基于自适应增强算法的短期电力负荷在线预测方法技术

本发明专利技术公开了电力负荷预测技术领域中的一种基于自适应增强算法的短期电力负荷在线预测方法。包括选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵SL×M；提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵DL×n；在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将其作为有效成分，并根据过去L天有效成分的实测值，形成有效气象数据矩阵TL×m；利用有效气象数据矩阵TL×m和电力负荷数据矩阵DL×n求解短期电力负荷预测模型；利用短期电力负荷预测模型进行电力负荷预测。本发明专利技术可以有效地消除数据噪音对模型预测精度的影响，得到较为精确且稳定的预测结果。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了电力负荷预测
中的一种。包括选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵SL×M；提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵DL×n；在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将其作为有效成分，并根据过去L天有效成分的实测值，形成有效气象数据矩阵TL×m；利用有效气象数据矩阵TL×m和电力负荷数据矩阵DL×n求解短期电力负荷预测模型；利用短期电力负荷预测模型进行电力负荷预测。本专利技术可以有效地消除数据噪音对模型预测精度的影响，得到较为精确且稳定的预测结果。【专利说明】
本专利技术属于电力负荷预测
，尤其涉及一种。
技术介绍
短期电力负荷在线预测是电力负荷预测的重要组成之一，是电网实现智能控制的基础。负荷在线预测能力的提闻，不仅有利于提闻电网的安全，指导电网的检修，还可以有效地降低发电成本，提高电力系统的经济效益，让人民的生产生活水平再上新的台阶。作为制订发电计划、输电方案和进行电网建设的主要依据，电力负荷预测可以对未来几分钟至几年的时间范围内的电力负荷做出估计。短期负荷预测有着明显的周期特性:不同日的工作日24小时负荷变化呈现相似规律；不同日的周末24小时负荷变化呈现相似规律；不同年的重大节假日24小时负荷变化呈现相似规律。此外，电力负荷还受到诸如季节、气温、湿度、气压、风速、阴雨以及突发事件等情况的影响，这有时也会为短期电力负荷预测造成很大的干扰。目前常见的一种短期电力负荷预测的方法是，通过低通滤波与压缩聚类等数据预处理方法，提高对历史电力负荷数据的拟合精度。然而，在实际应用中，新产生的电力负荷数据并没有条件进行以上预处理，因而不适用于在线负荷预测。另一种常见的短期电力负荷预测的方法是，通过独立训练多个学习机并将其集成的方式，获得比单个学习机更好的泛化性能和学习精度，大大提高预测模型的精确度。然而，对于部分规律性的突变点模型依然无法精确预测，且不易进行在线预测。鉴于短期电力负荷存在的明显周期特性，为了能够从诸多因素中找到影响系统的关键因素，可以考虑采用灰色关联分析(Grey Relational Analysis)的方法。灰色关联理论认为:在两个系统发展过程中，若两个系统之间的因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因而，选用灰色关联分析对影响电力负荷的因素进行筛选可以有效剔除干扰项与无关项，提高短时电力负荷的预测精度。
技术实现思路
本专利技术的目的在于，提供一种，用于解决现有技术在短期电力负荷在线预测时存在的不足。为了实现上述目的，本专利技术提出的技术方案是，一种，其特征是所述方法包括:步骤1:选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵Sum ;其中，M和L为设定值；步骤2:提取过去L天中每天η个时刻的电力负荷数据，形成电力负荷数据矩阵Wxn;其中，η为设定值；步骤3:在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将所述m个因素作为有效成分，根据过去L天有效成分的实测值，形成有效气象数据矩阵Tlxdi ;其中，m为设定值；步骤4:利用有效气象数据矩阵IYxm和电力负荷数据矩阵Dixn求解短期电力负荷预测模型；步骤5:利用短期电力负荷预测模型进行电力负荷预测。所述选取与电力负荷数据关联度最大的m个因素采用灰色关联分析法，包括:子步骤Al:采用公式【权利要求】1.一种，其特征是所述方法包括: 步骤1:选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵Slxm ;其中，M和L为设定值； 步骤2:提取过去L天中每天η个时刻的电力负荷数据，形成电力负荷数据矩阵I\xn ;其中，η为设定值； 步骤3:在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将所述m个因素作为有效成分，根据过去L天有效成分的实测值，形成有效气象数据矩阵IYxm ；其中，m为设定值； 步骤4:利用有效气象数据矩阵IYxm和电力负荷数据矩阵^xn求解短期电力负荷预测模型； 步骤5:利用短期电力负荷预测模型进行电力负荷预测。2.根据权利要求1所述的方法，其特征是所述选取与电力负荷数据关联度最大的m个因素采用灰色关联分析法，包括: 子步骤Al:采用公式 3.根据权利要求1或2所述的方法，其特征是所述步骤4包括: 子步骤B1:以第k天有效成分的实测值Tk、与第k天日期类型相同的前一天的有效成分实测值Tlr1、与第k天日期类型相同的前一天的电力负荷数据D1^j和第k天的日期类型w作为输入样本，以第k天的电力负荷数据Dlu作为输出样本，建立样本集合{，Dk，j},记为{xp, tp};其中，k=2, 3，…，L, j=l, 2，…，η, ρ=1, 2，…，Ln ;子步骤B2:随机选取单隐层人工神经网络，设定权重步长a和收敛阈值ε，令初始迭代次数iter=l,权重分布 4.根据权利要求3所述的方法，其特征是所述步骤5之后还包括短期电力负荷预测模型的修正步骤，包括: 子步骤Cl:以当天有效成分的实测值T、与当天日期类型相同的前一天的有效成分的实测值T'、与当天日期类型相同的前一天的电力负荷数据D/和当天的日期类型w作为输入数据，输入到短期电力负荷预测模型中，得到当天电力负荷预测值Dp j=l, 2,..., η； 子步骤C2:采集当天时刻s的电力负荷实测值?，以与当天日期类型相同的前一天有效成分的实测值T'、与当天日期类型相同的前一天时刻s的电力负荷数据Ds'、当天有效成分的实测值T和当天的日期类型w作为输入数据，以当天时刻s的电力负荷实测值或作为输出数据，训练得到单日时刻s的短期电力负荷预测模型f (χ);其中，χ为输入数据且X=； 子步骤C3:根据公式 【文档编号】G06T5/00GK103793887SQ201410053462【公开日】2014年5月14日 申请日期:2014年2月17日 优先权日:2014年2月17日 【专利技术者】许刚, 谈元鹏, 马爽 申请人:华北电力大学本文档来自技高网...

【技术保护点】
一种基于自适应增强算法的短期电力负荷在线预测方法，其特征是所述方法包括：步骤1：选取影响气象数据的M个因素，并提取过去L天每个影响气象数据的因素的实测值，形成气象数据矩阵SL×M；其中，M和L为设定值；步骤2：提取过去L天中每天n个时刻的电力负荷数据，形成电力负荷数据矩阵DL×n；其中，n为设定值；步骤3：在影响气象数据的因素中，选取与电力负荷数据关联度最大的m个因素，将所述m个因素作为有效成分，根据过去L天有效成分的实测值，形成有效气象数据矩阵TL×m；其中，m为设定值；步骤4：利用有效气象数据矩阵TL×m和电力负荷数据矩阵DL×n求解短期电力负荷预测模型；步骤5：利用短期电力负荷预测模型进行电力负荷预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：许刚，谈元鹏，马爽，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11