本发明专利技术公开了一种基于贝叶斯动态模型的中长期电力负荷预测方法，根据中长期电力负荷数据的内在变化规律，建立了具有多项式回归和指数结构的贝叶斯动态模型，根据贝叶斯理论，由先验信息和测量样本，实时地统计推断下一年的电力负荷值，实现小样本容量中长期电力负荷的动态递推预测。该方法要求的样本数据较少，而且可以通过模型监控和主观干预的形式，实时地跟踪当前的电力负荷的变化规律，这将使电力负荷预测结果更可靠，为提高中长期电力负荷预测精度提供了一条有效途径。
【技术实现步骤摘要】
本专利技术涉及电力负荷预测方法领域，具体为一种。
技术介绍
电网规划直接关系到社会经济发展和能源供给，中长期电力负荷预测是制定电网规划的基础，其准确性直接影响到电力投资、网络布局的合理性、能源资源供给与平衡、电力工业经济性。中长期负荷预测是以历史数据为基础，建立有效的预测模型，寻求其变化趋势和发展规律，预测未来负荷大小。电力负荷发展变化规律复杂多样，受多种复杂的不确定因素影响，很准确地负荷预测是十分困难的，对其理论研究一直就很重视，负荷预测方法多种多样，常见的有电力弹性系数法、回归分析法、趋势外推法、灰色理论预测法等。由于负荷预测受社会经济发展趋势、气候变化等多种不确定因素影响，增加了预测的难度和模型的复杂性，对于具体电网负荷资料要选择恰当的预测模型，必要时同时采用几种数学模型建模，对比分析，以便选择合适模型，取得最接近历史规律、预测精度高的模型。近年来快速发展的贝叶斯预测理论是依据先验信息和样本信息推断得到后验信息进行建模，具有以下几个显著特点:贝叶斯模型是一种动态模型，它把预测分布看成是条件概率分布，预测者可根据先验信息求出预测分布，并运用贝叶斯定理求得后验分布，并不断对先验信息进行修正；贝叶斯方法是利用先验信息和样本信息进行预报的。因此，当预报过程中获得新信息时(如间隔插入的标准量等)，只要将该时刻的预报信息看作得到的先验知识，并和此时的样本信息结合，就能够修正原有的预报模型，既方便又快速，进而能够及时地跟踪序列的时变特性；贝叶斯动态模型有多种结构，如季节模型、回归模型、多项式模型、噪声模型等，而且这些模型还可以通过叠加原理组合起来表示一复杂序列，所以贝叶斯建模预报对数据没有平稳性限制，非常适合动态测量非平稳的误差随机序列建模预报；由于贝叶斯学派把概率看作是人们对某事物的信任程度，而不是频率的稳定性，因此一些主观的认同也能被描述成概率分布形式，这些都是有关研究对象的主观先验信息。贝叶斯预测时，不仅能利用客观的数据信息，还能利用预测者本身能够提供的台理的主观先验信息来干预并修正模型。在这种情况下，预测者就能够处理一些可以预料到的异常情况，对于预料不到的突发情况，可以通过贝时斯序贯监控方法来处理。这将使贝叶斯预测结果更可靠，提高预报精度。近年来快速发展的贝叶斯预测理论在中长期电力负荷预测中应用。为了克服传统的组合预测方法没有明确考虑模型的不确定性，文献[张伟.基于EM的贝叶斯模型平均组合预测及应用研究[J].现代商贸工业，2010]中，应用贝叶斯模型平均组合预测方法精确估计单项模型的权重。运用支持向量机进行中长期负荷组合预测，但支持向量机对核参数、正则化参数选定存在可能，文献[牛东晓，吕海涛，张云云.贝叶斯框架下最小二乘支持向量机的中长期电力负荷组合预测[J].华北电力大学学报，2008，35 (6):62-66]应用基于贝叶斯框架下LS-SVM的中长期电力负荷预测模型，给出了支持向量机估计算法的参数选择和调整方法。空间负荷预测模型有效性很大程度上取决于对待预测空间区块所属等级的划分是否正确，文献[陶文斌，张粒子，潘弘等.基于双侧贝叶斯分类的空间负荷预测[J].中国电机工程学报，2007]采用基于样本数据的双层贝叶斯分类模型进行空间负荷预测，提高了对样本分类的正确性。文献[胡云生，郑继明.基于主分量分析和遗传神经网络的电力负荷预测[J].控制理论与应用，2008，27 (8):1-3]针对中长期电力负荷预测受经济、人口、天气、政策等因素，将其全部考虑进来作为预测模型的输入，采用主分量分析的方法将网络的输入简化，选择贝叶斯归一化法来训练网络，提高了网络的训练速度也提高了预测的精度。在利用其他方法预测时引入贝叶斯方法进行辅助的参数估计、聚类或者做一些局部的预测，还未见完全意义上的利用贝叶斯方法来进行中长期电力负荷预测的相关研究。
技术实现思路
本专利技术的目的是提供一种，以实现小样本容量下的中长期负荷的实时预测。为了达到上述目的，本专利技术所采用的技术方案为:，其特征在于:包括以下步骤:(I)建立电力负荷数据的贝叶斯指数多项式回归模型:多数的中长期电力负荷数据具有接近指数变化规律的特征，可以考虑建立电力负荷数据的贝叶斯指数多项式回归模型实现中长期负荷预测。基于贝叶斯动态预测的电力负荷模型一般由观测方程和状态方程组成，一般不超过二阶的多项式就能给出较好的局部变化趋势的拟合，二项式指数回归模型可表示成:观测方程:(1gE)i = F/Θ Jvi Vi ~N(O1Vi),状态方程:Θi = G θ Η+ω? Co1-N(O1Wi),式中，E是电力负荷值，(1gE)i是电力负荷时间序列，Qi=i时刻的状态参数向量，Fi= (I, t, t2)T是i时刻的动态回归矩阵，本文档来自技高网...
【技术保护点】
基于贝叶斯动态模型的中长期电力负荷预测方法，其特征在于：包括以下步骤：(1)建立电力负荷数据的贝叶斯指数多项式回归模型：多数的中长期电力负荷数据具有接近指数变化规律的特征，可以考虑建立电力负荷数据的贝叶斯指数多项式回归模型实现中长期负荷预测。基于贝叶斯动态预测的电力负荷模型一般由观测方程和状态方程组成，一般不超过二阶的多项式就能给出较好的局部变化趋势的拟合，二项式指数回归模型可表示成：观测方程：(logE)i＝FiTθi+vi vi～N(0,Vi)，状态方程：θi＝Gθi‑1+ωi ωi～N(0,Wi)，式中，E是电力负荷值，(logE)i是电力负荷时间序列，θi＝(ai,bi,ci)T为i时刻的状态参数向量，Fi＝(1,t,t2)T是i时刻的动态回归矩阵，G=100010001]]>为状态转移矩阵，νi和ωi分别为互相独立的观测误差和状态误差变量，且ωn、ωl和νn、νl(n≠l)相互独立；(2)确定相关参量的先验信息：采用贝叶斯动态模型预测递推时，需要已知相关参量的先验信息，而一般情况下，参量的先验信息是难以获取的，因此采用无信息的参考分析法确定相关参量的先验信息；在无信息参考分析中，假设观测误差νi服从正态分布N(0，V)，V是未知参数，状态方程误差ωi满足均值为0，方差为Wi的T分布，在上述电力负荷模型中，有3个状态参数a,b,c和1个观测方差V，共4个未知参数，因此可根据最初获得的4个电力负荷数据来确定θi和V的初始信息，由于在确定初始信息时采用的观测数据太少，不可能估计或探测出参数的任何变化，因此可设Wi＝0(i＝1,2,3,4)；设Di表示i时刻及其以前时刻所有有效信息的集合，Di(i＝0)为i＝0初始信息的集合，由初始先验法，θ1和V在无信息条件下D0的条件联合概率分布正比于方差的倒数V‑1：P(θ1,V|D0)∝V‑1 V>0根据贝叶斯公式及电力负荷数据点y1,y2,y3,y4可以递推得到后验联合概率分布P(θ4,V|D4)，进而获得θ4|D4和V‑1|D4的条件边缘分布P(θ4|D4)和P(V‑1|D4)，获得P(θ4,V|D4)后，就能求出θ4|D4和V‑1|D4的后验分布：(θi|Di)～T[Mi,Ci](V‑1|Di)～Γ[ni/2,di/2]状态变量θi的后验条件概率服从均值为Mi，方差为Ci的T分布，V‑1后验条件概率服从均值为ni/2，方差为di/2的Γ分布。求得θ4|D4和V‑1|D4的条件边缘分布后，就以此作为初始信息，对模型进行修正；(3)电力负荷数据的递推修正与预测：设初始信息为：ωi～T[0,Wi](θi‑1|Di‑1)～T[Mi‑1,Ci‑1](θi|Di‑1)～T[Ai,Ri],Ai＝GMi‑1,Ri＝GCi‑1GT+Wi(V‑1|Di‑1)～Γ(ni‑1/2,di‑1/2),Si‑1＝di‑1/ni‑1式中，Ai,Ri是状态变量θi先验分布的均值和方差；Si是V的点估计。则观测值yi的一步向前预测分布服从均值fi、方差Qi的T分布：(yi|Di‑1)～T[fi,Qi],fi＝FiTAi,Qi＝FiTRiFi+Si‑1递推修正关系：(θi|Di)～T[Mi,Ci],(V‑1|Di)～Γ[ni/2,di/2],Mi＝Ai+BieiCi＝(Si/Si‑1)[Ri‑BiFiTQi]ni=ni-1+1,di=di-1+Siei2/Qi,Si=di/ni]]>其中，ei＝yi‑fi为预测误差，Bi＝RiFi/Qi为修正系数矩阵。第k步向前预测分布：对k>0,(θi+k|Di)～T[Ai(k),Ri(k)](yi+k|Di)～T[fi(k),Qi(k)]Ai(k)＝GAi(k‑1)Ri(k)＝GRi(k‑1)GT+Wi其中，fi(k)=Fi++kTAi(k-1)]]>Qi(k)=Fi+kTRi(k)Fi+k+Si]]>初始值为 Ai(0)＝Mi,Ri(0)＝Ci，则电力负荷的预测值Ei为yi预测均值fi的指数函数：...
【技术特征摘要】
1.基于贝叶斯动态模型的中长期电力负荷预测方法，其特征在于:包括以下步骤: (1)建立电力负荷数据的贝叶斯指数多项式回归模型: 多数的中长期电力负荷数据具有接近指数变化规律的特征，可以考虑建立电力负荷数据的贝叶斯指数多项式回归模型实现中长期负荷预测。基于贝叶斯动态预测的电力负荷模型一般由观测方程和状态方程组成，一般不超过二阶的多项式就能给出较好的局部变...
【专利技术属性】
技术研发人员：吴义纯，程真英，李瑞君，
申请(专利权)人：国家电网公司，国网安徽省电力公司培训中心，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。