基于小波分析的電力負荷數據研究

朱加豪+趙振華+李建濤

摘 要：本文針對電力負荷短期預測問題，首先對原始異常數據進行小波多尺度分解，找出信號突變點，其次對模極大值點處小波分解系數進行重建，然后對異常數據進行修正，最后利用BP神經網絡算法求得預測日電力負荷數據。

關鍵詞：小波多尺度分解；異常數據；信號突變點；小波系數；BP神經網絡

中圖分類號：TM241 文獻標識碼：A

電力負荷的預測是電網系統中十分重要的部分。因此，精確的電力負荷預測對電能的合理分配甚至國民經濟的平穩發展意義非常重大。目前，對電力負荷預測的主要方法有指數平滑法、趨勢外推法、時間序列法、專家系統方法、神經網路理論、模糊負荷預測等，本文在利用小波分析理論對異常數據進行修正的基礎上結合BP神經網絡理論來對電力負荷進行預測。

1.異常數據的辨識與修正

異常數據的辨識與修正是預測前極為重要的工作，常用的方法有指數平滑法、均值濾波法、經驗修正法等，這些方法雖然容易實現，但是處理得很粗糙，結果不準確，并且需要人工干預，增大了工作量。

1.1 小波變換理論

1.3 小波分解與重構

多分辨率分析是在L2（R）函數空間內，將函數描述為一系列類似函數的極限。每一個近似都是函數f的平滑版本，而且是越來越細節的近似函數，這些近似都是在不同尺度上得到的。設j為要分解的尺度，由Mallet算法，可知其分解公式為：

1.4 小波分析對異常數據處理步驟

第一步：運用式（6）選擇合適的小波和分解層數將數據分解至j層，得到小波分解系數。

第二步：處理經小波分解后的數據：

第三步：小波重構。將處理過的小波系數用式（7）重構，得到去除偽數據的負荷，再對處理后的歷史負荷數據進行歸一化處理。

3. BP神經網絡

BP神經網絡是一種靠誤差逆向傳遞來不斷調整神經元的閾值與連接權值的多層前饋網絡。本文采用三層網撲結構。

3.1 BP神經網絡電力負荷預測步驟

（1）數據輸入。將通過小波分析及歸一化處理后的負荷歷史數據錄入輸入層。

（2）計算隱含層輸出。

（3）計算輸出層輸出。

（4）計算輸出層誤差。

（5）計算隱含層誤差。

（6）修正輸出層與隱含層之間的權值與閾值。

（7）修正輸入層與隱含層之間的連接權值。

（8）網絡全局誤差小于預先設定的值時結束。

4.實例研究

本文對某地區某日96點負荷數據進行預測，結果如圖1～圖4所示。

結論

把歷史日負荷數據經過小波分析處理后降低了由于各種因素帶來的誤差，基于實時氣象因素選擇預測樣本，充分體現了電力負荷數據相似特性。實際運用表明本文方法在數據處理方面有很強的實用性、可行性、準確性，能滿足實際工程需求。

參考文獻

[1]劉進波，陳鑫，李新花.基于LM算法的BP神經網絡的電力負荷短期預測[J].經濟數學，2015（2）：34-38.

[2]王學平.基于小波變換和神經網絡的短期負荷預測研究[D].南京理工大學，2007.

[3] MallatS， HwangW.Singularity Detection and Processing with Wavelets [J]. IEEE Transaction on Information Theory， 1992， 38（2）： 617-643.

[4]馬維禎，殷瑞祥.小波變換理論及其在信號處理中的應用[J].數據采集與處理，1994（2）：121-131.

[5]蔡漢添，宋勇.關于子波變換局部極大值信號重構的交替投影算法[J].數據采集與處理，1998（2）：16-20.

[6]郭先定，李敏，何光普.小波變換模極大值法檢測信號突變點[J].電氣應用，2006（11）：90-92.