基于小波分解-卷積神經網絡和支持向量回歸的短期負荷預測

趙 輝，楊 賽，岳有軍，王紅君

(1.天津理工大學天津市復雜系統控制理論與應用重點實驗室，天津 300384；2.天津農學院工程技術學院，天津 300392)

隨著中國經濟社會的發展，用電需求量不斷增加，提高負荷預測準確性顯得更加重要。負荷預測精度越高，用電設備的利用率越高，越能減少能源浪費。短期負荷預測是負荷預測的重要組成部分，它對于經濟調度，市場交易，最優潮流以及電力系統安全穩定運行有著重要意義[1]。

長期以來，中外專家學者對提高負荷預測精度進行了大量的探索與實驗，提出了不同的預測方法，如最小二乘法、回歸分析法、灰色系統理論、支持向量機[2]、人工神經網絡[3]、組合預測等方法。由于負荷數據的非平穩性，目前大多數學者在進行負荷預測之前都會對數據進行預處理，讓數據的平穩性增強，提高模型預測精度。文獻[4]采用極點對稱模態分解對歷史數據進行分解，通過計算樣本熵對分解后的序列進行重構，降低了序列的非平穩性，提高了預測精度；文獻[5]提出了一種基于小波分解和灰色神經網絡模型結合單位根檢驗(augmented Dickey-Fuller,ADF)的短期負荷預測方法，來提高負荷預測的準確性；由于短期負荷預測不僅與歷史負荷數據有關，同時還會受到日期類型、大型節假日、溫度等外界因素的影響，因此文獻[6]將歷史負荷數據、氣象信息、日期信息構造特征圖作為輸入，利用卷積神經網絡對特征進行提取，通過雙向門控循環單元、全連接神經網絡的混合模型得到預測結果；……