基于DMD-NARX模型的短期电力负荷预测方法

提出了一种基于DMD-NARX模型的短期电力负荷预测方法，深入地探索了负荷变化趋势和历史数据之间的内在关联，同时在短期预测的精度上有所提高。首先通过自相关函数(Autocorrelation function, ACF)并结合短期负荷波动的时间规律特性，在已有历史相关数据的基础上推导出相应日期的输入特征集合；然后将输入特征集合归一化后通过Hankel矩阵完成由单变量输入特征序列向多维数据矩阵的转换，以动态模态分解(Dynamic mode decomposition, DMD)为手段完成对上一步所得多维数据矩阵的动态模态估计和特征分解，同时对电力负荷底层的多尺度动态情况有了更加深入的掌握；最后使用基于外部输入的非线性自回归(Nonlinear autoregressive with external inputs, NARX)神经网络模型，同时以上一步取得的动态模态估值作为计算相应预测日期内各时段负荷分布的基础，并推导出最终预测结果。最终的测试数据证明，此方法较好地改善了模型的预测精度。