基于改进小波分析的月度负荷预测方法吴雪花1，包宇庆2*（1.南京航空航天大学金城学院，南京211156；5102.东南大学电气工程学院，南京210096）摘要：月度用电需求预测是中期负荷预测的主要内容，是制定月度发电规划的基础。采用基于小波分析的月度用电量预测方法，将月度用电量的时间序列分解成趋势项和波动项，分别进行预测，可以提高预测精度。本文提出了一种的基于改进小波分析的月度用电量预测方法：首先进行小波变换，得到若干个采样点减少一半的小波系数，然后分别对各系数插零、重构，恢复到原数据的长度，然后对恢复长度的各系数采用RBF神经网络进行预测。本文采用基于小波分析对美国亚利桑那州的月度用电量进行了预测，结果显示，相比于传统的小波分析法，改进的小波分析法大大提高了月度用电量预测进度。关键词：负荷预测；小波；RBF神经网络中图分类号：TM71515ContrastStudyonMonthlyElectricEnergyDemandForecastingBasedonWaveletAnalysisWUXuehua1,BAOYuqing2(1.NANHANGJINCHENGCollege,NanJing211156;20253035402.ElectricalEngineeringSchoolofSoutheastUniversity,NanJing210096)Abstract:Monthlyelectricenergydemandforecasting,whichisthemaincontentinmedium-termloadforecasting,isveryimportantformonthlyschedulingforgrid.Featureextractiontechnology,whichdecomposesthemonthlyelectricconsumptiondataseriesintotrendcomponentandfluctuationcomponentandforecasteachcomponentseparately,canimprovetheprecisionoftheforecastingresults.Inthispaperanovelapproachforfeatureextractionisproposed.Wavelettransformcanconverttheoriginaldataseriesintoseveralcoefficientswhichisdownsampled,andwaveletreconstructionbyinsertingzerosbetweeneachcoefficientcanrecovercoefficientstotheoriginlength.Inthispaper,waveletdecompositionisadoptedintheforecastingofthemonthlyelectricenergydemandofArizona,USA.Thecomparisonsshowthatmethodusingwaveletdecompositiongreatlyimprovedtheprecisionoftheforecasting.Keywords:loadforecasting;wavelet;RBFneutralnetwork0引言负荷预测包括短期（超短期）负荷预测和中长期负荷预测，前者以日或小时为单位，是电力系统制定短期发电计划的基础；中长期负荷预测以月或年为时间单位，为电力系统远景规划提供决策依据，具有非常重要的作用[1]-[3]。月度用电量预测是中期负荷预测的主要内容，是制定月度发电规划的基础。月度用电量逐年变化且随季节波动，因此，将其逐年变化和季节性波动的两种特征分离剖析，能够提高预测的准确性[4]-[5]。小波分析是信号分解的一种常用方法，对非线性信号具有较好的分解效果[6]。通过小波分析可以将负荷数据分解成若干不同尺度的分量，对各分量分别进行预测，总体预测精度更高。然而小波分析常见于短期负荷预测领域[7][8]，应用于中长期负荷预测的研究较少，文献[4]采用小波阈值去噪的方法进行了月度负荷预测，但未将月度用电量数据的季节性波动特征分离出来；文献[5]采用小波分析的方法将月度用电量数据的逐年趋势性特征和季节性波动特---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---作者简介：吴雪花，（1986-），女，助教，工学硕士，目前主要从事电力负荷预测等方面的研究。E-mail:snowball666666@163.com-1----本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---45505560征提取出来，分别采用BP神经网络进行预测。然而在小波分析时，每进行一次分解，小波系数的采样点会减少一半，影响预测精度，文献[5]并未对小波分解的这种不足加以分析。本文采用小波分析对月度用电量进行特征提取，在此基础上进行月度用电量预测，并与传统的小波分析法进行比较。相比于文献[5]，本文提出的改进小波分析法最大的不同之处在于：在分解的同时通过小波重构将各小波系数恢复到原数据的长度。在算例中，本文采用的数据为美国亚利桑那州从1990年1月至2007年5月共209个月的月用电量数据，其中前173个月的数据用于训练，后36个月...