电厂运行计划有着重要的借鉴意义。如果电力的生产大于电力的消耗，而电力又无法很好地储存，这就造成电力的浪费；如果电力的生产小于电力的消耗，这就导致电力供应不足的问题，小到人民的生活、工厂收到现象，大到城市的电力供应出现问题，造成严重的经济损失。

目前的电力负荷预测的方法大多都是单一模型预测的方法，在准确率上表现不佳。为了提高负荷预测的准确率，采用了不同的方法及其结合形式。

发明内容

为了解决上述技术问题，本发明提供一种预测精确度更高的基于STL分解的时间序列短期电力负荷预测方法。

本发明解决上述问题的技术方案是：一种基于STL分解的时间序列短期电力负荷预测方法，包括以下步骤：

步骤1：采集时间序列电力负荷数据，并进行预处理，去掉数据中的离群点；

步骤2：使用STL分解方法将预处理后的时间序列电力负荷数据分解为周期数据、趋势数据、随机数据，具体包括以下步骤：

步骤2.1：根据数据中固定的每天的负荷数据的个数设置分解周期；

步骤2.2：将时间序列电力负荷数据按照分解周期进行分解，得到周期数据；

步骤2.3：根据得到的周期数据个数，生成以天为周期的数据个数相同的趋势数据和随机数据；

步骤3：将步骤2中得到的周期数据按照周期进行平均，进而预测需要的周期数据结果；

步骤4：将步骤2中得到的趋势数据使用支持向量机进行拟合预测，具体为：将时间序列电力负荷数据中相邻的4个负荷数据为一组，每组前三个时间段负荷数据作为支持向量机的输入，最后一个时间段负荷数据作为支持向量机的输出，所有组数据构成数据集，用于支持向量机的训练和测试；通过训练好的支持向量机实现需求时间段的负荷数据预测；

步骤5：将步骤2中得到的随机数据使用ARIMA方法进行拟合及预测，具体为：判断随机数据是否是平稳数据，根据结果使用以下两种模型进行预测：

a.若随机数据为平稳数据，则使用随机数据训练ARMA(p，q)模型，其中p、q的取值范围设定为0到10之间，分别对不同p、q参数对进行拟合，选择AIC指数最低的参数对建立模型。通过ARMA(p，q)模型进行随机数据的预测；

b.若随机数据为非平稳数据，则对随机数据进行差分操作，直至随机数据成为平稳数据，使用进行差分操作的随机数据训练ARIMA(p，d，q)模型，d为差分次数；通过ARIMA(p，d，q)模型进行随机数据的预测；

步骤6：将步骤3、步骤4和步骤5的预测结果相加，得到最后的预测结果。

进一步地，步骤1中进行预处理去除数据中的离群点的具体过程如下：

步骤1.1：求取整个时间序列电力负荷数据的均值与标准差；

步骤1.2：将时间序列电力负荷数据中在mean(均值)±3*std(标准差)以外的时间序列电力负荷数据剔除，用剔除点前后时间序列电力负荷数据的均值代替；

进一步地，均值与标准差的计算公式如下：

均值：

式中：fuhe_n表示的是第n个负荷值，n表示时间序列总共的负荷个数，mean表示的是时间序列负荷的平均值；

标准差：

式中：std表示的是时间序列负荷的标准差。

进一步地，步骤2中，按照分解周期进行分解后的周期数据为：

式中：j表示的是每天的负荷数据的个数，i表示的是电力负荷数据中有i个以j为周期的数据集合。

i可以表示为：

进一步地，步骤3中，将周期数据按照周期进行平均，结果如下：

...

式中：zhouqi_j表示的是第j个周期的值。

进一步地，步骤4中，将时间序列电力负荷数据中相邻的4个负荷数据为一组，用前3个时间序列电力负荷数据预测后一个时间序列电力负荷数据：时间序列电力负荷数据转变为如下的形式：

前三列为输入，最右侧一列为输出。

进一步地，步骤4中，支持向量机训练过程中，使用交叉验证方法和网格搜索方法对支持向量机的惩罚系数C和gamma进行寻优，计算最佳参数，使用最佳参数建立支持向量机模型。

本发明的有益效果：

本发明应用在电力负荷预测领域，通过将负荷数据分解为不同类型的数据并分别进行处理，可有效提高预测精度，且实现流程比较简单，具有预测精度高、速度快等优点。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明的时间序列短期电力负荷预测方法总体流程图。

图2为本发明中的交叉验证的示意图。

图3为本发明中的支持向量机的流程图。

图4为本发明中的ARIMA流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示，本发明提供了一种基于STL分解的时间序列短期电力负荷预测方法，包括以下步骤：

步骤1：对时间序列电力负荷数据进行预处理，具体包括以下步骤：

步骤1.1：求取整个时间序列电力负荷数据的均值与标准差；计算过程如下：平均值：

式中：fuhe_n表示的是第n个负荷值，n表示时间序列总共的负荷个数，mean表示的是时间序列负荷的平均值；

标准差：

式中：std表示的是时间序列负荷的标准差。

步骤1.2：将时间序列电力负荷数据中在mean±3*std以外的时间序列电力负荷数据剔除，用前后时间序列电力负荷数据均值代替；

步骤2：使用STL分解方法将预处理后的时间序列电力负荷数据分解为周期数据、趋势数据、随机数据，所述STL分解方法指的是Seasonal-Trend decomposition procedurebased on Loess，该方法可以将时间序列数据按照任意周期进行分解。如图1所示，具体包括以下步骤：

步骤2.1：根据数据中固定的每天的负荷数据的个数设置分解周期；

步骤2.2：将时间序列电力负荷数据按照每天负荷数据的个数为周期进行分解；结果如下：

式中：j表示的是每天的负荷数据的个数，i表示的是电力负荷数据中有i个以j为周期的数据集合。

i可以表示为：

步骤2.3：根据周期数据个数，采用STL分解方法生成以天为周期的数据个数相同的周期数据以及基于此周期的趋势数据和随机数据；

步骤3：对周期数据进行处理，将对应点的周期数据进行平均之后得到平均后的周期数据；对应点的数据平均指的是：

...

式中：zhouqi_j表示的是第j个周期的值。

步骤4：对趋势数据进行处理，使用支持向量机对趋势数据进行拟合预测，操作流程如图3所示，具体包括以下步骤：

步骤4.1：将时间序列电力负荷数据转变为前三个时间段预测后一个时间段的形式；具体为将如下的时间序列电力负荷数据：

转变为如下的形式：

前三列为输入，最右侧一列为输出。如第一行，表示的是用fuhe₁,fuhe₂,fuhe₃预测fuhe₄的值。

步骤4.2：将趋势数据按照9:1的比例划分为训练集和测试集；

步骤4.3：使用支持向量机拟合训练集，使用交叉验证方法和网格搜索方法对支持向量机的惩罚系数C和gamma进行寻优，得到最佳参数，所述使用交叉验证方法和网格搜索方法对支持向量机的参数进行寻优具体为：

交叉验证：在训练过程中，将训练数据分为5份，利用其中4份预测剩余的一份，并得到一个测试集，之后通过拼接将得到的五份训练集组合起来成为新的训练集，再将五份得到的测试集平均得到新的测试集；

网格搜索方法：网格搜索算法是一种穷举搜索算法，指的是将待寻优参数所有可能的值列出来，逐一尝试当待寻优参数的值为这些值时的预测效果，选择误差率最小的作为该待预测参数的值；

使用上述两个方法对支持向量机的惩罚系数C和gamma进行寻优，寻找使得支持向量机表现最好的两个参数对。交叉验证示意图如图2所示；

步骤4.4：使用最佳参数建立支持向量机模型拟合训练集并对模型进行训练；

步骤4.5：用4.4中训练好的模型进行预测，得到趋势数据的预测结果；

步骤5：对随机数据进行处理，使用ARIMA方法对随机数据进行拟合及预测，所述ARIMA模型指的是Autoregressive Integrated Moving Average model。该方法对平稳数据有较好的拟合能力，但数据集必须是平稳数据。操作流程如图4所示，具体包括以下步骤：

步骤5.1：对随机数据进行ADF检验，判断随机数据是否是平稳数据；

步骤5.2：如果随机数据是平稳数据，则进行步骤5.3的操作；如果随机数据是非平稳数据，对随机数据进行差分操作，直至随机数据成为平稳数据；

步骤5.3：将随机数据按照9:1划分为训练集和测试集；

步骤5.4：建立ARMA(p，q)模型，p、q的取值范围设定为0到10之间，分别对不同p、q参数对进行拟合，选择AIC指数最低的参数对建立模型；如果进行了差分操作，则模型为ARIMA(p，d，q)，d为差分次数；所述差分操作指的是：

y′_t＝y_t-y_t-1

式中：y_t指的是当前时间的电力负荷序列，表示为(fuhe₁,fuhe₂…fuhe_n)，y_t-1指的是上一时刻的电力负荷序列，表示为(fuhe₁,fuhe₂…fuhe_n-1)，y_t＇表示一阶差分后的结果，表示为(fuhe₁,fuhe₂-fuhe₁,fuhe₃-fuhe₂…fuhe_n-fuhe_n-1)。

步骤5.5：使用建立的ARMA或者ARIMA模型对训练集进行拟合并训练模型，同时使用测试集测试模型性能；

步骤5.6：使用步骤5.5的训练好的模型进行预测，得到随机数据的预测结果。

步骤6：将以上三者预测的结果进行简单的相加，得到最后的预测结果。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (7)

1.一种基于STL分解的时间序列短期电力负荷预测方法，其特征在于，包括以下步骤：

步骤1：采集时间序列电力负荷数据，并进行预处理，去掉数据中的离群点；

步骤2：使用STL分解方法将预处理后的时间序列电力负荷数据分解为周期数据、趋势数据、随机数据，具体包括以下步骤：

步骤2.1：根据数据中固定的每天的负荷数据的个数设置分解周期；

步骤2.2：将时间序列电力负荷数据按照分解周期进行分解，得到周期数据；

步骤2.3：根据得到的周期数据个数，生成以天为周期的数据个数相同的趋势数据和随机数据；

步骤3：将步骤2中得到的周期数据按照周期进行平均，进而预测需要的周期数据结果；

步骤4：将步骤2中得到的趋势数据使用支持向量机进行拟合预测，具体为：将时间序列电力负荷数据中相邻的4个负荷数据为一组，每组前三个时间段负荷数据作为支持向量机的输入，最后一个时间段负荷数据作为支持向量机的输出，所有组数据构成数据集，用于支持向量机的训练和测试；通过训练好的支持向量机实现需求时间段的负荷数据预测；

步骤5：将步骤2中得到的随机数据使用ARIMA方法进行拟合及预测，具体为：判断随机数据是否是平稳数据，根据结果使用以下两种模型进行预测：

a.若随机数据为平稳数据，则使用随机数据训练ARMA(p，q)模型，其中p、q的取值范围设定为0到10之间，分别对不同p、q参数对进行拟合，选择AIC指数最低的参数对建立模型。通过ARMA(p，q)模型进行随机数据的预测；

b.若随机数据为非平稳数据，则对随机数据进行差分操作，直至随机数据成为平稳数据，使用进行差分操作的随机数据训练ARIMA(p，d，q)模型，d为差分次数；通过ARIMA(p，d，q)模型进行随机数据的预测；

步骤6：将步骤3、步骤4和步骤5的预测结果相加，得到最后的预测结果。

2.根据权利要求1所述的一种基于STL分解的时间序列短期电力负荷预测方法，其特征在于，步骤1中进行预处理去除数据中的离群点的具体过程如下：

步骤1.1：求取整个时间序列电力负荷数据的均值与标准差；

步骤1.2：将时间序列电力负荷数据中在mean(均值)±3*std(标准差)以外的时间序列电力负荷数据剔除，用剔除点前后时间序列电力负荷数据的均值代替。

3.根据权利要求2所述的一种基于STL分解的时间序列短期电力负荷预测方法，其特征在于，均值与标准差的计算公式如下：

均值：

式中：fuhe_n表示的是第n个负荷值，n表示时间序列总共的负荷个数，mean表示的是时间序列负荷的平均值；

标准差：

式中：std表示的是时间序列负荷的标准差。

4.根据权利要求1所述的一种基于STL分解的时间序列短期电力负荷预测方法，其特征在于，步骤2中，按照分解周期进行分解后的周期数据为：

式中：j表示的是每天的负荷数据的个数，i表示的是电力负荷数据中有i个以j为周期的数据集合。

i可以表示为：

。

5.根据权利要求1所述的一种基于STL分解的时间序列短期电力负荷预测方法，其特征在于，步骤3中，将周期数据按照周期进行平均，结果如下：

...

式中：zhouqi_j表示的是第j个周期的值。

6.根据权利要求3所述的一种基于STL分解的时间序列短期电力负荷预测方法，其特征在于，步骤4中，将时间序列电力负荷数据中相邻的4个负荷数据为一组，用前3个时间序列电力负荷数据预测后一个时间序列电力负荷数据：时间序列电力负荷数据转变为如下的形式：

前三列为输入，最右侧一列为输出。

7.根据权利要求1所述的一种基于STL分解的时间序列短期电力负荷预测方法，其特征在于，步骤4中，支持向量机训练过程中，使用交叉验证方法和网格搜索方法对支持向量机的惩罚系数C和gamma进行寻优，计算最佳参数，使用最佳参数建立支持向量机模型。

Images