本发明涉及电力系统的运行和控制，特别涉及一种电网调度超短期负荷预测。
背景技术：
1、电力系统关系着国民经济的发展，对电力负荷的变化及时掌握和管理，可以促进地区以及整个国家的发展。精准的电力负荷预测，一方面可以平衡国民经济的发展和生活中的用电，另一方面能够适应电力工业发展的需求。电力负荷预测在规划电力行业时，也可以对电力行业的管理和运行起到一定的基础性作用。电力负荷预测的结果也为电力规划提供了参考依据，促进了电网的电力发展，使电力建设的规模逐渐扩大，电力企业的布局更加完善、资源分配更加平衡，也使得地区以及整个电网的多余发电量更加合理的调配到供电供热以及其它的领域中，还对本地区电网的资金和人力资源的需求与平衡提供了保障。因此，精准的电力负荷预测不仅有利于电力系统的长远发展，也对整个国民经济的发展起到了促进作用。
2、目前，许多研究学者在关注智能算法以及人工神经网络算法的研究，这两种算法有助于提升负荷预测的精度，成为电力负荷预测的主要研究内容和方向。电力负荷的超短期预测精度影响了电力系统日常调度计划的决策，在发展经济的同时，电力部门遵守“用多少电就生产多少电的原则”，尽量做到同时生产、同时使用。依据市场对电量的需求、服务的需求来分派生产电量、组织运行、科学管理的供给。
3、关于超短期负荷预测研究，很多文献的研究没有考虑温度的影响，预测时间相对短期以及扩展短期来说，其预测的精准度高于短期负荷预测以及扩展短期负荷预测。超短期负荷预测研究相对于短期负荷预测研究，相关文献研究较少，超短期负荷预测要求的历史负荷是近期的数据以及未来可知的信息，如天气预报的信息等，并且其数据的精确性要求足够高。神经网络对历史数据的处理以及负荷预测有其显著的优势，在预测研究得到了广泛的应用。
4、对于elm的缺陷，文献《一种基于遗传算法的极限学习机改进算法研究》和文献《基于粒子群算法的极限学习机短期电力负荷预测》分别引入遗传算法(ga)、粒子群算法(pso)来优化elm参数。前者局限性主要是结果可能出现局部最优的状况，后者在搜索方面则有着较低效率。文献《基于自适应鲸鱼优化算法结合elman神经网络的股市收盘价预测算法》对鲸鱼优化算法(woa)进行了研究。该算法于2016年由学者mirjalil等人所提出，使用颇为频繁，仅需对少数参数进行调整，就能很好避免局部最优问题。因此，本文提出改进鲸鱼优化算法(iwoa)优化elm的参数，得出iwoa-elm模型，通过对比ga-elm、pso-elm、elm模型验证iwoa-elm模型的准确性。
技术实现思路
1、本发明的目的在于提供一种超短期负荷预测软件研发与建模方法，解决电力生产、输送和分配以及对电力的管理经营，做好负荷预测的工作。
2、为实现上述目的，本发明提供如下技术方案，一种超短期负荷预测软件研发与建模方法，其特点是：包括以下步骤：
3、步骤1：对已收集的历史数据进行预处理，同时依据灰色关联分法分析电力负荷变化与其影响因素的关联程度；
4、步骤2：依据负荷的变化规律对每日的负荷分时段，同时利用减法模糊聚类对历史数据进行了聚类，后将聚类后的数据依据预测日类型作为输入数据；
5、步骤3：利用改进鲸鱼优化算法优化极限学习机模型(improved whaleoptimization algorithm，iwoa-elm)对待预测日进行分时段精细化预测，将待预测日的每段预测结果进行叠加，得出待预测日的预测结果；
6、步骤4：通过对比遗传算法优化极限学习机(genetic algorithm optimizationextreme learning machine，ga-elm)和(particle swarm optimization extremelearning machine，pso-elm)的预测效果来验证模型的可靠性。
7、步骤5：最后将vmd变分模态分解的子序列作为iwoa-elm模型的输入，给出vmd-iwoa-elm模型，通过与vmd-ga-elm、vmd-pso-elm、iwoa-elm模型对比，仿真实验验证vmd-iwoa-elm模型的准确性。
8、进一步地，所述的步骤1的具体步骤如下：
9、步骤1.1：负荷数据预处理：
10、首先对历史数据进行预处理。由于电力负荷受到天气、气象、日期类型等影响，收集到的数据会有异常和缺失的现象。对于单点的缺失值，将该点的前一刻和后一刻的数据取均值填补此点数据的缺失；连续的缺失值，采用该时刻前一天的同时刻的数据和后一天同时刻的数据取均值作为该时刻的数据，若找不出就剔除该数据。
11、其次对数据进行归一化。由于输入的数值比较大，对于预测会造成诸多不便影响，所以要对处理后的的负荷数据进行归一化，在应用中对电力负荷数据式(1)归一化到0-1之间。
12、
13、式(1)中：xmin为处理后输入负荷的最小值；xmax为处理后输入负荷的最大值；xi是处理后的输入负荷数据。为归一化后的数据。
14、步骤1.2：影响因素分析：
15、1)负荷预测要联系实际情况去分析负荷的影响因素及其程度，以有助于于负荷的预测。为此，对该预测地区使用灰色关联分析法分析了该地区负荷与其最高温度、最低温度、相对湿度、降水量的关联度。
16、2)在模型输入样本的同时考虑实时因素的影响。数据处理时，已将气象数据进行了处理，使得采样的频率与负荷数据做到了逐点对应。
17、进一步地，所述的步骤2的具体步骤如下：
18、步骤2.1：得出合理的减法聚类中心，进而确定了聚类的个数：
19、减法聚类是基于密度的聚类算法，其中，聚类中心是随机选取的。其计算速度快、计算过程简洁且又非常强的独立性。
20、在m维空间中选取n个数据点(x1，…，xn)，每个数据点都采取归一化处理到超立方体中，再根据以下公式(1)得出数据点xi处的密度指示：
21、
22、式(2)中，ra是整数。
23、计算完每个数据点的密度指示后，首个聚类中心具有最高密度指示，若xc1为选中的点，则用dc1表示xc1的密度指示。因此每个数据点xi对应的密度指标可以公式(3)进行修正
24、
25、式(3)中，rb为整数，常数rb定义为数个密度指数函数逐渐减小的邻域。通常状况下rb＞ra，聚类中心之间的距离不宜太近，为此，一般取rb＝1.5ra。距离首个聚类中心xc1的距离接近的数据点，其密度指数会逐渐减小，不能成为第二个聚类的中心。修正好每个数据点的密度指标后，即可选选出下个聚类中心xc2。依次类推，再次修正每个数据点的密度指标。反复执行上述步骤，最终得出合理的聚类中心，进而确定了聚类的个数。
26、步骤2.2：减法模糊聚类处理数据
27、引入减法模糊聚类算法，以确定模糊c均值聚类算法的初始值，对fcm改进，最终得出全局最优解，避免了以往模糊c均值聚类算法的局部寻优过程。
28、根据聚类标准选取聚类的个数，利用减法模糊聚类来对历史数据进行分类，确定了聚类的个数为4类：工作日(周二、周三、周四)；休息日(周六、周日)；过渡日期(周一、周五)；国家法定节假日(春节、国庆节、中秋节等)。这4类聚类的结果包含了大多数的历史数据，能代表大多数数据的特征。
29、进一步地，所述的步骤3的具体步骤如下：
30、步骤3.1：改进型鲸鱼优化算法
31、woa算法是群体智能优化算法，其鲸鱼初始位置的是随机的，其权重是固定的。若该算法收敛的速度加快，将会陷入局部最优解。经研究表明，woa的权重参数是至关重要的。若权重是固定的，将会使woa的效率下降。若权重过高，将不利于局部展开；若权重过小，不利于全局寻优。
32、因此，在迭代过程中本文引入非线性权重w，使得w在迭代次数增加时而减小，使得初期的迭代利于全局搜索，后期的迭代利于局部优化。w收敛速度越快，局部寻优能力越强，预测精度和速度越好。为此，其w如式(3-1)所示。
33、
34、式(3-1)中，wmin和wmax分别表示最小权重、最大权重，r为[0,1]的随机数，t为迭代次数，tmax为最大迭代次数。包围猎物阶段、螺旋更新位置阶段以及随机搜索猎物阶段如式(3-2)、式(3-3)、式(3-4)所示。
35、包围猎物：
36、x(t+1)＝w·x*(t)-a·d (3-2)
37、螺旋更新：
38、x(t+1)＝d·ebl·cos(2πl)+w·x*(t) (3-3)
39、搜索猎物：
40、x(t+1)＝w·xrand(t)-a·d (3-4)
41、步骤3.2：搭建iwoa-elm模型预测流程
42、在进行电力负荷预测时，首先将数据进行预处理，通过灰色关联分析法对负荷数据与其它的数据进行关联分析，选取关联度较大的日期类型、最高温度、最低温度、平均温度、相对湿度、降水量数据构成预测模型的输入特征。再依据减法模糊聚类将预处理的数据聚类，选取与预测日同类型的历史数据作为输入数据，再依据iwoa优化elm的参数，进而通过elm模型预测超短期负荷。
43、根据聚类标准选取聚类个数，利用减法模糊聚类将历史数据进行分类，确定了聚类的个数为4类：工作日(周二、周三、周四)；休息日(周六、周日)；过渡日期(周一、周五)；法定节假日(春节、国庆节等)。聚类的结果包含了大多数的历史数据，能代表大多数数据。
44、预测主要流程分为输入数据和elm参数优化。
45、输入数据：该数据包含与预测日同类型的电力负荷数据以及对应每天的日期类型、温度、相对湿度、降水量等数据，同时依据日周期特性将输入数据分为7个时段，分别输入对应的模型。
46、由于预测地区的每日负荷在每个时段的变化趋势大多数是相似的，为此在对历史数据聚类的基础上，在每个时段考虑实时因素的影响下，进行分时段精细化预测。在预测日的每个时段，其对应模型的权重不同，最后将每个时段的预测结果叠加得出最终预测结果。
47、elm参数优化：利用iwoa算法分别对elm模型进行优化，优化elm可以得出每个模型的参数(输入层权值、隐含层阈值)是不同的，将该参数代入对应模型中，最后由7个时段的iwoa-elm预测模型组合得出的预测结果即为预测日结果。其适应度函数如式(3-5)所示：
48、
49、式(3-5)中，k为训练样本个数；yi和predicti分别为第i个样本的实际值、预测值。
50、每个模型的权重依据ahp-熵权法得出，得综合权重如式(3-6)所示：
51、
52、式(3-6)中，pi为主观权重，qi为客观权重，wi为第i个权重。
53、步骤3.3：iwoa-elm实验结果与分析
54、在预测电力负荷时，首先将数据进行预处理，通过灰色关联分析法对负荷数据与其它的数据进行关联分析，选取关联度较大的日期类型、最高温度、最低温度、平均温度、相对湿度、降水量数据构成预测模型的输入特征集合。再依据减法模糊聚类将预处理的数据聚类，选取与预测日同类型的历史数据作为输入数据；最后分别用iwoa-elm、ga-elm、pso-elm模型预测超短期负荷。
55、为进一步提升负荷预测精度，考虑天气的实时变化因素对负荷的影响，同时选取预测时间点前几个输入特征集(待预测时刻对应的日期类型、时刻值、前1小时的温度、湿度、降水量、以及前3小时的负荷值)作为模型的输入。
56、进一步地，所述的步骤4的具体步骤如下：
57、步骤4.1：参数设置
58、在步骤3的基础上，设置各模型参数如下。
59、表4-1模型参数
60、
61、
62、步骤4.2：结果分析。
63、通过iwoa-elm与elm、pso-elm、ga-elm预测模型对比，得出结果。
64、进一步地，所述的步骤5的具体步骤如下：
65、步骤5.1：建立vmd-iwoa-elm预测模型
66、在步骤3中iwoa-elm预测模型流程的基础上，基于历史数据的变分模态分解，vmd-iwoa-elm模型预测的具体的流程如下：
67、1)将历史数据进行预处理及归一化；
68、2)将负荷数据通过减法模糊聚类算法筛选出与预测日同类型的数据，将其进行vmd分解，得到一系列子序列；利用灰色关联分析法分析负荷和及其影响因素(温度、降水量、相对湿度)的关联程度；分析负荷的日周期性和周周期性，对日期类型和天气类型进行量化；
69、3)将vmd分解后的子序列进行去噪，形成新的子序列；
70、4)对以上新的子序列结合气象参数、日期类型通过iwoa-elm预测模型分别进行预测；
71、5)将每个子序列模型预测得到的结果叠加后，进行反归一化，得出最终预测结果。
72、步骤5.2：vmd-iwoa-elm预测模型试验分析
73、将其它类型数据(温度、湿度、降雨量等数据)与每个子序列负荷数据一起作为iwoa-elm模型的输入数据，将每个子序列模型得出的结果进行叠加得出最后预测结果。
74、本发明的有益效果：本发明是基于神经网络中的elm网络进行深入研究，预测超短期负荷。vmd作为一种分解信号的方式，以变分问题为主要框架，将信号分解为不同的模态，使其特征值可以清晰的表达出来，vmd可以将负荷数据分解转换为非递归型的变分模式，呈现出更好的噪声鲁棒性。本发明将vmd分解的子序列作为iwoa-elm模型的输入，提出vmd-iwoa-elm模型来进一步仿真实验验证vmd-iwoa-elm模型的准确性。通过vmd-iwoa-elm模型的预测结果与vmd-ga-elm、vmd-pso-elm、iwoa-elm等预测模型的结果对比，进一步验证了vmd-iwoa-elm模型预测的精准性。本发明模型预测的精准性高。
1.一种超短期负荷预测软件研发与建模方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种超短期负荷预测软件研发与建模方法，其特征在于：所述的步骤1的具体步骤如下：
3.根据权利要求1所述的一种超短期负荷预测软件研发与建模方法，其特征在于：所述的步骤2的具体步骤如下：
4.根据权利要求1所述的一种超短期负荷预测软件研发与建模方法，其特征在于：所述的步骤4的具体步骤如下：
5.根据权利要求1所述的一种超短期负荷预测软件研发与建模方法，其特征在于：所述的步骤5的具体步骤如下：
