一种基于数据重构的电力负荷短期预测方法技术

一种基于数据重构的电力负荷短期预测方法，该方法首先对原始数据集进行数据预处理，得到训练样本集；对样本集进行以天为周期的数据重构，得到重构子序列集合；对每一个重构子序列，分别建立时间序列模型；分别求解每一个重子序列下未来步的时间序列预测值；对预测结果进行时间序列重排，得到未来时间段的预测值序列。本发明专利技术提供一种可操作性强的、基于数据重构的电力负荷短期预测方法，实现台区电力负荷的准确预测。

【技术实现步骤摘要】
一种基于数据重构的电力负荷短期预测方法
本专利技术涉及一种基于数据重构的电力负荷短期预测方法，属电力负荷预测

技术介绍
随着人们对电能质量的要求越来越高，负荷预测作为保障电能质量的前提工作，受到了广泛的关注。特别的，台变是配电网的重要设备之一，其负荷状态直接影响着供电质量、设备安全和运行效益，对不同台区负荷进行精准预测有利于在保障供电能力的同时，提高用电调度效率，降低台变低载损耗、预警台变过载状态等。台变用电负荷的评估与预测是电力调度部门的一项重要任务，它实际上是对电力市场需求的预测，是电力系统实现管理现代化的重要手段，其目的就是提供负荷的发展状况及水平。在当前电力飞速发展和电力供应短缺的情况下，合理、准确地进行系统规划和保证系统经济、安全、稳定地的运行极其重要。它直接关系到电力系统生产计划的制定和系统短期运行方式安排，经济合理地安排电网内部发电机组的检修计划，可以减少不必要的旋转储备容量，提高电网运行的经济效益和社会效益。短期电力负荷预测主要用于电网的运行规划，在电网运行及调度中起着重要的作用。传统的电力负荷及电力需求预测模型一般包括持续预测法、回归分析法、时间序列模型、专家系统法、灰色预测、支持向量机和人工神经网络等。由于电力系统为复杂的非线性动态过程，经典的数学统计预测方法难以准确地描述出电力负荷及电力需求的实际变化情况，影响预报精度。相较之下，神经网络模型无需研究对象的精确数学模型，但其收敛速度慢、隐含节点难以选择、数据量大等不足限制了该方法在电力负荷及电力需求预测中的广泛使用。
技术实现思路
本专利技术的目的是，针对现有技术存在的问题作出改进，即本专利技术所要解决的技术问题是提供一种可操作性强的、基于数据重构的电力负荷短期预测方法，实现台区电力负荷的准确预测。本专利技术的技术方案是，本专利技术一种基于数据重构的电力负荷短期预测方法，所述方法包括下列步骤：(1)对实测数据进行数据预处理，剔除实测数据中的缺损数据，建立训练样本集；(2)对步骤(1)所建立的训练样本集进行数据重构处理，建立重构的训练样本集合；(3)分别对步骤(2)训练样本集合中的每一个重构子集序列建立时间序列模型；(4)估计每一个时间序列模型中的模型参数；(5)对每一个重构子集序列，使用步骤(4)所得的时间序列模型对未来时刻的电力负荷进行预测。(6)将步骤(5)所得的未来时刻的电力负荷预报值还原成时间序列，作为未来时间段的电力负荷预测值。所述数据重构方法，是构造以天为周期的用电负荷时间序列，即将原始的以功率序列重组为对应于每天不同时刻的重构序列。对训练样本序列x(t)进行重新编号：x1，1，x1，2，…x1，m，x2，1，x2，2，…，x2，m，…，xn，1，…，xn，m，…其中t为训练样本序列数据包含的天数，第i天的数据序列为xi,1,xi,2,…,xi,m，一天有m个时间点。则以天为周期的重构负荷序列，其数学表达式为：x(1)＝(x1，1，x2，1，…，xn，1，…)x(2)＝(x1，2，x2，2，…，xn，2，…)x(m)＝(x1，m，x2，m，...，xn，m，...)其中，x(i)，i＝1，2，…，m为分别对应于n天的第m个时间点的负荷时间序列的重构子序列。所述时间序列模型为差分自回归移动平均(Auto-RegressiveIntegratedMovingAverage,ARIMA)模型。其数学表达式为：其中，yt是电力负荷数据的某一重构子集序列，和θ1，θ2，…，θq是常系数，αt是白噪声序列。所述时间序列的参数估计方法为最小二乘估计法。基于重构数据的短期电力负荷预测的数学表达式为其中，f(1)，f(2)，...，f(m)是分别使用重构子序列：(x1，1，x2，1，…，xn，1)，…，(x1，m，x2，m，…，xn，m)n为训练样本数据的天数，m为一天中负荷数据时间点数量。所建立的时间序列模型，是由f(i)所得的重构子序列x1，i，x2，i，…，xn，i的未来第i个时间点的预测值，T为预测天数。所述未来时刻负荷预测值的时间序列还原，是指将由各重构子序列所得的预测值按照时间序列排序，得到未来时间段的负荷预测值序列，其数学表达式为：其中，T为预测天数，n为训练样本数据的天数，m为一天中负荷数据时间点数量。本专利技术的有益效果是，本专利技术较之传统的负荷预测方法，提供了一种操作性更强的、基于数据重构的电力负荷短期预测方法，实现台区电力负荷的准确预测。附图说明图1是基于数据重构的电力负荷短期预测方法的流程图；图2是采用本方法的实施例进行的一个实际应用试验的电力负荷短期预测的结果图。具体实施方式下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是实例性的，而不是为了限制本专利技术的范围及其应用。图1是本专利技术的流程图。图1中，本实施例提供的一种基于数据重构的电力负荷短期预测方法包括以下步骤：步骤1：数据预处理，建立训练样本集和测试样本集。对于所选用的实施例数据，首先标记采集资料中的缺损数据和异常数据，对缺损数据和异常数据进行插值处理，将整个样本集按照时间序列排列，建立初始样本集。将初始样本集划分为训练样本集和测试样本集。其中，训练样本集用于电力负荷短期预测的模型建立和参数估计，测试样本集用于预测模型精度的检验。本实施例中，数据采集间隔为30分钟，则一天的数据量为48点。测试集数据量为30×7＝210天，预测天数T＝7。步骤2：对训练样本集建立以天为周期的数据重构，构建重构子序列集。假设训练样本集包含t天的数据，其对应的时间序列为x(t),t＝1,2,…,n,对其进行重新编号，为x1，1，x1，2，...，x1，48，x2，1，x2，2，...，x2，48，...，xn，1，...，xn，48则以天为周期的重构负荷序列，其数学表达式为：x(1)＝(x1，1，x2，1，...，xn，1)x(2)＝(x1，2，x2，2，...，xn，2)x(48)＝(x1,48,x2,48,...,xn,48)其中，x(i)，i＝1，2，...，48为分别对应于一天中48个时间点的负荷时间序列的重构子序列。本实施例中，n＝30，N＝30×48。步骤3：建立时间序列模型，并估计模型参数。步骤3.1：对每一个重构子序列，建立时间序列模型其中，yt是电力负荷数据的某一重构子集序列，和θ1，θ2，...θq是常系数，αt是白噪声序列。步骤3.2：确定参数将时间序列模型两端同时乘以yt-k(k＞0)，再取数学期望，可得：其中γk是协方差。再令k＝q+1，q+2，...，q+p，得到方程组将该方程组中所有的值都替换成各自的估计值，可得：将代入上述方程组，可求解步骤3.3：确定参数在已知的条件下，作如下变换记的协方差函数为可得方程组令则有将上式中所有参数和协方差都用各自的估计值代替，可以求得以及参数估计值步骤4：分别对每一个重构子序列进行时间序列预测。分别对每一个重构子序列建立如步骤3所述的时间序列模型并进行参数估计，记，f(1)，f(2)，...，f(48)是分别使用重构子序列：(x1,1,x2,1,...,xn,1),...,(x1,48,x2,48,...,xn,48)所建立的时间序列模型。本实施例中，预测天数T＝7，则重构子序列所得的时间序列预测结果为：步本文档来自技高网...

【技术保护点】
一种基于数据重构的电力负荷短期预测方法，其特征在于，所述方法包括下列步骤：(1)对实测数据进行数据预处理，剔除实测数据中的缺损数据，建立训练样本集；(2)对步骤(1)所建立的训练样本集进行数据重构处理，建立重构的训练样本集合；(3)分别对步骤(2)训练样本集合中的每一个重构子集序列建立时间序列模型；(4)估计每一个时间序列模型中的模型参数；(5)对每一个重构子集序列，使用步骤(4)所得的时间序列模型对未来时刻的电力负荷进行预测；(6)将步骤(5)所得的未来时刻的电力负荷预报值还原成时间序列，作为未来时间段的电力负荷预测值。

【技术特征摘要】
1.一种基于数据重构的电力负荷短期预测方法，其特征在于，所述方法包括下列步骤：(1)对实测数据进行数据预处理，剔除实测数据中的缺损数据，建立训练样本集；(2)对步骤(1)所建立的训练样本集进行数据重构处理，建立重构的训练样本集合；(3)分别对步骤(2)训练样本集合中的每一个重构子集序列建立时间序列模型；(4)估计每一个时间序列模型中的模型参数；(5)对每一个重构子集序列，使用步骤(4)所得的时间序列模型对未来时刻的电力负荷进行预测；(6)将步骤(5)所得的未来时刻的电力负荷预报值还原成时间序列，作为未来时间段的电力负荷预测值。2.根据权利要求1所述的一种基于数据重构的电力负荷短期预测方法，其特征在于，所述重构处理是构造以天为周期的用电负荷时间序列，即将原始的以功率序列重组为对应于每天不同时刻的重构序列；对训练样本序列x(t)进行重新编号：x1，1，x1，2，…，x1，m，x2，1，x2，2，…，x2，m，…，xn，1，…，xn，m，…其中t为训练样本序列数据包含的天数，第i天的数据序列为xi,1,xi,2,…,xi,m，一天有m个时间点；则以天为周期的重构负荷序列，其数学表达式为：x(1)＝(x1，1，x2，1，…，xn，1，…)其中，x(i)，i＝1，2，...，m为分别对应于n天的第m个时间点的负荷时间序列的重构子序列；n为训练样本数据的天数。3.根据权利要求1所述的一种基于数据重构的电力负荷短期预测方法，其特征在于，所述时间序列模型为差分自回归移动平均模型；其数学表达式为：其中，yt是电力负荷数...

【专利技术属性】
技术研发人员：胡蕾，辛建波，范瑞祥，秦红三，陈亚慧，蔡鸿，
申请(专利权)人：国家电网公司，国网江西省电力科学研究院，
类型：发明
国别省市：北京;11