基于小波分解与二阶灰色神经网络模型结合ADF检验的短期负荷预测方法

祖光鑫，武国良，王国良，于 洋

(1.国网黑龙江省电力有限公司电力科学研究院, 哈尔滨 150030;2.国网黑龙江省电力有限公司哈尔滨供电公司, 哈尔滨 150036)

0 引 言

实现负荷预测是保证电力输送能够按照计划进行，维持电网能量交换平衡的关键环节。电力市场稳定运行必须依靠负荷预测，同时负荷预测也是电力规划的重要依据，负荷预测的精度越高，电力设备的利用率就越高，能量损耗就越低。现在的负荷预测方法主要有两类：第一类为时间序列法等统计模型，它是在分析历史数据固有特性的基础上发展起来的；第二类为基于气象因素或价格等相关因素的负荷预测模型，但量化不同气候和荷载条件之间复杂的相互作用需要更多考虑，因此，该文使用第一种模型。

目前常用的负荷预测方法主要有时间序列法[1]、人工神经网络法[2-3]、模糊预测法[3]、数据挖掘预测法[4]、极限学习机预测法[5]和灰色预测模型法[6-7]等。而在文献[8]中，采用了一种全新的基于根轨迹的短期负荷预测方法，不仅保证了误差收敛，且对拟合方式进行了探讨。在文献[9]中，以印度电力市场为研究对象，提出了基于极限学习机的短期电力负荷预测方法。文献[10]中采用了一种基于反馈网络与主成分分解的短期电力负荷预测模型。大数据理论被广泛应用于文献[11]和[12]的负荷预测模型中，提出了一种基于小波网络的负荷预测模型。在文献[13]中，通过 LSTM(long-short term memory)模型对用户负荷进行点预测。

小波分解(wavelet decomposition，WD)方法在文献[14-17]中得到了广泛的研究，它可以减少序列的非平稳特征，提高预测精度。……