基于小波分析的电力负荷数据研究

朱加豪+赵振华+李建涛

摘 要：本文针对电力负荷短期预测问题，首先对原始异常数据进行小波多尺度分解，找出信号突变点，其次对模极大值点处小波分解系数进行重建，然后对异常数据进行修正，最后利用BP神经网络算法求得预测日电力负荷数据。

关键词：小波多尺度分解；异常数据；信号突变点；小波系数；BP神经网络

中图分类号：TM241 文献标识码：A

电力负荷的预测是电网系统中十分重要的部分。因此，精确的电力负荷预测对电能的合理分配甚至国民经济的平稳发展意义非常重大。目前，对电力负荷预测的主要方法有指数平滑法、趋势外推法、时间序列法、专家系统方法、神经网路理论、模糊负荷预测等，本文在利用小波分析理论对异常数据进行修正的基础上结合BP神经网络理论来对电力负荷进行预测。

1.异常数据的辨识与修正

异常数据的辨识与修正是预测前极为重要的工作，常用的方法有指数平滑法、均值滤波法、经验修正法等，这些方法虽然容易实现，但是处理得很粗糙，结果不准确，并且需要人工干预，增大了工作量。

1.1 小波变换理论

1.3 小波分解与重构

多分辨率分析是在L2（R）函数空间内，将函数描述为一系列类似函数的极限。每一个近似都是函数f的平滑版本，而且是越来越细节的近似函数，这些近似都是在不同尺度上得到的。设j为要分解的尺度，由Mallet算法，可知其分解公式为：

1.4 小波分析对异常数据处理步骤

第一步：运用式（6）选择合适的小波和分解层数将数据分解至j层，得到小波分解系数。

第二步：处理经小波分解后的数据：

第三步：小波重构。将处理过的小波系数用式（7）重构，得到去除伪数据的负荷，再对处理后的历史负荷数据进行归一化处理。

3. BP神经网络

BP神经网络是一种靠误差逆向传递来不断调整神经元的阈值与连接权值的多层前馈网络。本文采用三层网扑结构。

3.1 BP神经网络电力负荷预测步骤

（1）数据输入。将通过小波分析及归一化处理后的负荷历史数据录入输入层。

（2）计算隐含层输出。

（3）计算输出层输出。

（4）计算输出层误差。

（5）计算隐含层误差。

（6）修正输出层与隐含层之间的权值与阈值。

（7）修正输入层与隐含层之间的连接权值。

（8）网络全局误差小于预先设定的值时结束。

4.实例研究

本文对某地区某日96点负荷数据进行预测，结果如图1～图4所示。

结论

把历史日负荷数据经过小波分析处理后降低了由于各种因素带来的误差，基于实时气象因素选择预测样本，充分体现了电力负荷数据相似特性。实际运用表明本文方法在数据处理方面有很强的实用性、可行性、准确性，能满足实际工程需求。

参考文献

[1]刘进波，陈鑫，李新花.基于LM算法的BP神经网络的电力负荷短期预测[J].经济数学，2015（2）：34-38.

[2]王学平.基于小波变换和神经网络的短期负荷预测研究[D].南京理工大学，2007.

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

[4]馬维祯，殷瑞祥.小波变换理论及其在信号处理中的应用[J].数据采集与处理，1994（2）：121-131.

[5]蔡汉添，宋勇.关于子波变换局部极大值信号重构的交替投影算法[J].数据采集与处理，1998（2）：16-20.

[6]郭先定，李敏，何光普.小波变换模极大值法检测信号突变点[J].电气应用，2006（11）：90-92.