一种基于fisher信息处理多维气象因素短期负荷处理方法技术

本发明专利技术涉及一种基于fisher信息处理多维气象因素短期负荷处理方法，对历史样本数据进行分析，得到对应负荷的多维气象因素Fisher信息窗口数据，以此为基础计算出多维气象因素Fisher信息窗口数据的Fisher信息值，并通过对其加权处理获得Fisher信息加权的输入变量，输入变量和历史负荷数据输入人工智能预测模型，通过多维气象因素Fisher信息的计算对综合指数的加权来实现多个气象因素对负荷的耦合效应和累积效应，实现对气象敏感负荷的精确预测。 1

A short-term load handling method based on Fisher information processing multidimensional meteorological factors

The invention relates to a short-term load processing method based on Fisher information processing multidimensional meteorological factors. It analyzes the historical sample data and obtains the Fisher information window data of the multi dimensional meteorological factors corresponding to the load. On this basis, the Fisher information value of the multidimensional meteorological factor Fisher information window is calculated and added to it by adding the data. The weight processing obtains the input variables of Fisher information weighted, input variables and historical load data input artificial intelligence prediction model. Through the calculation of multidimensional meteorological factors Fisher information, the coupling effect and cumulative effect of multiple meteorological factors on the load are realized by the weighting of the multidimensional meteorological factors, so as to realize the accurate prediction of the weather sensitive load. . One

【技术实现步骤摘要】
一种基于fisher信息处理多维气象因素短期负荷处理方法
本专利技术涉及电力系统电网负荷预测
，尤其是一种基于fisher信息处理多维气象因素短期负荷处理方法。
技术介绍
负荷预测对于电力系统的高效可靠运行至关重要，其中气象因素对于短期负荷预测有着重大的影响。其中温度对负荷影响最大，其次还有湿度、风力、降水等因素。研究表明，相比温度、湿度等单一因素和负荷的相关关系，气象综合指数对负荷特征量的变化有更好的跟踪和描述效果，因为人们通常对外界冷热干湿的感觉是在温度、湿度及风力等多种气象因素的综合作用下形成，单一气象指标无法准确描述人体的真实感觉，因此很多学者先后提出了许多考虑多个气象因素的综合气象指数模型，如实感温度、温湿指数、风冷力指数、人体舒适度等。这些气象综合指数都是定义为2到3个气象变量的函数以体现这些单个气象变量经相互作用、相互耦合的效果，和单一气象因素相类似，气象综合指数也具有累积效应，这使得人体对外部环境的反应展现出惰性的一面。因此，在把气象综合指数引入负荷预测模型时，也应考虑这种累积效应。文献“电力系统负荷预测”《中国电力出版社，第二版，2017》给出了一种考虑温度和湿度累积效应的加权温湿指数(WTHI)，但需要根据不同地区的负荷预测，重新确定加权系数。文献“基于新型人体舒适度的气象敏感负荷短期预测研究”《中国电机工程学报，2017》提出了一种综合考虑雾霾、温度、湿度、风力等气象指标的人体舒适度指数，但所提各项指标对舒适度的评级随不同的时空分布特性而异，使得该方法并不具有普遍适应性，此外，由各气象指标形成的舒适度两两比较判断矩阵具有主观性。气象综合指数旨在捕捉影响因素之间的复杂耦合关系。它们反映的是一个多变量计算或一个变量非线性变换后的效果，这种效果一定与多个气象变量在多维空间中变化的稳定性有着必然的联系，而这种稳定性可以通过多变量Fisher信息来计算。通过多变量Fisher信息的计算并用其对综合指数的加权来实现多个气象因素对负荷的耦合效应和累积效应。
技术实现思路
本专利技术的目的是针对电力系统短期负荷预测中气象综合指数的耦合效应和累积效应，为了解决该问题而提出一种基于fisher信息处理多维气象因素短期负荷处理方法，并把计算得到的多维Fisher信息值和综合气象指数相乘积，从而使得气象综合指数对负荷的耦合和累积效应体现得更加有效。为了实现上述目的，本专利技术采用如下技术方案：步骤1：读取历史样本数据，所述历史数据为电力部门提供的多维气象因素数据。步骤2：对步骤1中的历史样本数据进行分析，构建由M个气象变量所定义的M维状态空间中有一长度为N的时间序列数据集，得到对应负荷的多维气象因素Fisher信息窗口数据。步骤3：以步骤2中获得的多维气象因素Fisher信息窗口数据为基础，进行系统状态的概率密度分布计算，得到概率密度分布P(Zl)。步骤4：以步骤3中的概率密度分布P(Zl)为基础，计算出多维气象因素Fisher信息窗口数据的Fisher信息值FI值。步骤5：对步骤4得到的多维气象因素Fisher信息窗口数据得Fisher信息值FI值进行加权处理，获得Fisher信息加权的气象综合指数。步骤6：将上述获得的Fisher信息加权的气象综合指数输入人工智能预测模型即可实现对气象敏感负荷的准确预测。进一步，步骤2中所述时间序列数据集是由M个气象变量所定义的M维状态空间中长度为N的时间序列数据集；进一步，步骤2包括时间序列数据集构造方法：设由M个气象变量所定义的M维状态空间中有一长度为N的时间序列数据集：{X(t1),X(t2),、、、X(ti)、、、,X(tN)}，其中：X(ti)＝(x1(ti),x2(ti),、、、，xM(ti))，i＝1,2,…N，X为气象因素值，t为时刻值，X(ti)为t时刻点的M个气象变量值的集合，x1(ti),x2(ti),、、、，xM(ti)为ti时刻对应的各气象因素值；进一步，步骤2构建多变量Fisher信息的数据窗口：2.1以电网每5分钟采集1个数据点，对历史样本数据采集多维变量气象因素，构建Fisher信息的窗口数据；2.2以预测当日当前时段3小时内36个点气象采集数据，为第一部分Fisher信息的窗口数据：(Xd，tXd，t-1、、、Xd，t-35)；2.3以预测前一日当前时段2小时内24个点气象采集数据，为第二部分Fisher信息的窗口数据：(Xd-1，tXd-1，t-1、、、Xd-1，t-23)；2.4以预测前二日当前时段1小时内12个点气象采集数据，为第三部分Fisher信息的窗口数据：(Xd-2，tXd-2，t-1、、、Xd-2，t-11)；2.5获得72个多维数据点组成了单次计算多变量Fisher信息的数据窗口：{(Xd，tXd，t-1、、、Xd，t-35)，(Xd-1，tXd-1，t-1、、、Xd-1，t-23)，(Xd-2，tXd-2，t-1、、、Xd-2，t-11)}其中，X指的是气象因素值，d是日期值，t是时刻值。进一步，步骤3包括：3.1以多变量Fisher信息的数据窗口为基础，按时间顺序的第一个点，即x1(ti)或x2(ti)或、、、或xM(ti)，被选做第一个状态的中心，围绕该点构建以2δ1，2δ2，、、、，2δM为M个边长的M维超矩形，δ1，δ2，、、、，δM为各维数据的标准差；3.2清点落入上述超矩形中的所有点的集合Z1，Z1＝{Z1：(|x1(t1)-x1(tj)|≤2δ1)&(|x2(t1)-x2(tj)|≤2δ2)&、、、&(|xM(t1)-xM(tj)|≤2δM)}其中：j＝2，3，、、、，N，得到由Z1个数据组成的第一个状态；3.3在该数据窗内选择下一个未被计入的点，围绕它构建另一个M维超矩形，就像前面一样清点落入该超矩形中数据的个数Z2，得到由Z2个数据组成的第二个状态；在目前数据窗内重复该过程直到所有点被计入不同的状态，然后该过程移入下一个数据窗，获得L个状态；3.4将步骤3.3中L个状态代入长度公式：其中：W为时间窗口中的总数据个数，L为状态个数，Z1为超矩形，即数据窗中元素的总个数等于各个状态中元素个数之和；3.5根据步骤3.4获得的时间窗口中的总数据个数W和落入超矩形Zl的数据个数，计算窗口中相应于Zl超矩形内的概率密度分布P(Zl)：进一步，步骤4包括：4.1由步骤3中计算出的概率密度分布P(Zl)，带入变量的强度计算公式：4.2将q(z1)代入Fisher信息实用计算公式中，计算出该数据窗口的Fisher信息值FI值，即：FI＝4∑[q(zl)-q(zl-1)]2。进一步，步骤5加权处理过程为：计算的描述多维气象因素稳定程度的Fisher信息值与当前气象综合指数相乘，即：Fisher信息加权的气象综合指数＝FI*气象综合指数值。进一步，步骤6人工智能预测模型为BP神经网络模型。本专利技术采用Fisher信息加权的气象综合指数实现考虑了累积和耦合效应的气象综合指数，通过多变量Fisher信息的计算并用其对综合指数的加权来实现多个气象因素对负荷的耦合效应和累积效应，把该指数输入人工智能预测模型即可实现对气象敏感负荷的准确预测。本专利技术的有益效果：本专利技术通过使用度量多维系统稳定性的Fish本文档来自技高网...

【技术保护点】
1.一种基于fisher信息处理多维气象因素短期负荷处理方法，其特征在于，包括：

【技术特征摘要】
1.一种基于fisher信息处理多维气象因素短期负荷处理方法，其特征在于，包括：步骤1：读取历史样本数据，所述历史数据为电力部门提供的多维气象因素数据和负荷数据；步骤2：对步骤1中的历史样本数据进行分析，构建时间序列数据集，得到对应负荷的多维气象因素Fisher信息窗口数据；步骤3：以步骤2中获得的多维气象因素Fisher信息窗口数据为基础，进行系统状态的概率密度分布计算，得到概率密度分布P(Zl)；步骤4：以步骤3中的概率密度分布P(Zl)为基础，计算出多维气象因素Fisher信息窗口数据的Fisher信息值，即FI值；步骤5：对步骤4得到的多维气象因素Fisher信息窗口数据的Fisher信息值进行加权处理，获得Fisher信息加权的气象综合指数；步骤6：将上述获得的Fisher信息加权的气象综合指数输入人工智能预测模型即可实现对气象敏感负荷的准确预测。2.根据权利要求1所述的一种基于fisher信息处理多维气象因素短期负荷处理方法，其特征在于：所述步骤2中所述时间序列数据集是由M个气象变量所定义的M维状态空间中,长度为N的时间序列数据集。3.根据权利要求1所述的一种基于fisher信息处理多维气象因素短期负荷处理方法，其特征在于：所述步骤2包括时间序列数据集构造方法：设由M个气象变量所定义的M维状态空间中有一长度为N的时间序列数据集：{X(t1),X(t2),、、、X(ti)、、、,X(tN)}，其中：X(ti)＝(x1(ti),x2(ti),、、、，xM(ti))，i＝1,2,…N，X为气象因素值，t为时刻值，X(ti)为t时刻点的M个气象变量值的集合，x1(ti),x2(ti),、、、，xM(ti)为ti时刻对应的各气象因素值。4.根据权利要求1所述的一种基于fisher信息处理多维气象因素短期负荷处理方法，其特征在于：所述步骤2构建多变量Fisher信息的数据窗口：2.1以电网每5分钟采集1个数据点，对历史样本数据采集多维变量气象因素，构建Fisher信息的窗口数据；2.2以预测当日当前时段3小时内36个点气象采集数据，为第一部分Fisher信息的窗口数据：(Xd，tXd，t-1、、、Xd，t-35)；2.3以预测前一日当前时段2小时内24个点气象采集数据，为第二部分Fisher信息的窗口数据：(Xd-1，tXd-1，t-1、、、Xd-1，t-23)；2.4以预测前二日当前时段1小时内12个点气象采集数据，为第三部分Fisher信息的窗口数据：(Xd-2，tXd-2，t-1、、、Xd-2，t-11)；2.5获得72个多维数据...

【专利技术属性】
技术研发人员：蔡舒平，刘琳，孙华辰，闫静，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32