一种基于fisher信息处理的单气象因素短期负荷预测方法技术

本发明专利技术涉及一种基于fisher信息处理的单气象因素短期负荷预测方法，对历史样本数据进行分析，得到对应负荷的单气象因素Fisher信息窗口数据，以此为基础计算出单气象因素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，通过对单气象因素进行Fisher信息加权处理，使气象因素对负荷的累积效应体现得更加全面和合理，从而能够实现对气象敏感负荷的精确预测。 1

A short term load forecasting method based on Fisher information processing for single meteorological factors

This invention relates to a single meteorological factor short-term load forecasting method based on Fisher information processing, analyzes historical sample data and obtains the single weather factor Fisher information window data of corresponding load, and then calculates the Fisher information value of the single meteorological factor Fisher information window data, and through the weighting of the data of the single meteorological factor. The input variables of Fisher information weighted, input variables and historical load data are input to the artificial intelligence prediction model. By weighted Fisher information on single meteorological factors, the cumulative effect of meteorological factors on the load is more comprehensive and reasonable, thus the accurate prediction of the weather sensitive load can be realized. One

【技术实现步骤摘要】
一种基于fisher信息处理的单气象因素短期负荷预测方法
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信息处理的单气象因素短期负荷预测方法。
技术介绍
短期负荷预测是电力系统安全经济运行的基础。其预测精度受到许多相互依存因素的影响，其中气象因素对于短期负荷预测影响巨大，气象因素的累积效应会使负荷预测结果产生较大的误差，因此，负荷预测时要考虑累积效应的影响。在所有的气象因素中尤以温度对负荷的影响最为严重。夏季高温天气时，电网负荷随着温度的升高急剧攀升，特别是持续的高温天气还会对电力负荷产生累积效应，而其它气象因素也有类似的现象。文献“考虑夏季气象因素的短期负荷预测方法研究”《电力系统保护与控制，2010》给出了一种考虑温度累积效应的修正模型，但需要动态调整累积效应系数。文献“考虑积温效应的短期负荷组合预测方法”《电力自动化设备，2011》采用曲线拟合的方法得到了一种温度累积效应的量化公式，但持续高温天数与日最高气温对温度累积效应贡献的比重系数随不同地域或同一地域的不同季节变化而变化，并不具有普遍适用性。文献“短期负荷预测中实时气象因素的影响分析及其处理策略”《电网技术，2006》给出了一种神经网络预测模型中温度和湿度累积效应的处理方法，但需要增加大量的输入层变量，这无疑增加了网络的训练时间和预测时间。Fisher信息是系统稳定性的一种度量，通过它能定量地反映出之前气象因素变化的稳定程度，能很好地刻画这种累积效应，符合人们通常情况下中对气象变化的“稳定低”或“稳定高”的描述，避免了惯常处理方法中需确定累积效应系数的主观性和随意性。专利
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单气象因素的累积效应，为了解决该问题而提出一种基于fisher信息处理的单气象因素短期负荷预测方法。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预测日前以及预测日的单气象因素数据及历史负荷数据；步骤2：对步骤1中的历史样本数据进行分析，得到一个对应负荷的单气象因素Fisher信息窗口数据；步骤3：以步骤2中获得的负荷单气象因素Fisher信息窗口数据为基础，计算出单气象因素Fisher信息窗口数据的Fisher信息值，即FI值；步骤4：对步骤3中单气象因素的Fisher信息值加权处理，获得Fisher信息加权的输入变量；步骤5：将步骤4获得的Fisher信息加权的输入变量和历史负荷数据输入人工智能预测模型即可实现对气象敏感负荷的精确预测；进一步，步骤2中以电网每5分钟采集1个数据点，对历史样本数据采集单变量气象因素，构建Fisher信息的窗口数据；进一步，步骤2中构建Fisher信息的窗口数据步骤为：2.1：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：(XdtXdt-1、、、Xdt-35)；2.2：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)；2.3：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)；2.4：根据上述步骤获得72个数据点组成了单次计算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指的是单气象因素值，d是日期值，t是时刻值。进一步，步骤3包括：3.1：以Fisher信息的窗口数据为基础，构造一个基于观测气象因素变化状态的可能性的概率密度函数P(Zi)，Zi为第i个区间；3.2：根据步骤3.1中概率密度函数P(Zi)，计算出变量的强度q(Zi)，3.3：将上述变量的强度q(Zi)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，即FI值：FI＝4∑[q(Zi)-q(Zi-1)]2。进一步，步骤3.1中构造概率密度函数P(Zi)为：3.1.1以Fisher信息的数据窗口集合做为观察数据序列集D＝{d(k)，k＝1，…，N}，其中N为序列总长度，d(k)为气象因素的值，窗宽为w∈N，滑动因子为δ∈N，可把滑动窗W描述如下：W(m，w，δ)＝{d(k)，k＝1+m*δ，…，w+m*δ}式中m＝1，2，…，M，M为窗口个数，M＝(N-w)/δ；3.1.2将每个滑动窗划分成如下I个区间：式中{Zi＝[Si-1，Si)，i＝1，2，…，I}，互不相交；S0＜S1＜S2＜…＜SIS0＝min[W(m，w，δ)]＝min[{d(k)，k＝1+m*δ，…，w+m*δ}]SI＝max[W(m，w，δ)]＝max[{d(k)，k＝1+m*δ，…，w+m*δ}]其中，Si为代表系统即气象因素值所构成的某一特定状态，S0代表状态0，S1代表状态1，…，SI代表状态I；3.1.3气象因素的值d(k)∈W(m，w，δ)落入区间Zi的概率P(Zi)等于d(k)∈W(m，w，δ)落入区间Zi的数目与W(m，w，δ)中总数据个数w之比值计算窗口中相应于Zi区间上的概率密度分布P(Zi)：进一步，步骤4包括：对Fisher信息值加权处理，把步骤3中获得的Fisher信息值与当前气象变量相乘，获得Fisher信息加权的输入变量，即：Fisher信息加权的输入变量＝FI*当前气象变量值。进一步，所述步骤5中人工智能预测模型为BP神经网络预测模型。本专利技术的有益效果：本专利技术通过使用度量系统稳定性的Fisher信息来对气象变量加权的方式体现了负荷预测中气象因素的累积效应。对比已有方法具有以下特点：1.通过构建Fisher信息的数据窗口，符合“近大远小”数据组成原则，使对气象因素对负荷的累积效应体现得更加完整，该气象因素累积效应处理方法不随地理空间和时间的变化而变化，具有普遍适应性。2.构建Fisher信息的数据窗口，并且对单气象因素的Fisher信息值加权处理，减少了人工智能预测模型的输入层变量，从而减少了网络训练时间和预测时间。3.Fisher信息是对系统稳定性的一种度量，通过它能定量地反映出之前气象因素变化的稳定程度，把它与当前气象因素相加权就能很好地刻画这种累积效应，物理意义明确，可解释性好。符合人们惯常思维中对气候变化累积效应的“稳定低”或“稳定高”的理解。附图说明图1是基于Fisher信息处理的单气象因素短期负荷预测的流程图；图2是负荷预测效果图。具体实施方式下面结合附图及具体实施方式对本专利技术进行进一步说明，目的仅在于更好地理解本
技术实现思路
，因此，此举之例并不限制本专利技术的保护范围。由于温度对负荷需求所产生的累积效应既有日内累积效应又有多日累积效应。日内温度累积效应指的是当日当前负荷要受到当日内以前各时段温度的影响，这种影响又以前一时段、前两时段的温度最为明显，而与前三时段的温度的相关性则减弱很多。多日温度累积效应指的是在持续多日低温或高温天气状况下，负荷出现一定程度的反常增长。一般来说当日温度比前两日有所提高，温度敏感负荷随之产生较大的提升，但当高温期持续3天及本文档来自技高网...

【技术保护点】
1.一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，包括：

【技术特征摘要】
1.一种基于fisher信息处理的单气象因素短期负荷预测方法，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预测日前以及预测日的单气象因素数据及历史负荷数据；步骤2：对步骤1中的历史样本数据进行分析，得到一个对应负荷的单气象因素Fisher信息窗口数据；步骤3：以步骤2中获得的负荷单气象因素Fisher信息窗口数据为基础，计算出单气象因素Fisher信息窗口数据的Fisher信息值，即FI值；步骤4：对步骤3中单气象因素的Fisher信息值加权处理，获得Fisher信息加权的输入变量；步骤5：将步骤4获得的Fisher信息加权的输入变量和历史负荷数据输入人工智能预测模型即可实现对气象敏感负荷的精确预测。2.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤2中以电网每5分钟采集1个数据点，对历史样本数据采集单变量气象因素，构建Fisher信息的窗口数据。3.根据权利要求2所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤2中构建Fisher信息的窗口数据步骤为：2.1：以预测当日当前时段3小时内36个点气象采集数据，为第一部分的Fisher信息窗口数据：(Xd，tXd，t-1、、、Xd，t-35)；2.2：以预测前一日当前时段2小时内24个点气象采集数据，为第二部分的Fisher信息窗口数据：(Xd-1，tXd-1，t-1、、、Xd-1，t-23)；2.3：以预测前二日当前时段1小时内12个点气象采集数据，为第三部分的Fisher信息的窗口数据：(Xd-2，tXd-2，t-1、、、Xd-2，t-11)；2.4：根据上述步骤获得72个数据点组成了单次计算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指的是单气象因素值，d是日期值，t是时刻值。4.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤3包括：3.1：以Fisher信...

【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