【精彩论文】基于频域分解的短期负荷预测研究分析

观点凝练

摘要：为研究频域分量预测法对短期负荷预测精度的影响，利用频域分解算法分解原始负荷数据，将数据分解为4个部分：日周期、周周期、低频和高频分量。其中，日周期、周周期分量用Elman神经网络预测；低频分量采用随机森林预测；高频分量则使用Mallat算法二次分解，分别得到低频部分和高频部分，选取低频部分做训练样本与Elman神经网络结合预测高频分量；将各个频域分量结果重组，实现电力负荷的高精度预测。以某地市实际负荷数据为例进行仿真，将该方法与Elman神经网络法、随机森林法及频域分量预测法的预测结果对比，验证所提方法可以有效提高精度，减少预测值和真实值的离散程度。
结论：本文采用频域分解算法对负荷数据进行分解，得到了日周期、周周期、低频和高频4个分量。分析不同分量的特点，有针对性的选用不同预测方法。对规律性很强的日周期、周周期分量，采用Elman预测；低频分量样本较少，使用随机森林预测；对波动比较大的高频分量先利用Mallat算法二次分解，再取较平稳的分量做样本结合Elman神经网络预测。本文所提的基于频域分解的短期负荷预测模型，预测结果与Elman神经网络、随机森林预测及频域分量预测结果相比具有更高的预测精度。

频域分析的方法有效地利用了电力负荷周期性的特性，在面对波动性大、随机性强的高频分量负荷序列，提出Mallat分解算法二次分解，为今后研究工作提供了新的思路。接下来可考虑加入迁移学习提升稀疏分解能力，进一步提升频域分析模型预测的准确性。

引文信息

马愿, 张倩, 李国丽, 等. 基于频域分解的短期负荷预测研究分析[J]. 中国电力, 2020, 53(4): 114-121.MA Yuan, ZHANG Qian, LI Guoli, et al. Research and analysis of short-term load forecasting based on frequency domain decomposition[J]. Electric Power, 2020, 53(4): 114-121.

 往期回顾 

编辑：杨彪

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。