[发明专利]基于小波变换的多模型集成负荷预测方法

摘要

本发明涉及一种基于小波变换的多模型集成负荷预测方法，该方法分为四个阶段：1、在考虑多重影响因素的基础上，将历史负荷相关数据经最大信息系数特征选择技术获得相关性高的特征候选集。2、为获得平稳的负荷序列，提高预测精度，将多种小波变换集成到多预测模型中。3、每个经小波函数分解后的负荷相关序列都由一个智能预测子模型进行训练，这些子模型在同一小时内提供不同的预测。4、在集成决策过程中采用在线二次学习来组合各个时段的最优预测并提供最终预测结果。本方法能够在各种单一预测模型的基础上，进一步提升负荷预测精度。此方法泛化能力强，能适应于多种环境，具有较强应用性，有助于降低电力系统运行成本。

主权项

1.一种基于小波变换的多模型集成负荷预测方法，其特征在于，具体包括如下步骤：1)将相同长度L的电力负荷需求数据d、相对应的考虑综合气象指数的气象特征w和日期类型数据r组成数据集D；然后由基于互信息的最大信息系数特征选择技术对数据集D进行特征选择，去除掉原始数据中相关性小的属性特征，得到最佳特征集X；2)在选出的特征集X基础上，将特征集X分成训练集X₁、测试集X₂和预测集X₃，选择三种对负荷分解良好的母小波分别对特征集X进行小波分解；3)每种母小波分解后得到训练集X₁、测试验证集X₂和预测集X₃对应的小波分量，将小波分量送入每种母小波对应的预测子模型进行训练、验证和预测，调整参数，得到训练后三种预测子模型；4)利用三种训练后预测子模型生成的预测结果再同预测之前最近期的实际负荷y_last生成一个新的训练集D_d；依据目标函数，将预测结果和对应的实际负荷进行差值计算，将预测之前最近的实际负荷与下个时刻的实际负荷进行差值计算，按差值对测试集中的相应特征赋予不同权重，确定各类预测模型及最近期负荷的权重；结合生成的权重与D_d重新生成权重训练集D_dω，将D_dω送入决策模型，以目标函数最小进行训练和验证，调整参数，得到最终预测模型，此为二次集成学习，最终预测模型可直接运用进行预测，所述决策模型为三种预测子模型中选择的最佳预测模型。